一种多模型组合的潮汐预报方法技术

本发明专利技术提供了一种多模型组合的潮汐预报方法，涉及潮汐预报技术领域，包括如下步骤：S1、采集目标点位及附近点位的实测潮汐及水文气象要素数据；S2、利用调和分析法建立调和预报模型，获得第一预报结果；S3、建立带外部输入的潮汐预报自回归偏最小二乘模型，获得第一预报结果；S4、基于多尺度分解建立变结构神经网络预报模型，计算所述第一预报结果与实际潮汐的差值部分；将差值部分利用变结构神经网络预报模型进行辨识和预报，获得第二预报结果；S6、将第一预报结果与第二预报结果相加，得到最终潮汐预报结果。本发明专利技术充分利用线性预报方法鲁棒性强的优点和神经网络等非线性预报方法自适应、非线性的优点，能在保证稳定性的同时提高预报的精度。高预报的精度。高预报的精度。

【技术实现步骤摘要】
一种多模型组合的潮汐预报方法


[0001]本专利技术涉及潮汐预报
，具体而言，尤其涉及一种多模型组合的潮汐预报方法。

技术介绍

[0002]潮汐现象是指海水在天体引潮力作用下所产生的周期性涨落运动，海水在水平方向的流动称为潮流。地潮、海潮和气潮的原动力都是日、月对地球各处引力不同而引起的，三者之间互有影响。潮汐现象形成的主要原因是月球引力和离心力的合力是引起海水涨落的引潮力。
[0003]传统的潮汐预报的传统方法包括调和分析法。该方法通过对验潮站长期潮汐数据的统计和分析，计算得到模型中各分潮的参数，并基于建立潮的数学模型得到长期的潮汐预报。
[0004]然而，由于潮汐受到多种因素的影响，周期因素如引潮力、月球轨道的倾角等；非周期因素如风力、气压、降水等。传统的调和分析法的预报精度除了受收据数量和分潮数量的影响，还无法分析非周期因素的影响，导致预报精度较低。由于调和分析法所需要的分潮数目较多，该方法需要一个点位的长期实测潮汐数据来确定各分潮的参数，而现实问题是，目前的沿海海域存在着许多潮汐资料空白区域，而一些区域由于海洋工程和船舶航行而需要响应的潮汐数据。所以经常需要在进行有限观测的前提下进行潮汐预报。该模型无法反映非周期的时变因素，如水文气象因素对潮汐的影响，限制了该方法对潮汐的预报精度，尤其是在水文气象因素变化剧烈的情况下会导致预报误差较大，经常会导致严重影响航行安全和航运效率。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提出一种多模型组合的潮汐预报方法，其中调和常数模型和自回归时间序列预测模型处于可切换状态，在数据充足、可以进行系数辨识并提供准确的预测模型的情况下采用调和常数法模块进行潮汐预报；而在数据量不足以进行调和常数法的参数辨识的情况下，采用自回归时间序列模型进行潮汐预报。计算调和常数法或自回归时间序列预报模型潮汐与实际潮汐的差值部分，利用变结构神经网络进行辨识和预报。最后将调和常数模型或自回归时间序列预测模型潮汐预报得到的预报结果和变结构神经网络方法得到的预报结果相加，得到最终的潮汐预报结果。
[0006]本专利技术采用的技术手段如下：
[0007]一种多模型组合的潮汐预报方法，包括如下步骤：
[0008]S1、采集目标点位及附近点位的实测潮汐及水文气象要素数据；
[0009]S2、利用调和分析法建立调和预报模型，利用所述调和预报模型进行潮汐预报，获得第一预报结果；
[0010]S3、建立带外部输入的潮汐预报自回归偏最小二乘模型，利用所述自回归偏最小
二乘模型进行潮汐预报，获得第一预报结果；
[0011]S4、基于多尺度分解建立变结构神经网络预报模型，计算所述第一预报结果与实际潮汐的差值部分；将差值部分利用变结构神经网络预报模型进行辨识和预报，获得第二预报结果；
[0012]S6、将第一预报结果与第二预报结果相加，得到最终潮汐预报结果。
