[發(fā)明專利]一種基于經驗模態(tài)分解和深度學習的有效波高預警方法

在審

• 申請?zhí)枺?/td>: 202310267127.9
• 申請日: 2023-03-20
• 公開（公告）號: CN116484271A
• 公開（公告）日: 2023-07-25
• 發(fā)明（設計）人: 陳耀然;蔡燦冬;張丹;吳昊;毛方賽;李孝偉;彭艷
• 申請（專利權）人: 上海大學;上海大學紹興研究院
• 主分類號: G06F18/241
• 分類號: G06F18/241;G06F18/213;G06F18/214;G06N3/0464;G06N3/0455;G06N3/08;G06N5/04
• 代理公司: 上海新隆知識產權代理事務所(普通合伙) 31366
• 代理人: 金利琴

1.一種基于模態(tài)分解和深度學習的有效波高預測方法，其特征在于，包括以下步驟：

A.獲取海面波高數(shù)據(jù)；

B.預處理海面波高數(shù)據(jù)；

C.根據(jù)波高閾值、輸入時間序列長度、預測時間長度參數(shù)制作數(shù)據(jù)集；

D.根據(jù)數(shù)據(jù)集訓練得到有效波高預警。

2.根據(jù)權利要求1所述的一種基于模態(tài)分解和深度學習的有效波高預測方法，其特征在于，所述步驟B)包括缺失值補全，獲取到的有效波高數(shù)據(jù)存在缺失情況，對于這些缺失的數(shù)據(jù)，采用線性插值的方法進行補全，借助Python的SciPy庫完成缺失數(shù)據(jù)的插值補全。

3.根據(jù)權利要求1所述的一種基于模態(tài)分解和深度學習的有效波高預測方法，其特征在于，所述步驟C)包括：

1)數(shù)據(jù)集劃分：將完整的數(shù)據(jù)集序列按照時間順序劃分訓練集和測試集，其中前75％的時間序列用作構建模型訓練集，后25％用作構建模型測試集；

2)數(shù)據(jù)集構建：將長度為L原始時間序列，按照窗口大小w_h劃分成L-w_h+1個時間序列數(shù)據(jù)，對于每個長度為w_h的時間序列其分類標簽由預測時間L_h，有效波高高閾值A_d，有效波高低閾值A_s三個參數(shù)決定，若大于A_d，則該時間序列的標簽為1；若時刻的有效波高小于A_s,則該時間序列的標簽為0；而介于A_d和A_s之間的時間序列數(shù)據(jù)被剔除，不作為模型的訓練數(shù)據(jù)，根據(jù)窗口大小w_h，預測時間L_h，有效波高高閾值A_d，有效波高低閾值A_s四個參數(shù)分別將原始的時間序列L構造成可供模型使用的四個數(shù)據(jù)集：高級別有效波高訓練集、低級別有效波高訓練集、高級別有效波高測試集和低級別有效波高測試集；

3)數(shù)據(jù)集均衡化：為避免高級別有效波高和低級別有效波高之間樣本數(shù)量不均衡對模型訓練和測試帶來的影響，使用上采樣/降采樣方法對低級別有效波高數(shù)據(jù)進行處理，使得高級別和低級別有效波高之間的數(shù)據(jù)數(shù)量保持平衡；

4)數(shù)據(jù)混合和打亂：根據(jù)所述步驟3)操作得到得訓練集和測試集后，將高級別有效波高訓練集和低級別有效波高訓練集進行混合和打亂后得到最終訓練集；將高級別有效波高測試集和低級別有效波高測試集進行混合和打亂后得到最終測試集。

4.根據(jù)權利要求3所述的一種基于模態(tài)分解和深度學習的有效波高預測方法，其特征在于，所述步驟D)包括：

1)模型的輸入輸出：模型的輸入為有效波高的歷史時間序列其輸出為為高水平有效波高的概率p₁和為低水平有效波高的概率p₂；

2)經驗模態(tài)分解：對有效波高時間序列進行經驗模態(tài)分解,得到多個本征模函數(shù)；再將預處理后的有效波高時間序列和本征模函數(shù)在通道上進行疊加，輸入到模型的下一個階段；

3)使用Transformer編碼器進行特征提取：Transformer編碼器模塊接受原始時間序列數(shù)據(jù)和經過經驗模態(tài)分解后的本征模函數(shù)作為特征輸入，對于輸入Transformer編碼器的特征向量，首先經過多頭自注意力進行編碼，自注意力計算公式如下：

其中Q,K,V代表queries、keys、values三個矩陣，d_k代表keys矩陣的維度；經過多頭注意力處理后的特征向量再通過一維卷積、批量歸一化、隨機丟棄模塊以及殘差連接操作，進一步獲得高層語義的時間序列特征；

4)特征分類器：該模塊接受Transformer編碼器提取到的高層語義的時間序列作為特征輸入，首先使用全局平均池化操作將特征矩陣的維度進行降低；再通過稠密連接的前向傳播網絡進一步對特征進行處理和學習；并使用隨機丟棄對模型的泛化性進行增強；最后使用兩層的全連接網絡得到最終的預測結果；

5)對模型訓練：

6)模型推理：模型訓練完成之后輸入有效波高時間序列，通過模型推理就可以得到對未來時刻有效波高的分類概率，并且根據(jù)模型推演結果對海上能量收集裝置進行實時預警，保障海上設備和人員的安全。