(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211140622.5 (22)申请日 2022.09.20 (71)申请人 中国海洋大学 地址 266100 山东省青岛市崂山区松岭路 238号 (72)发明人 解翠　刘修栋　满腾浩　董军宇　 (74)专利代理 机构 北京云嘉 湃富知识产权代理 有限公司 1 1678 专利代理师 谢子运 (51)Int.Cl. G06Q 10/04(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/26(2012.01) (54)发明名称 港池入口波浪多要素的中长期实时预测方 法、 系统及应用 (57)摘要 本发明属于波浪信息预测技术领域， 公开了 港池入口波浪多要素的中长期实时预测方法、 系 统及应用。 所述预测方法包括： 基于滑动窗口构 建数据集， 建立三路输入特征融合深度神经网 络： 一路利用长短期记忆网络LS TM来学习港池入 口处波浪多要素的历史时序规律， 二路采用定制 的二维风浪特征提取模块捕捉港外周边广大海 域波浪与风场多个要素的历史时序时空特征， 三 路对当前时刻进行时间多尺度编码来提取周期 性特征。 本发 明改进了目前深度学习方法预测单 一时间尺度下的单一波浪要素和传统数值模式 无法实时预测的现状， 实现任意港池入口处波浪 多要素的中期、 中长期和长期序列的实时预测， 且中期到长期的预测效果优于目前主流的机器 学习模型。 权利要求书4页 说明书20页 附图16页 CN 115222163 A 2022.10.21 CN 115222163 A 1.一种港池入口处海洋波浪多要素的中长期时序实时预测方法， 其特征在于， 该方法 包括以下步骤： 步骤一， 数据集准备： 获取或生成港池入口处的波浪多要素历史时序 数据， 获取或生成 目标港池外周边海域的二维波浪和 风场多个要素 的历史时序数据， 并进行预处理； 基于滑 动窗口构建三路输入一路输出 的向量数据集， 并将该向量数据集划分为训练集、 验证集和 测试集； 步骤二， 深度神经网络模型的搭建、 训练、 验证、 测试： 分别搭建三路输入的中期、 中长 期和长期时序预测的深度网络模型， 第一路是利用长短期记忆网络 来学习港池入口 处波浪多要素的连续历史序列中隐含的模式规律， 第二路采用融合了通道注意力和空间注 意力的2个定制的二 维风浪特征提取模块捕捉港外周边海域二维波浪与风场多个要素的连 续历史序列中的时空规律特征， 第三路则对当前时刻 进行时间多尺度编码来提取相关的时 间周期性特征， 三路特征拼接融合后输出港池入口处未来多个连续时刻的波浪多要素的预 测结果； 再对构建的三个深度神经网络模型进行迭代训练、 验证和测试， 直到建成用于中 期、 中长期和长期预测的三个深度神经网络模型。 2.根据权利要求1所述的港池入口处海洋波浪多要素的中长期时序实时预测方法， 其 特征在于， 在步骤一中， 所述数据集 准备， 具体包括： （1） 确定目标港池， 获取或生成港池入口处的波浪多要素多年历史时序数据， 包括： 有 效波高、 峰值波周期、 平均波方向的东西分量、 平均波方向的南北分量、 波浪谱宽度； （2） 获取或生成目标港池外周边海域内多年的二维波浪和风场多个要素的历史时序 数 据， 包括： 风速的东西分量、 风速的南北分量、 以及港外周边海域二 维波浪的有效波高、 峰值 波周期、 平均波方向的东西分量、 平均波方向的南北分量、 波浪谱宽度； （3） 进行缺失值的局部反距离加权插值处理,进行数据去季节性和归一化处理， 将数据 转化为0到1之间的无量纲的小数； （4） 基于滑动窗口遍历每一个时刻， 并对每一个时刻构建三路输入和一路输出的数据 集； （5） 将基于滑动窗口构建好的所有向量数据集随机抽取80%为训 练集， 10%为验证集， 10%为测试集， 用于深度神经网络模型的搭建、 训练、 验证和 测试。 