港池入口波浪多要素的中长期实时预测方法、系统及应用技术方案

本发明专利技术属于波浪信息预测技术领域，公开了港池入口波浪多要素的中长期实时预测方法、系统及应用。所述预测方法包括：基于滑动窗口构建数据集，建立三路输入特征融合深度神经网络：一路利用长短期记忆网络LSTM来学习港池入口处波浪多要素的历史时序规律，二路采用定制的二维风浪特征提取模块捕捉港外周边广大海域波浪与风场多个要素的历史时序时空特征，三路对当前时刻进行时间多尺度编码来提取周期性特征。本发明专利技术改进了目前深度学习方法预测单一时间尺度下的单一波浪要素和传统数值模式无法实时预测的现状，实现任意港池入口处波浪多要素的中期、中长期和长期序列的实时预测，且中期到长期的预测效果优于目前主流的机器学习模型。学习模型。学习模型。

【技术实现步骤摘要】
港池入口波浪多要素的中长期实时预测方法、系统及应用


[0001]本专利技术属于波浪信息预测
，尤其涉及港池入口波浪多要素的中长期实时预测方法、系统及应用。

技术介绍

[0002]海洋波浪影响各种海洋活动，例如港外近岸的波浪可能破坏海岸的建筑和工程设施，港池内的波浪会对船只的安全停靠、作业和航行造成影响，而专利CN114519311A提到港池内的波浪状况直接依赖于港池入口处涌入的波浪多个要素状况的影响，如港池入口处的波浪要素可以包括有效波高、峰值波周期、平均波方向、波浪谱宽度等多个要素参数，这些参数与港池的地形共同作用，形成了港池内的波浪。专利CN114519311A也提到，目前港内波浪的实时预测要么需要在港池外的入口处布置专门监测港池外涌入波浪状况的浮标设备，成本高且维护困难；要么利用开源的可利用的或者数值模型数据生成的港池外入口处的波浪要素数据，但是开源的可利用的港池入口处的波浪要素数据往往有较长时间的滞后，而纯依赖数值模型的数据则由于需要较长的解算时间而无法实时预测出波浪多要素状况；此外，专利CN114519311A中提到的港内波高预测方法只是预测当前时刻之后的下一个时刻的预测而不是做多个连续时刻（时序）的波浪要素的预测，具体来说它是通过当前时刻的港池入口处单点港外波浪和风场数据以及多尺度时间编码来预估当前时刻的下一个时刻的全港池内的波浪有效波高，因此本专利聚集于专利技术一种低成本的港池入口处的可靠和高效的波浪多要素中长期时序实时预测模型，即不需要投入高成本的浮标，便可实时地预测出港池入口处较长时间内的连续多个时刻（时序）的波浪多要素状况，将其作为专利CN114519311A中港内波高预测的输入数据，则能获得低成本的高质量港内波浪状况的时序实时预测，即当前时刻往后的个连续时刻的港内波浪状况的时序实时预测，且港池入口处预测时序的时长越长，则能更早的预知港内波浪的状况，也就相应会有更充足的时间来进行作业调度、港口管理及应急预案等，对港口管理和经济发展将带来巨大的促进。
[0003]再者，港池入口处近岸波浪的中长期时序实时预测也有助于近岸工程设施的保护和防灾减灾提前预案，降低人员和经济损失。其中港池入口处（近岸）波浪预测方法现有技术有基于数值模型和基于机器学习的方法。目前的海浪预报使用不需要对谱型进行限制的第三代海浪模式进行预报，代表性的近岸波浪预报的数值模型是基于谱作用平衡方程的第三代相位平均风浪模型，因此能较好的模拟港外风浪传播并预测港池入口处波浪要素的变化，可将基于谱作用平衡方程的第三代相位平均风浪模型和基于布西尼斯克方程的发威真实垂直深度数值模型联合起来实现港池入口处的波浪预报。但是基于数值模型的预测方法需要大量的计算时间，无法做到实时预测。基于机器学习方法的波浪预测避免了数值模拟方法的复杂计算，可以应用于实时预测。基于机器学习方法的近岸波浪预测的代表性研究主要有等人使用深度置信网络和迁移学习方法预测墨西哥湾、韩国地区和英国地区的监测站的海浪状态，预测结果优于极限学习机、支持向量回归和最小资源分配网络；戴昊等人使
