[发明专利]一种多站位在线波周期数据的预测诊断方法

说明书

本发明公开了一种多站位在线波周期数据的预测诊断方法，包括时空样本测试训练阶段和时空模型动态计算调整阶段，所述时空样本测试训练阶段包括时间模型测试训练和空间模型测试训练两个过程；所述时空模型动态计算调整阶段包括时间模型与空间模型混合计算诊断、时空模型权值调整、时间模型动态调整、空间模型动态调整四个过程；所述时间模型采用RBF神经网络模型，所述空间模型采用线性神经网络模型，本发明所公开的方法在单个站位时间序列数据自分析基础上，增加多个站位间的空间互分析，将单站位时间分析与多站位空间分析有效结合，提高了预测诊断精度和准确性。

技术领域

本发明涉及海洋波浪监测领域，特别涉及一种多站位在线波周期数据的预测诊断方法。

背景技术

现在，针对海洋波浪监测单站位所监测到的在线波周期数据，只能进行简单的海陆通讯过程的发送与接收校验来判断通讯环节是否有数据错误。现有的数据在线接收软件也只能进行数据范围(如大于等于0小于30秒)的简单判断，针对具体的数据不能进行实质性的诊断。针对海洋测波仪器所测得数据是否异常存在预测与诊断方法的缺失，海洋测波仪器异常、空缺数据不能及时有效的发现和补充，需要人工进行有针对性的判断和识别。

现有的数据预测诊断技术主要有自回归移动平均模型，神经网络模型等，用于时间序列预测的神经网络模型主要有线性神经网络，BP神经网络和RBF神经网络等。

现有的自回归移动平均模型和神经网络模型大多针对既有数据进行处理，模型往往是静态不变的或者是复杂耗时的，这样导致模型准备率低或者运行速度慢，未考虑到在线监测过程中数据的实时更新，在线海洋监测过程中，需要及时有效地判断出异常数据，并对空缺时次数据进行及时预测补充。

同时，空间地理距离相近的多个海洋监测站位间，海洋监测数据是有相关性的，然而，现有技术没有对多个站间的数据的关联性进行考虑，这导致站位间的联系性不强，数据分析不够完整准确。

发明内容

为解决上述技术问题，本发明提供了一种多站位在线波周期数据的预测诊断方法，以达到在单个站位时间序列数据自分析基础上，增加多个站位间的空间互分析，将单站位时间分析与多站位空间分析有效结合，提高预测诊断精度和准确性的目的。

为达到上述目的，本发明的技术方案如下：

一种多站位在线波周期数据的预测诊断方法，包括时空样本测试训练阶段和时空模型动态计算调整阶段，所述时空样本测试训练阶段包括时间模型测试训练阶段和空间模型测试训练阶段两个过程；所述时空模型动态计算调整阶段包括时间模型与空间模型混合计算诊断、时空模型权值调整、时间模型动态调整、空间模型动态调整四个过程；所述时间模型采用RBF神经网络模型，所述空间模型采用线性神经网络模型。

上述方案中，所述预测诊断方法具体包括如下过程：

(1)利用时间样本进行训练得到RBF神经网络初始时间模型，利用空间样本进行训练得到线性神经网络初始空间模型；

(2)加载已经训练好的RBF神经网络初始时间模型和线性神经网络初始空间模型，根据波浪传感器获得的实时海洋波最新的时间序列输入和空间序列输入，逐一进行实际预测计算，分别得到时间预测结果和空间预测结果，时间预测结果和空间预测结果根据加权计算得到时空综合预测结果；

(3)将得到的时空综合预测结果与下一时刻的实测结果判断数据是否异常，若当前时刻数据缺测或者数据异常，则用预测值补充作为当前值；对判断为有效值的实测值，作为最新数据形成新时间样本和新空间样本，分别用于RBF神经网络动态时间模型的再训练调整和线性神经网络动态空间模型的再训练调整，在模型的不断训练调整中进行数据的动态预测诊断。

进一步的技术方案中，所述步骤(1)中，RBF神经网络初始时间模型的训练包括如下过程：