[发明专利]一种基于深度学习的海浪高度预测方法及其应用

说明书

本发明公开了一种基于深度学习的海浪高度预测方法及其应用，方法：将海浪数据信息分别输入AM‑LSTM模型和CatBoost模型获取输出P1和P2后，按照以下公式对P1和P2进行重构得到预测序列P；P＝q2*P1+q1*P2，其中，w1是指经AM‑LSTM模型输出的MAE、RMSE及MAPE的均值，w2是指经CatBoost模型输出的MAE、RMSE及MAPE的均值。本发明的海浪高度预测方法，兼顾了深度学习中的LSTM在处理长期数据预测方面的优势以及注意力机制本身的特点和CatBoost的参数少、训练快和不易过拟合的特点，对预测后的数据进行重构，其预测精度高，泛化性能强，特别适用于海浪高度的预测，极具应用前景。

技术领域

本发明属于时间序列预测技术领域，涉及一种基于深度学习的海浪高度预测方法及其应用，特别涉及一种基于深度学习和CatBoost的多变量海浪高度预测方法及其应用。

背景技术

近年来，人类的探索重心逐渐从陆地转向海洋，海水养殖、海洋运输和滨海旅游等海洋资源的开发利用对经济产值有很大促进作用。世界各国，主要沿海国家都充分认识到发展海洋经济的战略意义。海浪高度是海洋学研究中的重要参数之一，其变化会对海上作业、港口码头建设和沿海居民生活都产生很大的影响，甚至会导致沿海活动暂停和海上相关工作减少的极端情况。因此，海浪高度的准确预测在人类的海洋活动中起着至关重要的作用，进行浪高的预测研究具有十分重要的现实意义。

国内外很多的研究人员都对海浪高度的预测方法进行了深入的探究。目前已经提出了传统数值模型、单一预测模型和组合预测模型的方法用于海浪的高度预测。

早期，传统数值模型是研究海浪高度预测中最主要的方法，如WAM、JSONSWAP、SWAN、WIS、WAVEWATCH III已被用来预测海浪高度。文献一(苗琪,徐福敏,俞茂玲.WAVEWATCHⅢ不同海冰源项的海浪模拟效果对比[J].海洋学报,2020,42(09):22-29.)验证了第三代数值模型在不同海冰源项的海浪模拟效果对比。文献二(冯司宇,马小舟,董国海.波高非线性概率分布高阶谱数值模型研究[J].海洋学报,2019,41(03):44-51.)通过使用高阶谱模型对不同初始条件下海浪高度数值模拟。然而当计算大型模型时，由于大量数据和计算的复杂性，需要高性能计算机和显著的时间成本，在需要快速结果的紧急情况下，数值计算不可靠。