【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。