一种基于深度学习的近岸单点海浪浪高预报方法技术

本发明专利技术公开了一种基于深度学习的近岸单点海浪浪高预报方法，包括如下步骤：步骤一：指定区域海洋水文气象数据集；步骤二：数据清洗和处理得到有效数据并划分出训练集、测试集；步骤三：训练模型得到训练完成后的海浪浪高预测模型；步骤四：对海浪浪高预测模型精度验证，预测海浪浪高结果。本发明专利技术利用自研深度学习模型对单点海浪浪高进行预测，提高了浪高预测精度，对近海海洋水文气象预报减灾具有重要意义；本发明专利技术的预测方法稳定可靠，训练好的模型可直接用于未来近海单点浪高预测应用中，应用简便。

【技术实现步骤摘要】
一种基于深度学习的近岸单点海浪浪高预报方法
本专利技术涉及海洋水文气象预报领域，具体涉及一种基于深度学习的近岸单点海浪浪高预报方法。
技术介绍
海浪对人类的海上活动和近岸活动有着巨大的影响，甚至会造成人员与经济的损失。因此海浪浪高的准确预报对人类进行航海、渔业、海上军事活动、海上作业、海上运动、沿海与近岸工程的规划与设计等相关活动至关重要。目前海浪浪高预报研究方法最主流的是动力学方法，动力学方法是基于谱组成波的能量平衡方程以数值计算方法而建立的，其中最主要的应用就是海浪数值模式，海浪数值模式已经发展到了第三代，是基于波浪生成与耗散物理过程而产生的，其建立在明确的物理过程之上，但由于海浪生成机制非常复杂，目前人们对波浪生成机制的认识还很有限，尤其是近海海浪，因海底地形更为复杂，对海浪浪高预报影响很大，近海海浪浪高的数值模式预报效果还存在一定的局限。近年来，机器学习理论和方法应用蓬勃发展，已在海洋水文气象领域广泛应用，各类机器学习算法包括传统机器学习算法(如随机森林、决策树、支持向量机，神经网络等)和深度学习方法，已在海洋水文气象要素监测、短时临近预报、短期预报领域发挥了积极的重要作用，其应用效果往往明显优于依靠数值模式、统计特征、主观经验积累的传统方法。HintonandSalakhutdinov(2006)提出的“深度学习(deeplearning)”概念，证明了深层神经网络的可训练性，展现了深层神经网络更强大的特征提取和非线性拟合能力。与浅层神经网络、支持向量机等传统机器学习算法相比，深度神经网络不仅能够为复杂非线性系统提供建模、更能够为模型提供更高的抽象层次，从而提高模型的特征提取能力，其优势在于能以更加紧凑简洁的方式来表达比浅层网络大得多的函数集合，并在语音处理、图像识别等领域相比传统方法的性能有了显著提升。在海浪浪高预报领域，深度学习技术能够从海量的海洋水文气象数据中提取特征，能够更有效提取高时空分辨率的中小尺度观测数据的海浪特征，更有效综合应用观测数据、数值模式预报数据等，为近海单点海浪浪高短临预报预警提取更多有效信息，能够有效对数值模式预报进行释用和后处理，提供近海单点海浪浪高短临预报上的更精准的预报结果，同时由于基于深度学习模型对海浪浪高进行预测，所需的计算机算力更少，所以日后实际应用过程中该方法比传统方法成本更低。目前，尽管深度学习技术在海洋水文气象要素短临预报上发挥了重要积极的作用，但总体而言，深度学习技术在海浪浪高的预报上还存在一些问题，例如目前没有一种深度学习算法能够在所有海洋气象应用场景中都取得最好的应用效果，因此需要根据海洋气象要素特征、场景不同，研发针对性深度学习模型，提高海洋气象要素预报的准确性和应用效果。
技术实现思路
针对现有技术的不足，本专利技术的目的在于提供一种基于深度学习的近海单点海浪浪高预报方法，结合近海区域海洋水文气象要素实测数据、数值模式预报数据，实现对近海单点海浪浪高准确度、低成本的短临预报。为达到上述目的，本专利技术的技术方案为：一种基于深度学习的近岸单点海浪浪高预报方法，包括步骤如下：S1.收集区域台站和海洋水文气象数据组成数据集，并对数据集进行处理；S2.对所述数据集进行数据清洗和特征处理，得到有效数据，对所述有效数据进行分类，划分出训练集和测试集；S3.构建基于深度学习的海浪浪高预测模型，用所述训练集对所述基于深度学习的海浪浪高预测模型进行训练，得到训练完成后的海浪浪高预测模型；S4.将所述测试集进行归一化处理，输入所述海浪浪高预测模型进行测试，再通过反归一化处理对所述海浪浪高预测模型进行模型精度验证，得到海浪浪高预测结果。优选地，所述S1中数据集具体包括实测风速、风向、实测波高、模式风速、预测波高和逐小时时间序列。优选地，所述S2中具体为：将所述数据集基于所述逐小时时间序列按照8:2的比列划分为训练集和测试集。优选地，所述S3中的基于深度学习的海浪浪高预测模型包括：一个输入层、两个隐含层和一个输出层，所述两个隐含层分别为CC-LSTM层和全连接层。优选地，所述S3中对所述基于深度学习的海浪浪高预测模型进行训练的方法具体为：步骤1.将t-n时刻的数据输入输入层，获得的输出结果作为第一输出结果，将所述第一输出结果输入所述基于深度学习的海浪浪高模型的节点中，基于若干个单元进行处理，获得的输出结果作为第二输出结果，将所述第二输出结果输出到输出层；步骤2.计算所述第二输出结果和标签数据的误差；步骤3.基于所述步骤1和所述步骤2的方法，依次计算t-n+1、…、t-2、t-1的误差，获得若干个误差；步骤4.将若干个所述误差反向传播，更新每个时刻的权值，将获得的RMSE值作为RMSE最低值；步骤5.调整所述基于深度学习的海浪浪高模型的超参数，对比得到所述RMSE最低值，完成训练。优选地，所述S4中对海浪浪高预测模型进行模型精度验证中，若合格则得到海浪浪高预测结果；反之则返回S2。优选地，对所述海浪浪高预测模型进行模型精度验证的具体方法为：所述测试集完成所述归一化处理，获得归一化后的时间序列，基于所述时间序列，将实测风速、实测风向、实测波高和模式风速输入到训练好的海浪浪高预测模型中，通过所述反归一化处理得到测试集预测浪高预测结果；将得到的预测结果中的预测浪高数据和逐小时时间序列测试集中的预测浪高数据进行对比，计算出平均绝对误差MAE作为指标验证模型精度，计算公式为：其中，n表示测试集的预测浪高时间序列长度，yi表示预测结果中的预测浪高数据，表示逐小时时间序列测试集中的观测浪高数据。优选地，所述S4中归一化处理计算公式为：y＝(x-min)/(max-min)其中，x表示原始变量，y表示归一化后的变量，min表示x中的最小值，man表示x中的最大值。本专利技术公开了以下技术效果：(1)在预报准确率方面，使用本专利技术深度学习模型对近海单点海浪浪高进行预报，相比较传统数值预报模式，能更好的用非线性关系拟合海浪运行机制，预报准确率更高。(2)在效率成本方面，使用本专利技术深度学习模型对近海单点海浪浪高进行预报，相比较传统数值预报模式，能更快、更高效、成本更低的对近海单点海浪浪高进行预报。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术方法的流程示意图；图2为本专利技术的CC-LSTM模型架构示意图；图3为本专利技术的LSTM算子示意图；图4为本专利技术的CC-LSTM模块示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是本文档来自技高网...

