[发明专利]基于深度学习的台风期间近海海浪波高预测系统、计算机设备、存储介质

权利要求书

1.一种基于深度学习的台风期间近海海浪波高预测系统，其特征在于，包括双向门控循环单元(BiGRU)模型，所述的双向门控循环单元模型包括两个门控循环单元(GRU)组成的序列处理模型，一个输入是向前输入，另一个输入是反向输入，是一个只有输入门和忘记门双向递归神经网络。模型的输入为台风期间沿海浮标获取的实时数据与台风的实时数据，包括近海浮标获得的实时波高、气压和风速、台风中心的最低气压和实时风速、计算出的台风中心与浮标之间的距离等6个参数作为模型输入，最终输出为未来3小时、6小时、12小时以及24小时的预测波高。

2.如权利要求1所述的系统，其特征在于，所述的门控循环单元(GRU)对多元时间序列进行充分的特征提取，不断学习多元时间序列的长期依赖关系，其具体包括：首先通过上一个传输下来的状态和当前节点的输入来获取两个门控状态，分别是控制重置的门控(resetgate)和控制更新的门控(update gate)，得到门控信号之后，使用重置门控来得到“重置”之后的数据，将该数据与当前节点的输入进行拼接，再通过双曲正切函数将数据缩放到-1～1的范围内，最后使用上文所述的更新门控进行“遗忘”和“记忆”功能，将状态进行更新到0～1之间，门控信号越接近1，代表“记忆”下来的数据越多。

3.如权利要求1所述的系统，其特征在于，所述的双向门控循环单元(BiGRU)模型能够让数据从正反两个方向同时输入，使每一时刻的信息都包含了前后时刻的序列信息，相当于网络在某个特定时刻的序列信息增多，充分利用历史数据的信息，从而使预测更加准确。BiGRU的基本思想是将每个训练序列向前和向后呈现给两个单独的隐藏层，这两个层都连接到相同的输出层。因此输出层就具有了输入序列中每个点的完整过去和未来的信息，，BiGRU的前向计算跟单向GRU一样，但是双向GRU的输入序列对于两个隐含层是相反方向的，而且输出层直到两个隐含层处理完所有的全部输入序列才更新。BiGRU的后向计算也与GRU相似，所有的输出层项首先被计算，然后再返回给两个不同方向的隐含层。

4.如权利要求1所述的系统，其特征在于，所述系统的输入为选定的6个变量，输入变量含有气象部门实时发布的台风基础数据，包含台风中心的最低气压和实时风速、位置数据(计算出的台风中心与浮标之间的距离)；输入变量含有浮标获取的即时数据，包括实时波高、气压和风速。

5.如权利1所述的系统，其特征在于，对所述的双向门控循环单元模型利用已有的大量台风观测数据以及大量台风期间中国近海浮标的相关数据进行训练，并获得了完善的模型参数。

6.一种计算机设备，包括存储器，显卡，中央处理器，以及存储在所述存储器上的可被所述中央处理器以及显卡并行处理的可执行程序，其特征在于，所述中央处理器所执行所述程序时实现一下步骤：构建双向门控循环单元(BiGRU)模型，所述的双向门控循环单元模型包括两个门控循环单元(GRU)组成的序列处理模型，一个输入是向前输入，另一个输入是反向输入，是一个只有输入门和忘记门双向递归神经网络。模型的输入为台风期间沿海浮标获取的实时数据与台风的实时数据，包括近海浮标获得的实时波高、气压和风速、台风中心的最低气压和实时风速、计算出的台风中心与浮标之间的距离等6个参数作为模型输入，最终输出为未来3小时、6小时、12小时以及24小时的预测波高。

7.如权利要求7所述的计算机设备，其特征在于，门控循环单元对多元时间序列进行充分的特征提取，不断学习多元时间序列的长期依赖关系，其具体包括：首先通过上一个传输下来的状态和当前节点的输入来获取两个门控状态，分别是控制重置的门控和控制更新的门控，得到门控信号之后，使用重置门控来得到“重置”之后的数据，将该数据与当前节点的输入进行拼接，再通过双曲正切函数将数据缩放到-1～1的范围内，最后使用上文所述的更新门控进行“遗忘”和“记忆”功能，将状态进行更新到0～1之间，门控信号越接近1，代表“记忆”下来的数据越多。