[发明专利]一种基于深度学习的海浪有效波高时间序列预测方法

权利要求书

1.一种基于深度学习的海浪有效波高时间序列预测方法，以过去至少12小时的海浪相关变量作为输入，以一定时间步长后的海浪有效波高数值作为输出，其特征在于，具体步骤如下：

(1)对于海浪浮标站采集到的数据，包括海浪有效波高、阵风风速、平均风速、平均波周期、主波波周期和空气温度，采用离差标准化对海洋浮标站采集到的海浪相关原始数据进行预处理，将数据线性映射到[0,1]范围内，转化方式如下：

(2)对于预处理后的数据，将其进行小波分解，并将小波分解系数序列重构得到各级分解子序列，以将噪声、短期变化和长期趋势分隔开；具体为：

将海浪相关变量的时间序列信号进行小波变换，得到原始尺度信号和各级小波信号的系数：

其中，x(t)为原始的海浪相关变量时间序列信号，为原始尺度函数信号向右平移k的距离得到的信号，c₀[k]为该平移得到的信号的对应系数，ψ_j,k(t)为小波信号经过横向拉伸为2^j倍后向右平移k的距离得到的信号，d_j[k]为该平移和展缩得到的信号的对应系数；通过c₀[k]和d_j[k]根据选择的小波种类，对原信号进行复原；

采用db2小波对原始海浪相关变量时间序列信号进行3级小波分解，并将得到的多个小波系数复原为与输入等长度的序列；

(3)对于海浪各变量的小波分解结果，将其输入带残差的卷积神经网络，通过卷积神经网络具有的权重共享和局部连接的特点，提取小波分解得到的各级子序列的表征信息；具体如下：

假设卷积核为w，输入为x，偏置为b，*代表卷积运算，f(·)代表激活函数，h表示计算生成的结果，那么卷积运算表示成：

h＝f(w*x+b)#(3)

对于小波分解得到的多个海浪相关变量分解子小波序列，将不同输入海浪相关变量的同一级小波分解结果，作为同一组网络输入的不同通道；对每个经过小波变换得到的每一维子序列，将其进行等长度分割，然后分别拼成二维的矩阵，作为一组输入的某一个通道的输入；在构建卷积残差神经网络的过程中，采用先提升卷积层的通道数，对小波变换后重构的小波子序列进行充分的特征提取，再通过降低卷积层的通道数进行特征融合并降低后续的线性层神经网络的连接数，以降低计算压力；

(4)最后将卷积残差网络的输出，转换成为一维的序列，通过两层的线性层，将输出归结到一个点，作为预测的海浪有效波高的结果；其中，在训练过程中，在第一层的线性层后引入dropout层，使得部分网络输出的结果为0；并设置权重值，避免单个参数的数值过大而对网络造成主要影响，以提高网络的泛化能力。