3.根据权利要求2所述的港池入口处海洋波浪多要素的中长期时序实时预测方法， 其 特征在于， 在步骤 （3） 中， 所述进行缺失值的局部反距离加权插值处 理， 具体包括： 1） 计算未知点到 选定的局部区域内所有网格点的距离 2） 计算权 重 3） 计算待求的插值 点的值权　利　要　求　书 1/4 页 2 CN 115222163 A 2其中， 为已知下载的若干 网格化数据， 为网格化数据对应的属性值， 为估计空间中缺失的任意 一位置点， 为估计空间中缺失的任意 一位置点的属性 值。 4.根据权利要求2所述的港池入口处海洋波浪多要素的中长期时序实时预测方法， 其 特征在于， 在步骤 （3） 中， 所述进行 数据去季节性和归一 化处理， 具体包括： 遍历全部数据的时刻， 并将当前时刻 对应的属性值 减去全部数据中历史年份相同月 份的属性值的平均值 的差值 ， 再除以其标准差 ， 作为当前时刻的去季节性之后 归一化 的值， 参与标准差计算的均值是 取上一步计算求得的月均值： 。 5.根据权利要求2所述的港池入口处海洋波浪多要素的中长期时序实时预测方法， 其 特征在于， 在步骤 （4） 中， 所述构建三路输入和一路输出的数据集， 具体包括： 第一路进行基于 宽度大小的滑动 窗口逐时刻遍历， 截取出当前时刻及其之前总共 个时刻的港池入口处波浪多要素的连续历史序列向量 ， 作为深度学习模型的第一路 网络的输入向量 ； 第二路进行基于 宽度大小的滑动 窗口逐时刻遍历， 截取当前时刻及其之前总共 个 时刻的港外周边海域二维波浪与风场多个要素的连续历史序列向量 ， 作为深度学习模型 中第二路定制的二维风浪特 征提取模块的输入； 第三路是在滑动窗口遍历过程中， 对每一个遍历到的当前时刻对应的月份和小时进行 基于正弦和余弦函数的时间多尺度编码成向量 ， 作为深度学习模型第3路的输入； 最后一路输出则是在基于 大小的滑动窗口逐时刻 遍历的同时， 截取之后中期、 中长期 和长期各时间区间段对应的未来 个连续时刻的港池 入口处波浪多 要素的序列向量 ； 遍历完所有时刻， 这样则基于滑动 窗口构建完毕向量数据集， 与神经网络中的三路输 入和一路输出对应， 为训练做好 准备。 6.根据权利要求5所述的港池入口处海洋波浪多要素的中长期时序实时预测方法， 其 特征在于， 所述在滑动窗口遍历过程中， 月份信息通过正弦函数和余弦函数编码成维度为2 的向量： 1月是 ， 2月是 ， 以此 类推， 小时编码成维度为2的向量， 总共构成维度为 4的向量 。 7.根据权利要求2所述的港池入口处海洋波浪多要素的中长期时序实时预测方法， 其 特征在于， 在步骤 （5） 中， 深度神经网络模型的搭建、 训练、 验证和 测试， 具体包括： （1） 搭建神经网络模型： 分别搭建三路输入的中期、 中长期和长期时序预测的深度网络 模型， 第一路将目标港池入口处前 个连续时刻的波浪多要素 时序向量 输入长短期记忆 网络 ， 学习港池入口处波浪多要素的连续历史序列中隐含的模 式规律； 第二路将前 个连续时刻的港外周边海域二维波浪与风场要素的时序向量 输入融合通道注意力和空 间注意力的2个定制的二维风浪特征提取模块， 降维后得到风浪特征图再经过一个全连接权　利　要　求　书 2/4 页 3 CN 115222163 A 3