[发明专利]一种基于贝叶斯超参数优化的神经网络的余水位预报方法

说明书

本发明公开一种基于贝叶斯超参数优化的神经网络的余水位预报方法，属于预测目的的数据处理方法技术领域，用于余水位预报。本发明对实测水位数据进行处理，提取余水位，并创建模型的输入数据、输出数据，利用长短期神经记忆网络模型对历史余水位进行深度学习，然后对未来余水位进行精确预报。模型将输入数据及输出数据组成的数据集进行分割，使用贝叶斯超参数进行优化，得到最佳模型参数，然后利用双向长短期记忆神经网络进行训练学习，确定最佳网络结构，实现对验潮站处的未来余水位进行预报的目的。本发明预报时间更长、精度更高，省去复杂的参数设置，操作更加简单且无需对余水位数据进行频谱分析。

技术领域

本发明公开一种基于贝叶斯超参数优化的神经网络的余水位预报方法 ，属于预测目的的数据处理方法技术领域。

背景技术

水位是船舶安全航行、海洋或海岸工程建设、生态环境保护及海底地形测量必须考虑的关键因素，我国沿海分布有大量的验潮站，用于观测海洋水位变化及预报。水位包括由天体周期性运动引起天文潮位和由气候、天气、环境等因素引起的余水位。天文潮位预报可通过对长时间的水位数据调和分析得到稳定的调和常数，然后由调和常数对天文潮位进行预报。目前我国的水位预报工作多以天文潮位预报为主，例如，由国家海洋信息中心发布的潮汐表。而余水位的预报目前尚无成熟的技术方法，这主要因为余水位物理形成机制较为复杂，通常情况下认为余水位与天气、气候、环境等因素高度相关，具有较强的非平稳性、空间一致性、短期延续性，因此造成余水位的预报不能像天文潮位通过调和常数的方式进行预报。而神经网络对非平稳信号的时间预测具有显著优势，例如BP神经网络、循环神经网络（RNN）、径向基函数神经网络(RBF)、极限学习机（ELM）、长短期记忆神经网络（LSTM）等。

因此，本发明结合贝叶斯超参数及双向长短期记忆神经网络（Bi-LSTM）的优点设计基于贝叶斯超参数优化的双向长短期神经记忆网络预报余水位的方法。该方法预报精度可达10cm以内，且相对常规神经网络在同样精度下预报时间延长一倍。

发明内容

本发明的目的在于提供一种基于贝叶斯超参数优化的神经网络的余水位预报方法，以解决现有技术中，余水位预报精度有限的问题。

一种基于贝叶斯超参数优化的神经网络的余水位预报方法，包括：

S1.对验潮站的水位数据进行调和分析，得到调和常数并回报天文潮位；

S2.验潮站历史实测水位数据减去天文潮位，获取余水位；

S3.创建模型的输入数据、输出数据，输入数据为验潮位处的余水位及附近风速风向、气压、流速流向、温度等特征变量数据，输出数据包括验潮站处的历史余水位或待预报余水位；

S4.将模型输入数据及输出数据组成的数据集进行分割，80%作为训练数据，20%作为验证数据；

S5.双向长短期记忆神经网络初始参数延迟设为22，计算最大历元数设为1000，滑动窗口设为32；

S6.使用贝叶斯超参数对网络层数、网络节点数、双向神经网络、初始学习率、L1或L2正则化系数进行优化；

S7.使用双向长短期记忆神经网络进行训练学习，确定最佳网络结构；

S8.对验潮站的未来余水位进行预报。

S3中，当使用单验潮站的历史余水位对该站的未来余水位进行预报时，数据集为由该验潮站历史余水位组成的二维数组；