【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 ...
【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:
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。