【技术实现步骤摘要】
本专利技术涉及海洋水文气象预报领域，具体为一种海浪下有效波高的预测方法。
技术介绍
1、作为最重要的海洋现象之一，对波浪进行研究对于保障航行安全、海岸活动和气候系统都具有至关重要的意义，波浪的复杂、随机性质给海岸和海洋研究工作带来了很大的挑战。海岸和近海工程师通常使用现场测量、理论研究和数值模拟等不同方法来识别波浪气候和极端波浪特征以及波浪的年属性。在航海和渔业领域，海浪预报在抵御恶劣海况和保障作业安全方面发挥着重要作用。波浪主要以波高、波周期和波向等要素进行描述，其中波高在波浪参数中占据着首要地位。目前，波高预报的研究多基于数值模拟，但数值模型预测存在计算时间长、范围广、精度要求高等问题。
2、目前常用的数值预报模型是物理规律驱动的数值逼近模型，通过迭代计算求解物理方程实现波浪预报。智能预报系统的主要预报工具为深度学习预报模型，这是一种由大数据驱动的智能预报模型，利用深度学习方法从历史风浪数据中学习海浪的时空演化规律，从而实现波浪预报。
3、通常情况下，波浪传播过程中，各位置上的有效波高除了受到风的作用，还受到一些其他特征的影响，但如何去选取特征是有必要去考虑的。因此，为更准确的认识并掌握基于深度学习智能化预报海浪有效波高方法，有必要考虑特征权重对预报的影响，提高预报的准确性。
技术实现思路
1、本专利技术的目的在于提供一种海浪下有效波高的预测方法，用于解决现有数值模型存在的计算量大、成本高、无法快速预测、对特征工程的依赖等缺陷，实现低成本的快速精确预测。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种海浪下有效波高的预测方法，包括如下步骤：
4、步骤一：基于历史noaa浮标数据，组成数据集；将所述数据集进行预处理筛除缺失值和异常值数据后，划分为训练集和测试集；
5、步骤二：采用tensorflow架构，从keras库中调用lstm层搭建lstm模型后添加attention层，获取lstm神经网络和attention机制相结合的预报模型；
6、步骤三：使用所述训练集对所述预报模型进行迭代训练，并将所述测试集输入至训练好的所述预报模型中进行测试；并根据反归一化处理对所述预报模型精度进行验证，将满足预设预报精度标准评价的所述预报模型作为海浪有效波高预报模型；
7、步骤四：将海浪待测点浮标数据输入至所述海浪有效波高预报模型输出后，确定海浪待测点有效波高。
8、进一步的，所述步骤一中数据集具体包括风向、平均风速、峰值风速度、主导波周期、平均波周期、波向、海平面压力、空气温度、海面温度和有效波高。
9、进一步的，所述步骤三中训练集和测试集的输入数据分别包括风向、平均风速、峰值风速度、主导波周期、平均波周期、波向、海平面压力、空气温度和海面温度；所述训练集和测试集的输出数据分别包括有效波高。
10、进一步的，所述步骤一中划分数据集具体为，将所述数据集基于时间序列按照年份数据进行3:1划分为训练集和测试集。
11、进一步的，所述海浪有效波高预报模型的具体训练方法包括：
12、将所述训练集的输入数据输入到lstm神经网络，根据前一时刻数据变化规律进行预测，并对预测信息输出；
13、将所述lstm预测信息输入到添加的所述attention层，attention层对lstm神经网络的输出信息分配概率权重，并采用动态调整学习率，提升所述海浪有效波高预报模型的泛化性。
14、进一步的，所述lstm神经网络的数学模型为：
15、it＝σ(xtwxi+ht-1whi+bi)
16、ft＝σ(xtwxf+ht-1whf+bf)；
17、ot＝σ(xtwxo+ht-1who+bo)；
18、
19、
20、
21、式中：it，ft，ot，分别表示输入门，遗忘门，输出门；xt表示输入数据，wij表示输出门的权重矩阵，ht-1表示前一时间步的隐状态，bi表示输出门的偏置项，σ表示激活函数，ct分别表示候选记忆元和记忆元，其中表示矩阵元素相乘。
22、进一步的，所述attention机制数学模型为：
23、et＝σ(wext+be)
24、式中：et，we，be，σ分别表示当前时刻各输入数据对应的权重系数组合、可训练权重矩阵、偏置向量和激活函数；
25、通过sofimax函数对各注意力权重系数进行归一化处理，得到注意力权重，其中αm，t为第m个特征的注意力权重值，表示为：
26、
27、将输入特征向量xt重新计算为加权向量，表示为：
28、
