一种基于时空相关性的潮汐水位预报方法技术

一种基于时空相关性的潮汐水位预报方法，利用与目标港口的潮汐水位历史数据具有相关性的相关港口的潮汐水位数据来预测目标港口的潮汐水位数据，形成目标港口的潮汐水位数据集，利用卷积神经网络对潮汐水位数据提取空间特征，利用门控循环单元神经网络对潮汐水位数据提取时间特征，利用双向门控循环单元神经网络对提取过时空特征的潮汐水位数据进行训练和验证，生成短时潮汐水位预报模型，实现对目标港口的潮汐水位进行短时预报。本发明专利技术解决了港口潮汐水位历史数据少而无法进行潮汐水位预报或预报不准的问题，便于港口、引航机构合理安排调度，提高了生产服务效率，保障了航行安全。

【技术实现步骤摘要】
一种基于时空相关性的潮汐水位预报方法
本专利技术涉及一种基于时空相关性的潮汐水位预报方法。
技术介绍
准确的潮汐预报信息对海岸工程师、港口当局、海事管理机构、航运从业者、海洋事故救助机构等具有重要的作用。目前针对潮汐预报的方法已有很多，但大多都是基于当前港口的大量潮汐历史数据对当前港口进行短时潮汐预报，没有考虑到有些小港口历史数据很少或没有历史数据，这些小港口也需要短时潮汐预报为生产、生活等活动提供参考。
技术实现思路
本专利技术提供一种基于时空相关性的潮汐水位预报方法，解决了港口潮汐水位历史数据少而无法进行潮汐水位预报或预报不准的问题，便于港口、引航机构合理安排调度，提高了生产服务效率，保障了航行安全。为了达到上述目的，本专利技术提供一种基于时空相关性的潮汐水位预报方法，包含以下步骤：利用与目标港口的潮汐水位历史数据具有相关性的相关港口的潮汐水位数据来预测目标港口的潮汐水位数据，形成目标港口的潮汐水位数据集；利用卷积神经网络对潮汐水位数据提取空间特征，利用门控循环单元神经网络对潮汐水位数据提取时间特征，利用双向门控循环单元神经网络对提取过时空特征的潮汐水位数据进行训练和验证，生成短时潮汐水位预报模型，实现对目标港口的潮汐水位进行短时预报。所述的形成目标港口的潮汐水位数据集的方法包含：步骤S1、获取潮汐水位数据；步骤S2、补齐缺失潮汐水位数据；步骤S3、计算目标港口与周围港口整点潮汐水位数据的肯德尔Kendall相关系数；步骤S4、数据公式化；将目标港口作为预测点，其潮汐水位数据作为因变量，将与目标港口潮汐水位数据的肯德尔Kendall相关系数大于等于0.8的港口的潮汐水位数据确定为自变量，将作为自变量和因变量的潮汐水位数据映射到一维向量上，同一时刻的一维空间信息向量表示为：Xs＝(X1，X2，…，Xs)将不同时刻的一维空间信息向量组合成矩阵如下：其中，s为不同的港口，t为时间；步骤S5、数据归一化；利用python中的pandas库和numpy库对步骤S4中公式化的数据集X进行归一化：其中，潮汐水位时间序列以X表示，X’表示将X进行归一化后得到(-1，1)内的数，min(X)表示潮汐水位数据中的最小值，max(X)表示潮汐水位数据中的最大值。采用插值法补齐缺失的潮汐水位数据。将目标港口的潮汐水位数据集中的数据进行划分，前80％作为训练集，后20％取10％作为验证集，10％作为测试集。所述的生成短时潮汐水位预报模型的方法包含以下步骤：步骤S1、运用卷积神经网络CNN对潮汐水位数据进行空间特征提取；步骤S2、运用门控循环单元GRU神经网络对提取过空间特征的潮汐水位数据进行时间特征提取；步骤S3、运用双向门控循环单元Bi-GRU神经网络对提取过空间特征和时间特征的潮汐水位数据进行训练和验证，建立短时潮汐预报模型，实现端到端预测输出。所述的空间特征提取方法包含：填充操作；卷积操作；G(i)＝F(Aw+B)其中，w为节点的滤波权值，B为偏差，A为输入节点的值，G(i)为卷积后的空间特征数据，F为激活函数，使用ReLu激活函数；池化操作。使用均方误差MSE作为所述的短时潮汐预报模型训练时的损失函数；其中，yt是潮汐水位观测值、是潮汐水位预测值。使用Adam算法在所述的短时潮汐预报模型训练时进行深度优化神经网络；m＝β1·m+(1-β1)·dx其中，β1和β2是两个常数，x是更新的参数，dx是x的导数向量，m是用来存储一阶矩阵的，v是用来存储二阶矩阵的。每次训练后运用所述的短时潮汐预报模型对验证集进行验证并计算该短时潮汐预报模型的精度，当精度不低于97％，或训练次数达到2000次时，停止训练并保存短时潮汐预报模型；精度计算公式如下：其中，yt是潮汐水位观测值、是潮汐水位预测值。利用测试集对所述的短时潮汐预报模型进行测试，采用平均绝对误差MAE、平均绝对百分比误差MAPE、均方根误差RMSE以及相关系数CC评价所述的短时潮汐预报模型；其中，yt是潮汐水位观测值、是潮汐水位预测值、是潮汐水位观测平均值，是潮汐水位预测平均值。本专利技术还提供一种处理装置，包含：处理器，适用于执行各条程序代码；以及数据存储装置，适用于存储多条程序代码；所述程序代码适用于由处理器加载并执行以实现所述的基于时空相关性的潮汐水位预报方法。本专利技术可利用与目标港口的潮汐水位历史数据相关性较高的港口的潮汐水位数据来跨时空预测目标港口的潮汐水位数据，解决了港口潮汐水位历史数据少而无法进行潮汐水位预报或预报不准的问题，便于港口、引航机构合理安排调度，提高了生产服务效率，保障了航行安全。附图说明图1是本专利技术提供的一种基于时空相关性的潮汐水位预报方法的示意图。图2是形成目标港口的潮汐水位数据集的流程图。图3是本专利技术的实施例中，生成短时潮汐水位预报模型的示意图。图4是本专利技术的实施例中，目标港口及其相关港口的位置示意图。具体实施方式以下根据图1～图4，具体说明本专利技术的较佳实施例。如图1所示，本专利技术提供一种基于时空相关性的潮汐水位预报方法，包含以下步骤：潮汐水位数据预处理模块利用与目标港口的潮汐水位历史数据相关性较高的相关港口的潮汐水位数据来预测目标港口的潮汐水位数据，形成目标港口的潮汐水位数据集；潮汐水位预报模块利用卷积神经网络对潮汐水位数据提取空间特征，将提取过空间特征的潮汐水位数据运用门控循环单元神经网络提取时间特征，生成具备明显时空特征的潮汐水位数据，将提取过时空特征的潮汐水位数据运用双向门控循环单元神经网络进行学习和训练，生成短时潮汐水位预报模型，实现对目标港口的潮汐水位进行短时预报。如图2所示，所述的形成目标港口的潮汐水位数据集的方法具体包含：步骤S1、获取潮汐水位数据。运用潮汐水位数据记录仪传感器获得目标港口及目标港口周围港口的整点潮汐水位数据。步骤S2、补齐缺失潮汐水位数据。运用插值法对缺失的整点潮汐水位数据进行插值补齐。步骤S3、计算相关系数。计算目标港口及目标港口周围港口整点潮汐水位数据的肯德尔(Kendall)相关系数。步骤S4、数据公式化。将目标港口作为预测点，其潮汐水位数据作为因变量，将与目标港口潮汐水位数据相关性较高(相关系数大于等于0.8)的港口潮汐水位数据确定为自变量，将作为自变量和因变量的潮汐水位数据映射到一维向量上，同一时刻的一维空间信息向量可表示为：Xs＝(X1，X2，…，Xs)将不同时刻的一维空间信息向量组合成矩阵如下：其中，s为不同的港口，t为时间。步本文档来自技高网...

