[發明專利]一種基于GRU的調和殘差分段式潮位預測方法

在審

• 申請號: 202110431838.6
• 申請日: 2021-04-21
• 公開（公告）號: CN113077110A
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 韋廣昊;苗慶生;楊揚;鄭兵;岳心陽;李程;王凱悅;楊錦坤
• 申請（專利權）人: 國家海洋信息中心
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06N3/08
• 代理公司: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 符繼超

1.一種基于GRU的調和殘差分段式潮位預測方法，其特征在于，包括：

獲取待測站點預設時段內的實測逐時潮位序列，并對所述實測逐時潮位序列進行調和分析，得到逐時天文潮序列；

將所述實測逐時潮位序列按時間對齊，并減去所述逐時天文潮序列，得到逐時潮位調和殘差序列；

將所述逐時潮位調和殘差序列按照雨季或臺風時段以及非雨季時段進行拆分，得到兩段樣本數據序列；

建立GRU神經網絡模型，并將兩段樣本數據序列分別輸入所述GRU神經網絡模型進行訓練，得到雨季/臺風期潮位殘差GRU預測模型和非雨季潮位殘差GRU預測模型；

根據雨季/臺風期潮位殘差GRU預測模型和非雨季潮位殘差GRU預測模型，計算得到對應的殘差預測序列；

將殘差預測序列加上對應時序的所述逐時天文潮序列，得到潮位預測結果。

2.根據權利要求1所述的一種基于GRU的調和殘差分段式潮位預測方法，其特征在于，所述潮位調和殘差序列的計算公式為：

res(t)＝wl(t)-har(t)

其中，res(t)表示潮位調和殘差序列，wl(t)表示時間對齊后的實測逐時潮位序列，har(t)表示逐時天文潮序列。

3.根據權利要求1所述的一種基于GRU的調和殘差分段式潮位預測方法，其特征在于，建立GRU神經網絡模型，并將兩段樣本數據序列分別輸入所述GRU神經網絡模塊進行訓練，得到雨季/臺風期潮位殘差GRU預測模型和非雨季潮位殘差GRU預測模型的過程，具體包括：

建立GRU神經網絡模型，并設置所述GRU神經網絡模型的訓練參數；

將兩段樣本數據分別拆分出訓練集和測試集，所述訓練集用于對所述GRU神經網絡模型進行訓練，所述測試集用于對訓練好的所述GRU神經網絡模型進行測試，得到雨季/臺風期潮位殘差GRU預測模型和非雨季潮位殘差GRU預測模型。

4.根據權利要求3所述的一種基于GRU的調和殘差分段式潮位預測方法，其特征在于，所述訓練集和所述測試集的數據比例為8:2。

5.根據權利要求1所述的一種基于GRU的調和殘差分段式潮位預測方法，其特征在于，所述潮位預測結果的計算公式為：

式中，wl_pre_雨季(t)表示雨季/臺風期潮位預測結果，fore_雨季(t)表示雨季/臺風期殘差預測序列，hart_雨季(t)表示雨季/臺風期逐時天文潮序列，wl_pre_非雨季(t)表示非雨季潮位預測結果，fore_非雨季(t)表示非雨季殘差預測序列，hart_雨季(t)表示非雨季逐時天文潮序列。

6.根據權利要求1所述的一種基于GRU的調和殘差分段式潮位預測方法，其特征在于，獲取待測站點預設時段內的實測逐時潮位序列，所述預測時段為2年或2年以上。

7.根據權利要求1所述的一種基于GRU的調和殘差分段式潮位預測方法，其特征在于，所述雨季或臺風時段為當年4月份至9月份，所述非雨季時段為當年10月份至次年3月份。

8.根據權利要求1所述的一種基于GRU的調和殘差分段式潮位預測方法，其特征在于，還包括：

采用均方根誤差和平均絕對誤差對所述潮位預測結果進行評估。

9.根據權利要求8所述的一種基于GRU的調和殘差分段式潮位預測方法，其特征在于，所述均方根誤差的計算公式為：

式中，RMSE表示均方根誤差，l為數據樣本個數，y_i^obs為實測值，y_i^pre為預測值。

10.根據權利要求8所述的一種基于GRU的調和殘差分段式潮位預測方法，其特征在于，所述平均絕對誤差的計算公式為：

式中，MAE表示平均絕對誤差，l為數據樣本個數，y_i^obs為實測值，y_i^pre為預測值。