一种基于双变量长短时记忆算法的海浪缺测数据预报方法技术

本发明专利技术公开了一种基于双变量长短时记忆算法的海浪缺测数据预报方法，其具体步骤为：首先获取浮标数据A，利用机器学习的方法插补连续丢失的浮标数据，利用回归模型的方法插补单个丢失的浮标数据，形成新的浮标数据集B；利用海浪变量关联数据库，在浮标数据集B中找出与预报变量相匹配的变量并构造双变量集V，同时确定各个双变量的训练集和验证集；将各个双变量的训练集数据输入长短时记忆算法中进行训练，得到相应的双变量LSTM模型，最后利用验证集数据对模型结果进行检验，并确定最优预测模型。该方法可以对浮标短期缺测数据进行插补和修正，还可以对长期缺失变量进行预测，有效地提高浮标数据的准确度。效地提高浮标数据的准确度。效地提高浮标数据的准确度。

【技术实现步骤摘要】
一种基于双变量长短时记忆算法的海浪缺测数据预报方法


[0001]本专利技术涉及海浪缺测数据预报
，具体为一种基于双变量长短时记忆算法的海浪缺测数据预报方法。

技术介绍

[0002]海浪是常见的海洋现象之一，海浪的能量来源主要是风。风向海面传输能量，导致海水高低起伏的运动，形成了海面的波浪。除风之外，海浪的形成也受到其他海洋和大气因素的影响，海浪的传播过程非常复杂，而海浪要素之间也满足一定的制约关系。海浪有巨大的破坏力，海浪对于人类生活有着密切的关系，所以认识其分布特点与变化规律非常重要。通过浮标、雷达等观测方法可以获得真实可信的海面数据，进而还原海浪的时空分布和变化过程。
[0003]除了观测海浪，更重要的是预报海浪。最先发展的海浪数值预报建立在观测数据和理论研究的基础之上，结合区域内现时的海浪状态对区域未来的海浪状态进行计算和预报。海浪数值预报已经成为海浪预报研究中广泛采用的方法。基于海浪生消及传播规律，海浪数值模型能够对研究区域内的海浪进行模拟及预报。数值模式中使用偏微分方程进行计算。描述海洋过程的偏微分方程是复杂的。如果想要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双变量长短时记忆算法的海浪缺测数据预报方法，其特征在于：包括：获取浮标数据集A；利用回归模型的方法插补单个丢失的浮标数据，利用机器学习的方法插补连续丢失的浮标数据，进而形成新的浮标数据集B；利用海浪变量关联数据库，在浮标数据集B中找出与预报变量相匹配的变量并构造双变量集V，同时确定双变量集V中各个双变量的训练集和验证集；将各个双变量的训练集代入长短时记忆算法进行训练，得到对应的双变量的LSTM模型；将各个变量的验证集输入到相应的双变量LSTM模型进行缺失变量预测，并将各个预测结果与相应的验证集数据进行对比分析，评估各个双变量LSTM模型的预测性能得到预测结果，根据预设条件和预测结果确定最优预测模型。2.根据权利要求1所述的一种基于双变量长短时记忆算法的海浪缺测数据预报方法，其特征在于：所述回归模型为：ρ
t
＝f(b
t
‑1,b
t+1
)+ε；其中，ρ
t
为t时刻单个插补的浮标数据，f(b
t
‑1,b
t+1
)表示为ρ
t
与b
t
‑1,b
t+1
之间的隐函数，t表示时间；b
t
‑1表示为t
‑
1时刻的浮标数据，b
t+1
表示为t+1时刻的浮标数据，ε为误差项。3.根据权利要求1所述的一种基于双变量长短时记忆算法的海浪缺测数据预报方法，其特征在于：所述连续丢失的浮标数据的插补过程为：以a
m
作为输入，以连续缺失的浮标数据a
o
＝M
o
⊙
B为目标标签，在人工掩模M
m
区域内计算损失，并使用混合损失函数LOSS
FFL+L1
监督网络训练，训练完成后，将a
o
带入中，实现连续缺失的浮标数据的插补；其中，a
m
表示含两部分连续缺失块的浮标数据，M
m
表示为人工掩模，FFL为焦点频率损失，L1表示为L1范数损失，M
o
为掩码算子，为连续缺失浮标数据的插补结果，为训练网络，a
o
为连续缺失的浮标数据，θ
*
为优化参数，B为完整的浮标数据集。4.根据权利要求1所述的一种基于双变量长短时记忆算法的海浪缺测数据预报方法，其特征在于：所述各个双变量的训练集的确定过程为：在海浪变量关联数据库中查询到与预报变量相关联的变量集Ε；将浮标数据集B中的变量与变量集Ε中的变量进行匹配，构建集合K＝{K1，K2，
…
，K
I
}中，将预报变量与集合K中的每个元素相结合，构成双变量集中，其中集合K表示浮标数据集B与变量集Ε中相匹配的变量合集，K
I
表示为在浮标数据集B中第I个与预报变量相关联的变量，表示为第I个双变量；将双变量对应的浮标数据集的前ξ％作为的双变量训练集；所述各个双变量的验证集的确定过程为：在海浪变量关联数据库中查询...

【专利技术属性】
技术研发人员：王锦，谢文鸿，董昌明，李春辉，季巾淋，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：