[0013]进一步地，在数据充足、可以进行系数辨识并提供准确的预测模型的情况下采用调和预报模型进行潮汐预报，获得第一预报结果；在数据量不足以进行调和预报模型的参数辨识的情况下，采用自回归偏最小二乘模型进行潮汐预报，获得第一预报结果。
[0014]进一步地，所述潮汐及水文气象要素数据包括潮汐数据、气象数据和水文数据；所述气象数据包括气压、风力、风向、气温的实测数据；所述水文数据包括水温、降水、盐度的实测数据。
[0015]进一步地，S2包括如下步骤：
[0016]采用最小二乘法求取目标点位分潮的调和常数，所述调和常数包括分潮平均振幅H和格林尼治迟角g；
[0017]不考虑非天文潮r(k)部分的影响，将平均海面H0视为σ＝0
°
/h的一个特殊分潮，分潮的潮高表达式为：
[0018][0019]令fH＝R，(v0+μ)
‑
g＝
‑
θ，
[0020]取A＝Rcosθ，B＝Rsinθ；
[0021]其中，B0＝0，所述分潮的潮高表达式为：
[0022][0023]通过分析实测潮位数据，求出每个分潮的A，B值，进一步求出分潮振幅R和初相角θ，最终求出调和常数，具体表达式如下所示：
[0024][0025][0026]其中，f是交点因子，μ是交点修正角，v0是格林尼治零时分潮的初相角，σ是分潮的角速度。
[0027]进一步地，S3包括如下步骤：
[0028]根据需要d步超前预报的变量，在潮汐数据中分别利用偏相关系数法选择相关的
变量及阶次，作为d步超前预报模型的输入，H(k)为输出，建立偏最小二乘模型；
[0029]设X(∈R
n
×
m
)为偏最小二乘模型的输入，Y(∈R
n
×
p
)为偏最小二乘模型的输出，偏最小二乘方法完成如下映射：
[0030][0031]其中，t1和u1是第一个偏最小二乘因子的得分向量，p1和q1是得分向量对应的载荷向量，E1和F1是残差；
[0032]四个向量t1、u1、p1和q1通过最小化E1和F1确定，得分向量t1和u1之间的内部关系通过线性模型获得：
[0033]u1＝b1t1+ε1[0034]当t1和u1提取信息不足时，通过从残差矩阵中提取信息来迭代计算进一步的分数和加载向量；
[0035]设X的秩为r，计算r后，Y为：
[0036]X＝TP
T
,Y＝TBQ
T
+F
r
[0037]由于T的列与输出残差F
r
正交且相互正交，因此：
[0038]X
T
X＝PT
T
TP
T
[0039]X
T
Y＝PT
T
TBQ
T
+F
r
＝PBQ
T
[0040]将X和Y用P，B和Q的参数矩阵表示，当出现新的数据对时，PLS回归公式如下：
[0041][0042]等价于包含新数据的全部数据的PLS回归公式如下：
[0043][0044]所述偏最小二乘模型通过更新原始已得模型和新数据来实现。
[0045]进一步地，S4包括如下步骤：
[0046]对实测数据与第一预报结果的差值进行多尺度小波分解；
[0047]对每个分量进行时间序列预报的阶次确定，确定输入输出阶次后，利用变结构的径向基函数神经网络进行每个分量的时间序列预报；
[0048]建立变结构神经网络预报模型的步骤包括：
[0049]建立滑动数据窗口；潮汐的变化具有动态时变的特性，为了反映潮汐受到环境影响的动态时变特性，建立滑动数据窗口对潮汐进行状态观测，利用实时更新的输入输出数据动态调整基于径向基函数神经网络的拟合模型；