【技术保护点】
1.一种基于深度学习的近岸单点海浪浪高预报方法，其特征在于，包括如下步骤：/nS1.收集区域台站和海洋水文气象数据组成数据集，并对数据集进行处理；/nS2.对所述数据集进行数据清洗和特征处理，得到有效数据，对所述有效数据进行分类，划分出训练集和测试集；/nS3.构建基于深度学习的海浪浪高预测模型，用所述训练集对所述基于深度学习的海浪浪高预测模型进行训练，得到训练完成后的海浪浪高预测模型；/nS4.将所述测试集进行归一化处理，输入所述海浪浪高预测模型进行测试，再通过反归一化处理对所述海浪浪高预测模型进行模型精度验证，得到海浪浪高预测结果。/n

【技术特征摘要】
1.一种基于深度学习的近岸单点海浪浪高预报方法，其特征在于，包括如下步骤：
S1.收集区域台站和海洋水文气象数据组成数据集，并对数据集进行处理；
S2.对所述数据集进行数据清洗和特征处理，得到有效数据，对所述有效数据进行分类，划分出训练集和测试集；
S3.构建基于深度学习的海浪浪高预测模型，用所述训练集对所述基于深度学习的海浪浪高预测模型进行训练，得到训练完成后的海浪浪高预测模型；
S4.将所述测试集进行归一化处理，输入所述海浪浪高预测模型进行测试，再通过反归一化处理对所述海浪浪高预测模型进行模型精度验证，得到海浪浪高预测结果。


2.根据权利要求1所述的基于深度学习的近岸单点海浪浪高预报方法，其特征在于，所述S1中数据集具体包括实测风速、风向、实测波高、模式风速、预测波高和逐小时时间序列。


3.根据权利要求1所述的基于深度学习的近岸单点海浪浪高预报方法，其特征在于，所述S2中具体为：将所述数据集基于所述逐小时时间序列按照8:2的比列划分为训练集和测试集。


4.根据权利要求1所述的基于深度学习的近岸单点海浪浪高预报方法，其特征在于，所述S3中的基于深度学习的海浪浪高预测模型包括：一个输入层、两个隐含层和一个输出层，所述两个隐含层分别为CC-LSTM层和全连接层。


5.根据权利要求1所述的基于深度学习的近岸单点海浪浪高预报方法，其特征在于，所述S3中对所述基于深度学习的海浪浪高预测模型进行训练的方法具体为：
步骤1.将t-n时刻的数据输入输入层，获得的输出结果作为第一输出结果，将所述第一输出结果输入所述基于深度学习的海浪浪高模型的节点中，基于若干个单元进行处理，获得的输出结果作为...

【专利技术属性】
技术研发人员：李海涛，孙建，崔天伦，于洋，胡泽涛，
申请(专利权)人：青岛励图高科信息技术有限公司，
类型：发明
国别省市：山东;37