一种波高预测模型及装置制造方法及图纸

本发明专利技术公开了一种波高预测模型，该模型包括，第一LGE模块，对与波高有关的海洋多要素时间序列进行特征编码，编码器，该编码器的输入与所述第一LGE模块的输出连接，用于输出海洋多要素高维特征；第二LGE模块，对由所述海洋多要素时间序列的后半段序列与零矩阵序列拼接而成的矩阵序列进行编码；解码器，将第二LGE模块的输出和所述编码器输出的高维特征作为输入，输出对于波高的预测结果。所述编码器由N(N＝4)组编码层构成，每个编码层依次包括，第一空洞因果卷积自注意力层、第一残差连接及归一化层、第一前向传播层、第二残差连接及归一化层。层。层。

【技术实现步骤摘要】
一种波高预测模型及装置


[0001]本专利技术属于海洋资源开发
，特别涉及一种波高预测模型以及装置。

技术介绍

[0002]海浪向近岸传播过程中，受到温度、风、海底地形、岸界和环境流(沿岸流和潮流等)等要素的影响显著，具有比深海和开阔陆架海域更复杂的演变规律和更快速的时空变化，目前对其研究和认识还不是很成熟。
[0003]而近岸波浪是近岸海洋环境中最重要的动力因素之一，它威胁近岸建筑物的安全与稳定，引起海岸泥沙运动、海岸变迁和近岸水体交换。近岸波浪的计算对海岸工程设计、浅海生产作业、近岸环境保护等方面具有十分重要的意义。随着沿海地区社会经济的不断发展，人类在海岸带地区的活动日趋频繁，沿海工程项目的数量越来越多，投资规模越来越大，工程项目的风险性也越来越引起人们的高度重视，这些都对近岸波浪等海洋环境要素的精确预测提出了更高的要求。因此，提供精确实用的海浪高度预测方法是近年海岸工程、海洋工程、海洋和海岸带资源研究及军事活动的一个迫切任务。
[0004]目前，对于海洋海浪运动的预测方法大致可以分为两类：
[0005]第一类是利用海浪传播的物理特性，基于海浪数值模型模拟预测海浪的传播过程，例如第三代波浪模型(Wave Model，WAM)、基于WAM的近岸波浪模拟方法(Simulating Wave Nearshore，SWAN)
[1
‑
3]。
[0006]第二类是基于传统时间序列模型对有效波高SWH(SWH，Significant wave height)预测，例如自回归模型(Autoregressive，AR)、自回归移动平均模型(Autoregressive Moving Average，ARMA)以及自回归综合移动平均模型(Autoregressive Integrated Moving Average，ARIMA)等
[4
‑
6]。Agrawal
[7]等人使用ARIMA模型在不同预测区间实现在线SWH预测。
[0007]随着机器学习的发展，人工神经网络(Artificial Neural Network，ANN)和支持向量机(Support Vector Machine,SVM)等开始被应用于SHW的预测，Deo
[8]等人提出基于ANN对SWH进行实时预测。实验结果表明，ANN在准确率和一致性方面都有较好的表现。Cornejo
‑
bueno
[9,10]等人利用前馈神经网络极限学习机(Extreme Learning Machine,ELM)对SWH进行预测，获得较强泛化能力和较快求解速度。
[0008]基于完善的数学理论的SVM应用十分广泛。Mahjoobi
[11]等人的研究表明，在SWH预测中SVM某些情况下比ANN有更好的性能。Malekmohamadi
[12]对SVM、ANN、贝叶斯网络和自适应神经模糊推理系统(Adaptive neural fuzzy Inference System,ANFIS)的预测效果进行了深入研究。结果表明，ANN、ANFIS和SVM的预测结果都在可接受范围，而贝叶斯网络的预测结果相对不可靠。
[0009]随着自然语言处理(Natural Language Processing，NLP)的发展，研究人员发现循环神经网络(Recurrent Neural Network，RNN)的序列结构非常适用于气象预报等序列预测任务。Fan
[13]等人利用LSTM对近岸多站点的SWH进行预测，实验结果表明LSTM可以有效
捕捉SWH的时间相关性，预测精度相较于数值模型得到显著提高。
[0010]其中，本公开涉及的参考文献：
[0011][1]GROUP T W.The WAM Model—A Third Generation Ocean Wave Prediction Model[J].Journal of Physical Oceanography,1988,18(12):1775
‑
1810.
[0012][2]BOOIJ N,RIS R C,HOLTHUIJSEN L H.A third
‑
generation wave model for coastal regions:1.Model description and validation[J].Journal of Geophysical Research:Oceans,1999,104(C4):7649
‑
7666.
[0013][3]TOLMAN H L.User manual and system documentation of WAVEWATCH III TM version 3.14[J].Technical note,2009,276:.220
[0014][4]BOLLERSLEV T.Generalized autoregressive conditional heteroskedasticity[J].Journal of Econometrics,1986,31(3):307
‑
327.
[0015][5]SAID S E,DICKEY D A.Testing for unit roots in autoregressive
‑
moving average models of unknown order[J].Biometrika,1984,71(3):599
‑
607.
[0016][6]BOX G E P,PIERCE D A.Distribution of Residual Autocorrelations in Autoregressive
‑
Integrated Moving Average Time Series Models[J].Journal of the American Statistical Association,1970,65(332):1509
‑
1526.
[0017][7]AGRAWAL J D,DEO M C.On
‑
line wave prediction[J].Marine Structures,2002,15(1):57
‑
74.
[0018][8]DEO M C,JHA A,CHAPHEKAR A S,et al.Neural networks for wave forecasting[J].Ocean Engineering,2001,28(7):889
‑
898.
[0019][9]CORNEJO
‑
BUENO L,NIETO
‑
BORGE J C,P,et al.Significant wa本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种波高预测模型，其特征在于，该模型包括，第一LGE模块，对与波高有关的海洋多要素时间序列进行特征编码，编码器，该编码器的输入与所述第一LGE模块的输出连接，用于输出海洋多要素高维特征；第二LGE模块，对由所述海洋多要素时间序列的后半段序列与零矩阵序列拼接而成的矩阵序列进行编码；解码器，将第二LGE模块的输出和所述编码器输出的高维特征作为输入，输出对于波高的预测结果。2.根据权利要求1所述的波高预测模型，其特征在于，所述编码器由N(N＝4)组编码层构成，每个编码层依次包括，第一空洞因果卷积自注意力层、第一残差连接及归一化层、第一前向传播层、第二残差连接及归一化层。3.根据权利要求1所述的波高预测模型，其特征在于，所述解码器N(N＝4)组解码层构成，每个解码层依次包括，第一掩码空洞因果卷积自注意力层、第三残差连接及归一化层、第一多头注意力层、第四残差连接及归一化层、第二前向传播层、第五残差连接及归一化层。4.根据权利要求3所述的波高预测模型，其特征在于，所述解码器连接一个全连接层后给出预测结果。5.根据权利要...

【专利技术属性】
技术研发人员：宋巍，赵勐，徐慧芳，贺琪，张明华，包晓光，
申请(专利权)人：上海海洋大学，
类型：发明
国别省市：