29、进一步的，所述归一化处理计算公式为：
30、
31、
32、其中，x*是标准化后的数据，x是原始数据，是原始数据的均值，δ是原始数据标准差。经过处理的特征数据符合均值为0，标准差为1的标准正态分布。
33、进一步的，所述预报模型精度验证的方法具体包括：
34、将测试集输入训练好的所述预报模型中，通过反归一化处理得到预报的有效波高；
35、将预报波高和所述测试集内的有效波高进行比对，计算均方根误差、平均绝对误差、平均绝对百分比误差和拟合优度作为评价指标验证模型精度；其计算公式为：
36、
37、
38、
39、
40、其中，表示深度学习预报结果；y表示noaa数据集中的有效波高；表示noaa数据集中有效波高平均值；n表示观测次数；rmse表示均方根误差；mae表示平均绝对误差；mape表示绝对百分比误差；r2表示拟合优度。
41、本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：
42、本专利技术提供的一种海浪下有效波高的预测方法，先基于历史noaa浮标数据，组成数据集；将数据集进行预处理筛除缺失值和异常值数据后，划分为训练集和测试集；并采用tensorflow架构，从keras库中调用lstm层搭建lstm模型后添加attention层，获取lstm神经网络和attention机制相结合的预报模型；将训练集输入对所述预报模型进行迭代训练，并将所述测试集输入至训练好的所述预报模型中进行测试；并根据反归一化处理对所述预报模型精度进行验证，将满足预设预报精度标准评价的所述预报模型作为海浪有效波高预报模型；使用该有效波高的预测方法能够获得：
43、(1)本专利技术适用于海浪有效波高数据预测，所设计的预测模型采用了lstm神经网络和attention机制相结合的网络结构，具有的优点包括：lstm，充分提取时序数据信息的特征，提高模型预测精度，适用于时间序列数据的预测；attention机制可以对lstm的预测结果进行赋予权重，提取出预测结果中的重要部分。
44、(2)解决了现有数值模本文档来自技高网...
【技术保护点】
1.一种海浪下有效波高的预测方法，包括：
2.根据权利要求1所述的海浪下有效波高的预测方法，其特征在于，所述数据集包括风向、平均风速、峰值风速度、主导波周期、平均波周期、波向、海平面压力、空气温度、海面温度和有效波高；其中，所述训练集和测试集的输入数据分别包括风向、平均风速、峰值风速度、主导波周期、平均波周期、波向、海平面压力、空气温度和海面温度；所述训练集和测试集的输出数据分别包括有效波高。
3.根据权利要求1所述的海浪下有效波高的预测方法，其特征在于，所述步骤一中的所述数据集进行预处理具体包括：数据标注、数据清洗、归一化和特征处理。
4.根据权利要求1所述的海浪下有效波高的预测方法，其特征在于，所述数据集基于时间序列，且按照年份数据以3:1的比例划分为所述训练集和测试集。
5.根据权利要求2所述的海浪下有效波高的预测方法，其特征在于，所述海浪有效波高预报模型的具体训练方法包括：
6.根据权利要求2所述的海浪下有效波高的预测方法，其特征在于，所述LSTM神经网络的数学模型为：
7.根据权利要求2所述的海浪下
8.根据权利要求3所述的海浪下有效波高的预测方法，其特征在于，所述归一化处理计算公式为：
9.根据权利要求1所述的海浪下有效波高的预测方法，其特征在于，所述步骤三中所述预报模型精度验证的方法具体包括：
...【技术特征摘要】
1.一种海浪下有效波高的预测方法，包括：
2.根据权利要求1所述的海浪下有效波高的预测方法，其特征在于，所述数据集包括风向、平均风速、峰值风速度、主导波周期、平均波周期、波向、海平面压力、空气温度、海面温度和有效波高；其中，所述训练集和测试集的输入数据分别包括风向、平均风速、峰值风速度、主导波周期、平均波周期、波向、海平面压力、空气温度和海面温度；所述训练集和测试集的输出数据分别包括有效波高。
3.根据权利要求1所述的海浪下有效波高的预测方法，其特征在于，所述步骤一中的所述数据集进行预处理具体包括：数据标注、数据清洗、归一化和特征处理。
4.根据权利要求1所述的海浪下有效波高的预测方法，其特征在于，所述...
【专利技术属性】
技术研发人员：罗锋，张杰，秦易凡，周光淮，孙志乔，
申请(专利权)人：河海大学，
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。