[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

本發明公開了一種基于GRU的調和殘差分段式潮位預測方法，該方法利用待測站點長期實測潮位數據，首先采用潮汐調和分析方法計算出站點逐時天文潮序列，用該站點實測逐時潮位序列按時間對齊并減去天文潮序列，得到逐時潮位調和殘差序列，綜合考慮季風和臺風等特征因子影響作用時段，將調和殘差序列拆分為兩段樣本作為輸入變量，分別訓練形成兩個潮位殘差GRU預測模型，計算得到殘差預測結果序列，最后將殘差預測結果序列加上對應時序的天文潮序列，得到潮位預測結果，該方法僅需使用單一站點潮汐長時間序列數據即可實現潮位預測，無需其他因子參與，實現了站點潮位數據的高精度預測，提高了潮位預測過程的效率。

技術領域

本發明涉及海洋潮位預測技術領域，更具體的說是涉及一種基于GRU的 調和殘差分段式潮位預測方法。

背景技術

目前，海洋潮位變化主要包括受天體引潮力影響的天文潮和受海洋環境 因子影響的非線性潮位變化，關于潮汐調和分析方法的研究已經十分深入， 這些模型雖然能夠很好的反映天體對于潮汐的影響，但是，對于海洋環境因 子影響的非線性潮位變化考慮不足，且受限于其中的物理關系的認知，導致 現有以調和分析方法得到的分析結果仍存在較大的不確定性。

同時，隨著人工智能技術的迅猛發展，已經有學者利用神經網絡算法開 展潮位預測研究。但總體上，目前基于大數據方法開展的潮汐預測研究，仍 主要將潮汐整體作為分析對象，或考慮的關聯因子具有較大的局限性，或納 入的因子過多導致運行效率低，難以滿足實際應用中對高精度、高效率的潮 位預測需求。

因此，如何提供一種預測精度高且更加高效可靠的潮位預測方法是本領 域技術人員亟需解決的問題。

發明內容

有鑒于此，本發明提供了一種基于GRU的調和殘差分段式潮位預測方法， 有效解決了現有的非線性潮位變化預測方法在分析對象和關聯因子考慮等方 面存在一定程度上的局限性以及預測精度不足等問題。

為了實現上述目的，本發明采用如下技術方案：

一種基于GRU的調和殘差分段式潮位預測方法，該方法包括：

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。

進一步地，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。

進一步地，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；