[0050]所述的滑动窗口是一个固定宽度的先进先出的数据样本序列，当接收到一组新的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多模型组合的潮汐预报方法，其特征在于，包括如下步骤：S1、采集目标点位及附近点位的实测潮汐及水文气象要素数据；S2、利用调和分析法建立调和预报模型，利用所述调和预报模型进行潮汐预报，获得第一预报结果；S3、建立带外部输入的潮汐预报自回归偏最小二乘模型，利用所述自回归偏最小二乘模型进行潮汐预报，获得第一预报结果；S4、基于多尺度分解建立变结构神经网络预报模型，计算所述第一预报结果与实际潮汐的差值部分；将差值部分利用变结构神经网络预报模型进行辨识和预报，获得第二预报结果；S6、将第一预报结果与第二预报结果相加，得到最终潮汐预报结果。2.根据权利要求1所述的多模型组合的潮汐预报方法，其特征在于，在数据充足、可以进行系数辨识并提供准确的预测模型的情况下采用调和预报模型进行潮汐预报，获得第一预报结果；在数据量不足以进行调和预报模型的参数辨识的情况下，采用自回归偏最小二乘模型进行潮汐预报，获得第一预报结果。3.根据权利要求1所述的多模型组合的潮汐预报方法，其特征在于，所述潮汐及水文气象要素数据包括潮汐数据、气象数据和水文数据；所述气象数据包括气压、风力、风向、气温的实测数据；所述水文数据包括水温、降水、盐度的实测数据。4.根据权利要求2所述的多模型组合的潮汐预报方法，其特征在于，S2包括如下步骤：采用最小二乘法求取目标点位分潮的调和常数，所述调和常数包括分潮平均振幅H和格林尼治迟角g；不考虑非天文潮r(k)部分的影响，将平均海面H0视为σ＝0
°
/h的一个特殊分潮，分潮的潮高表达式为：令fH＝R，(v0+μ)
‑
g＝
‑
θ，取A＝R cosθ，B＝R sinθ；其中，B0＝0，所述分潮的潮高表达式为：通过分析实测潮位数据，求出每个分潮的A，B值，进一步求出分潮振幅R和初相角θ，最终求出调和常数，具体表达式如下所示：
其中，f是交点因子，μ是交点修正角，v0是格林尼治零时分潮的初相角，σ是分潮的角速度。5.根据权利要求2所述的多模型组合的潮汐预报方法，其特征在于，S3包括如下步骤：根据需要d步超前预报的变量，在潮汐数据中分别利用偏相关系数法选择相关的变量及阶次，作为d步超前预报模型的输入，H(k)为输出，建立偏最小二乘模型；设X(∈R
n
×
m
)为偏最小二乘模型的输入，Y(∈R
n
×
p
)为偏最小二乘模型的输出，偏最小二乘方法完成如下映射：其中，t1和u1是第一个偏最小二乘因子的得分向量，p1和q1是得分向量对应的载荷向量，E1和F1是残差；四个向量t1、u1、p1和q1通过最小化E1和F1确定，得分向量t1和u1之间的内部关系通过线性模型获得：u1＝b1t1+ε1当t1和u1提取信息不足时，通过从残差矩阵中提取信息来迭代计算进一步的分数和加载向量；设X的秩为r，计算r后，Y为：X＝TP
T
,Y＝TBQ
T
+F
r
由于T的列与输出残差F
r
正交且相互正交，因此：X
T
X＝PT
T
TP
T
X
T
Y＝PT
T
TBQ
T
+F
r
＝PBQ
T
将X和Y用P，B和Q的参数矩阵表示，当出现新的数据对时，PLS回归公式如下：等价于包含新数据的全部数据的PLS回归公式如下：所述偏最小二乘模型通过更新原始已得模型和新数据来实现。6.根据权利要求1所述的多模型组合的潮汐预报方法，其特征在于，S4包括如下步骤：对实测数据与第一预报结果的差值进行多尺度小波分解；对每个分量进行时间序列预报的阶次确定，确定输入输出阶次后，利用变结构的径向基函数神经网络进行每个分量的时间序列预报；建立变结构神经网络预报模型的步骤包括：建立滑动数据窗口；潮汐的变化具有动态时变的特性，为了反映潮汐受到环境影响的动态时变特性，建立滑动数据窗口对潮汐进行状...

【专利技术属性】
技术研发人员：杨雪，章文俊，周翔宇，孟祥坤，吕红光，张国庆，白伟伟，尹建川，曹亮，韩冰，吴中岱，
申请(专利权)人：广东海洋大学上海船舶运输科学研究所有限公司，
类型：发明
国别省市：