一种无径流资料河口的潮汐预测方法、装置及存储介质

本发明涉及一种无径流资料河口的潮汐预测方法、装置及存储介质，属于河口海岸数据处理。

背景技术：

1、河口作为海陆交互的地带，是自然因素交互作用强烈和人类活动密集的地区。径流与潮汐是河口地区两个主要的水文要素，它们相对独立，又相互影响，形成了特殊的河口潮汐现象。受地形、岸线和上游径流等因素影响，河口潮汐分潮的振幅和迟角等参数相对于海洋潮汐会随时间变化，表现出非稳态的特点，潮汐过程呈现出明显的时空差异，河口潮汐的预报难度也显著上升。

2、虽然目前已经有调和分析模型、水动力模型、水文模型和非稳态调和分析模型等方法可以实现河口潮汐的预测，但前述模型的应用大都需要上游径流信息作为模型输入。在全球上千个河口中，并非所有河口都有上游实测径流资料，尤其是对于中小型河口而言，当上游径流资料缺失的情形下，还缺少行之有效的预报方法。

技术实现思路

1、本发明的目的在于提供一种无径流资料河口的潮汐预测方法、装置及存储介质，能够实现无径流资料河口的潮汐预测。

2、为达到上述目的，本发明提供如下技术方案：

3、第一方面，本发明提供一种无径流资料河口的潮汐预测方法，包括：

4、获取验潮站的潮位数据，并将所述潮位数据划分为训练集数据和测试集数据；

5、利用所述训练集数据，对预构建的lightgbm模型进行优化训练，获取lightgbm1预报模型和lightgbm2预报模型；

6、利用所述测试集数据，对所述lightgbm1预报模型和lightgbm2预报模型进行精度测试和比较，获取优选预报模型；

7、利用所述优选预报模型，对无径流资料河口进行潮汐预测。

8、结合第一方面，进一步的，利用所述训练集数据，对预构建的lightgbm模型进行优化训练，获取lightgbm1预报模型和lightgbm2预报模型包括：

9、利用所述训练集数据，对预构建的lightgbm模型进行优化训练；

10、采用递归方法，将所述lightgbm模型每步的预报值反馈给所述lightgbm模型作为输入，以获取lightgbm1预报模型；

11、采用回归模型方法，分别对历史潮位序列和预报序列建立回归模型，以获取lightgbm2预报模型；

12、利用所述训练集数据，对所述lightgbm1预报模型和lightgbm2预报模型进行训练优化。

13、结合第一方面，进一步的，所述lightgbm模型的表达式如公式(1)所示：

14、

15、公式(1)中，ηi为采用i棵决策树的lightgbm模型的输出，i为决策树的数目，i为第i棵决策树，x为lightgbm模型的输入层参数，θi为lightgbm模型的输入层参数与输出层参数间的拓扑结构，ti(x,θi)为lightgbm模型在输入层参数为x时根据拓扑结构θi获取的第i棵决策树的输出值。

16、结合第一方面，进一步的，所述lightgbm模型的目标函数表达式如公式(2)所示：

17、obji＝l(η-ηi)+ωi          (2)

18、公式(2)中，obji为lightgbm模型第i棵决策树的目标函数，l(η-ηi)为损失函数，ηi为用到第i棵决策树时lightgbm模型的输出，η为实测潮位，ωi为正则化函数；

19、其中，所述正则化函数的表达式如公式(3)所示：

20、

21、公式(3)中，α为用于调整lightgbm模型训练的第一参数，β为用于调整lightgbm模型训练的第二参数，j为第j个叶子节点，j为lightgbm模型的叶子节点总数，ωj为lightgbm模型的第i棵决策树上第j个叶子节点上的输出值。

22、结合第一方面，进一步的，将所述训练集数据进一步划分为训练集输入层数据和训练集输出层数据，将所述测试集数据进一步划分为测试集输入层数据和测试集输出层数据；所述训练集输入层数据和测试集输入层数据的维度为w维，所述训练集输出层数据和测试集输出层数据的维度为l维。

23、结合第一方面，进一步的，所述训练集输入层数据和测试集输入层数据的维度w，根据自数值试验，以单步预测均方根误差最小为原则确定；所述训练集输出层数据和测试集输出层数据的维度l，根据自预报时间长度需求，由用户自定义确定。