用受限玻尔兹曼机
‑
深度置信网络和粒子群优化算法实现了有义波高的高效短期预测。近几年来，人工神经网络广泛用于波浪预测领域，等人使用人工神经网络预测了奥尔巴尼南部的短期（几秒钟或几分钟）确定性波浪，并与基于线性波理论的模型作为基准模型比较，误差在20%以内。周涛等专利技术了一种基于小波分解和人工神经网络的海浪波高预测方法，将浮标观测的波高时间序列进行小波分解重构，利用进行训练并在测试样本上测试；目前，长短期记忆网络是另一种主流的深度学习波浪预测方法。例如：郝伟等人基于长短期记忆网络完成单个监测站点的有效波高预测，并开展对比实验发现长短期记忆网络在未来6小时的短期预测性能优于自回归方法和方法；等人提出了一种基于长短期记忆网络的有效波高快速预测方法，对另一监测站点进行了12小时、1天、2天、3天共4个时段的预测，表明比反向传播神经网络、支持向量机、随机森林和极限学习机具有更好的预测性能。随后在基础上发展起来的门控循环神经网络也在波浪预测领域得到应用，如等人使用门控循环神经网络预测未来短期时长（3、6、12、24小时）的台湾海峡及其附近海域六个浮标站的有效波高，结果优于神经网络、支持向量机和极限学习机。
[0004]通过上述分析，现有技术存在的问题及缺陷为：（1）传统的基于数值模拟预测近岸波浪的方法，依赖于研究者的专业知识和经验，需要充分针对到地形，海底摩擦、波浪破碎等因素，因此需要充足的且高质量的水深资料和研究地区的环境数据，否则只根据经验设置的初始参数或边界条件等会直接影响模拟结果的准确性；该方法还需要花费大量的时间模拟计算波浪的传播和演化过程，因而无法满足实时预测的需要。
[0005]（2）目前多数的近岸波浪预测只是对某监测站点的单一波浪要素（如有效波高）的预测，而港池内波高等波浪状况是受到港池入口处的多个波浪要素共同作用的结果，因此实现同时对港池入口处多个波浪要素的实时预测这也是本专利技术要解决的另一重要问题。
[0006]（3）基于机器学习预测近岸波浪要素的方法，基本只针对了监测站点处的波浪要素历史信息，获得短期预测效果较好但中长期预测效果欠佳，而实际影响波浪要素的相关因素较多，如港池入口处的波浪要素还受到目标港外周边广大范围内的风场和从外海传播来的波浪状况的影响，如何有效引入和捕获这多个影响因素的特征以改进波浪要素中长期预测的精度，满足实际港口调度和应急预案的长时间需要，因此实现同时对港池入口处多个波浪要素的中长期时序实时预测十分必要，这也是本专利技术重点要解决的问题。
[0007]（4）目前近岸波浪要素的预测，基本是在单一时间尺度下对监测站点的波浪高度的预测，没有针对在不同时间尺度下波浪多要素的变化会呈现不同的规律，如何构建预测模型能高效捕获和学习出波浪要素在不同时间尺度下的周期性特征，也是本专利技术要解决的问题。
[0008]解决以上问题及缺陷的意义为：（1）构建和训练好深度神经网络模型预测港池入口处的波浪多要素信息，无需使用者具备领域先验知识和专业经验，且能做到实时预测。
[0009]（2）深度神经网络模型的建立不仅针对了历史的波浪有效波高信息，还将峰值波周期、平均波方向、波浪谱宽度等多个波浪要素的历史信息输入到深度神经网络模型中，通
过大量的模型训练调参和评估，最终获得后续中长期时序的港池入口处的多个波浪要素（如有效波高、峰值波周期、平均波方向、波浪谱宽度）预测，该预测结果进一步可以直接用于专利CN114519311A中的港内有效波高等的估计和预测。
[0010]（3）融合了港池入口处的波浪要素历史信息、港外周边较大区域的波浪和风场历史信息共同输入深度神经网络模型，获得在中长期预测性能上优于只基于港池入口处波浪要素历史信息的主流方法。
[0011]（4）引入时间多尺度编码信息，让深度神经网络模型学习到港外传播来的波浪的不同尺度下的周期性等更加丰富的时间特征，提升预测质量。