【技术保护点】
1.一种基于时空相关性的潮汐水位预报方法，其特征在于，包含以下步骤：/n利用与目标港口的潮汐水位历史数据具有相关性的相关港口的潮汐水位数据来预测目标港口的潮汐水位数据，形成目标港口的潮汐水位数据集；/n利用卷积神经网络对潮汐水位数据提取空间特征，利用门控循环单元神经网络对潮汐水位数据提取时间特征，利用双向门控循环单元神经网络对提取过时空特征的潮汐水位数据进行训练和验证，生成短时潮汐水位预报模型，实现对目标港口的潮汐水位进行短时预报。/n

【技术特征摘要】
1.一种基于时空相关性的潮汐水位预报方法，其特征在于，包含以下步骤：
利用与目标港口的潮汐水位历史数据具有相关性的相关港口的潮汐水位数据来预测目标港口的潮汐水位数据，形成目标港口的潮汐水位数据集；
利用卷积神经网络对潮汐水位数据提取空间特征，利用门控循环单元神经网络对潮汐水位数据提取时间特征，利用双向门控循环单元神经网络对提取过时空特征的潮汐水位数据进行训练和验证，生成短时潮汐水位预报模型，实现对目标港口的潮汐水位进行短时预报。


2.如权利要求1所述的基于时空相关性的潮汐水位预报方法，其特征在于，所述的形成目标港口的潮汐水位数据集的方法包含：
步骤S1、获取潮汐水位数据；
步骤S2、补齐缺失潮汐水位数据；
步骤S3、计算目标港口与周围港口整点潮汐水位数据的肯德尔Kendall相关系数；
步骤S4、数据公式化；
将目标港口作为预测点，其潮汐水位数据作为因变量，将与目标港口潮汐水位数据的肯德尔Kendall相关系数大于等于0.8的港口的潮汐水位数据确定为自变量，将作为自变量和因变量的潮汐水位数据映射到一维向量上，同一时刻的一维空间信息向量表示为：
Xs＝(X1，X2，…，Xs)
将不同时刻的一维空间信息向量组合成矩阵如下：



其中，s为不同的港口，t为时间；
步骤S5、数据归一化；
利用python中的pandas库和numpy库对步骤S4中公式化的数据集X进行归一化：



其中，潮汐水位时间序列以X表示，X’表示将X进行归一化后得到(-1，1)内的数，min(X)表示潮汐水位数据中的最小值，max(X)表示潮汐水位数据中的最大值。


3.如权利要求2所述的基于时空相关性的潮汐水位预报方法，其特征在于，将目标港口的潮汐水位数据集中的数据进行划分，前80％作为训练集，后20％取10％作为验证集，10％作为测试集。


4.如权利要求3所述的基于时空相关性的潮汐水位预报方法，其特征在于，所述的生成短时潮汐水位预报模型的方法包含以下步骤：
步骤S1、运用卷积神经网络CNN对潮汐水位数据进行空间特征提取；
步骤S2、运用门控循环单元GRU神经网络对提取过空间特征的潮汐水位数据进行时间特征提取；
步骤S3、运用双向门控循环单元Bi-GRU神经网络对提取过...

【专利技术属性】
技术研发人员：朱贵强，胡勤友，梅强，杨春，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：上海;31