24、结合第一方面，进一步的，采用所述lightgbm1预报模型获取潮位预报值包括：

25、将历史步长为w的潮位序列点输入至所述lightgbm1预报模型，获取下一个步长的潮位预报值；

26、将所获取的下一个步长的潮位预报值和与其最接近的步长为w-1的潮位序列点重新组合，获取新的步长为w的潮位序列点，并将所获取的新的步长为w的潮位序列点输入至所述lightgbm1预报模型，获取再下一个步长的潮位预报值，以此类推，获取步长为1～l的潮位预报值。

27、结合第一方面，进一步的，采用所述lightgbm2预报模型获取潮位预报值包括：

28、对历史步长为w的潮位序列点和要预测的第一个步长的潮位序列点建立回归模型，获取第一个步长的潮位预报值，以此类推，对历史步长为w的潮位序列点和要预测的第2～l个步长的潮位序列点分别建立回归模型，分别获取第2～l个步长的潮位预报值，汇总得到步长为1～l的潮位预报值。

29、第二方面，本发明提供一种无径流资料河口的潮汐预测装置，包括：

30、数据获取模块：用于获取验潮站的潮位数据，并将所述潮位数据划分为训练集数据和测试集数据；

31、训练模块：用于利用所述训练集数据，对预构建的lightgbm模型进行优化训练，获取lightgbm1预报模型和lightgbm2预报模型；

32、测试模块：用于利用所述测试集数据，对所述lightgbm1预报模型和lightgbm2预报模型进行精度测试，获取优选预报模型；

33、预测模块：用于利用所述优选预报模型，对无径流资料河口进行潮汐预测。

34、第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面任一项所述方法的步骤。

35、与现有技术相比，本发明的有益效果是：

36、本发明所提供的无径流资料河口的潮汐预测方法，能够实现无径流资料河口的潮汐预测，即在预测河口潮汐时不需要上游径流信息作为模型输入，不仅适用于有径流资料的大型河口，对于缺乏实测径流资料的中小型河口也同样适用。

技术特征：

1.一种无径流资料河口的潮汐预测方法，其特征在于，包括：

2.根据权利要求1所述的无径流资料河口的潮汐预测方法，其特征在于，利用所述训练集数据，对预构建的lightgbm模型进行优化训练，获取lightgbm1预报模型和lightgbm2预报模型包括：

3.根据权利要求1所述的无径流资料河口的潮汐预测方法，其特征在于，所述lightgbm模型的表达式如公式(1)所示：

4.根据权利要求1所述的无径流资料河口的潮汐预测方法，其特征在于，所述lightgbm模型的目标函数表达式如公式(2)所示：

5.根据权利要求1所述的无径流资料河口的潮汐预测方法，其特征在于，将所述训练集数据进一步划分为训练集输入层数据和训练集输出层数据，将所述测试集数据进一步划分为测试集输入层数据和测试集输出层数据；所述训练集输入层数据和测试集输入层数据的维度为w维，所述训练集输出层数据和测试集输出层数据的维度为l维。

6.根据权利要求5所述的无径流资料河口的潮汐预测方法，其特征在于，所述训练集输入层数据和测试集输入层数据的维度w，根据自数值试验，以单步预测均方根误差最小为原则确定；所述训练集输出层数据和测试集输出层数据的维度l，根据自预报时间长度需求，由用户自定义确定。

7.根据权利要求5所述的无径流资料河口的潮汐预测方法，其特征在于，采用所述lightgbm1预报模型获取潮位预报值包括：

8.根据权利要求5所述的无径流资料河口的潮汐预测方法，其特征在于，采用所述lightgbm2预报模型获取潮位预报值包括：

9.一种无径流资料河口的潮汐预测装置，其特征在于，包括：

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～8任一项所述方法的步骤。

技术总结
本发明公开了一种无径流资料河口的潮汐预测方法、装置及存储介质，属于河口海岸数据处理技术领域，方法包括：获取验潮站的潮位数据，并将所述潮位数据划分为训练集数据和测试集数据；利用所述训练集数据，对预构建的LightGBM模型进行优化训练，获取LightGBM1预报模型和LightGBM2预报模型；利用所述测试集数据，对所述LightGBM1预报模型和LightGBM2预报模型进行精度测试和比较，获取优选预报模型；利用所述优选预报模型，对无径流资料河口进行潮汐预测。该方法能够实现无径流资料河口的潮汐预测。

技术研发人员：陈永平,徐晓武,甘敏,陶证瑾,陈雨航,朱弦,蒲金山,张雨欣
受保护的技术使用者：河海大学
技术研发日：
技术公布日：2024/1/14