技术实现思路

[0012]为克服相关技术中存在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种港池入口处海洋波浪多要素的中长期时序实时预测方法，其特征在于，该方法包括以下步骤：步骤一，数据集准备：获取或生成港池入口处的波浪多要素历史时序数据，获取或生成目标港池外周边海域的二维波浪和风场多个要素的历史时序数据，并进行预处理；基于滑动窗口构建三路输入一路输出的向量数据集，并将该向量数据集划分为训练集、验证集和测试集；步骤二，深度神经网络模型的搭建、训练、验证、测试：分别搭建三路输入的中期、中长期和长期时序预测的深度网络模型，第一路是利用长短期记忆网络来学习港池入口处波浪多要素的连续历史序列中隐含的模式规律，第二路采用融合了通道注意力和空间注意力的2个定制的二维风浪特征提取模块捕捉港外周边海域二维波浪与风场多个要素的连续历史序列中的时空规律特征，第三路则对当前时刻进行时间多尺度编码来提取相关的时间周期性特征，三路特征拼接融合后输出港池入口处未来多个连续时刻的波浪多要素的预测结果；再对构建的三个深度神经网络模型进行迭代训练、验证和测试，直到建成用于中期、中长期和长期预测的三个深度神经网络模型。2.根据权利要求1所述的港池入口处海洋波浪多要素的中长期时序实时预测方法，其特征在于，在步骤一中，所述数据集准备，具体包括：（1）确定目标港池，获取或生成港池入口处的波浪多要素多年历史时序数据，包括：有效波高、峰值波周期、平均波方向的东西分量、平均波方向的南北分量、波浪谱宽度；（2）获取或生成目标港池外周边海域内多年的二维波浪和风场多个要素的历史时序数据，包括：风速的东西分量、风速的南北分量、以及港外周边海域二维波浪的有效波高、峰值波周期、平均波方向的东西分量、平均波方向的南北分量、波浪谱宽度；（3）进行缺失值的局部反距离加权插值处理,进行数据去季节性和归一化处理，将数据转化为0到1之间的无量纲的小数；（4）基于滑动窗口遍历每一个时刻，并对每一个时刻构建三路输入和一路输出的数据集；（5）将基于滑动窗口构建好的所有向量数据集随机抽取80%为训练集，10%为验证集，10%为测试集，用于深度神经网络模型的搭建、训练、验证和测试。3.根据权利要求2所述的港池入口处海洋波浪多要素的中长期时序实时预测方法，其特征在于，在步骤（3）中，所述进行缺失值的局部反距离加权插值处理，具体包括：1）计算未知点到选定的局部区域内所有网格点的距离2）计算权重3）计算待求的插值点的值
其中，为已知下载的若干网格化数据，为网格化数据对应的属性值，为估计空间中缺失的任意一位置点，为估计空间中缺失的任意一位置点的属性值。4.根据权利要求2所述的港池入口处海洋波浪多要素的中长期时序实时预测方法，其特征在于，在步骤（3）中，所述进行数据去季节性和归一化处理，具体包括：遍历全部数据的时刻，并将当前时刻对应的属性值减去全部数据中历史年份相同月份的属性值的平均值的差值，再除以其标准差，作为当前时刻的去季节性之后归一化的值，参与标准差计算的均值是取上一步计算求得的月均值：。5.根据权利要求2所述的港池入口处海洋波浪多要素的中长期时序实时预测方法，其特征在于，在步骤（4）中，所述构建三路输入和一路输出的数据集，具体包括：第一路进行基于宽度大小的滑动窗口逐时刻遍历，截取出当前时刻及其之前总共个时刻的港池入口处波浪多要素的连续历史序列向量，作为深度学习模型的第一路网络的输入向量；第二路进行基于宽度大小的滑动窗口逐时刻遍历，截取当前时刻及其之前总共个时刻的港外周边海域二维波浪与风场多个要素的连续历史序列向量，作为深度学习模型中第二路定制的二维风浪特征提取模块的输入；第三路是在滑动窗口遍历过程中，对每一个遍历到的当前时刻对应的月份和小时进行基于正弦和余弦函数的时间多尺度编码成向量，作为深度学习模型第3路的输入；最后一路输出则是在基于大小的滑动窗口逐时刻遍历的同时，截取之后中期、中长期和长期各时间区间段对应的未来个连续时刻的港池入口处波浪多要素的序列向量；遍历完所有时刻，这样则基于滑动窗口构建完毕向量数据集，与神经网络中的三路输入和一路输出对应，为训练做好准备。6.根据权利要求5所述的港池入口处海洋波浪多要素的中长期时序实时预测方法，其特征在于，所述在滑动窗口遍历过程中，月份信息通过正弦函数和余弦函数编码成维度为2的向量：1月是，2月是，以此类推，小时编码成维度为2的向量，总共构成维度为4的向量。7.根据权利要求2所述的港池入口处海洋波浪多要素的中长期时序实时预测方法，其特征在于，在步骤（5）中，深度神经网络模型的搭建、训练、验证和测试，具体包括：（1）搭建神经网络模型：分...

【专利技术属性】
技术研发人员：解翠，刘修栋，满腾浩，董军宇，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：