一种基于多维EMD-PSO-LSTM神经网络的海浪信息预测方法及系统

本发明涉及海洋信息预测，具体而言，涉及一种基于多维emd-pso-lstm神经网络的海浪信息预测方法及系统。

背景技术：

1、建设国家海洋综合试验场，对发展高端海洋装备、夯实海洋强国建设的能力基础具有十分重要的意义。海浪环境参数和海浪信息的监测和预报对试验场进行智能无人系统测试验证、海上传感器仪器实验调试、试验平台测验作业等相关活动至关重要，对试验场海域内进行及时、准确的波浪监测和预测能有效保障这些试验活动的顺利进行，也将减少甚至避免人员与经济的损失。

2、波高、波向、波周期等海浪参数是影响海洋试验场进行试验任务的重要因素。传统测量海浪参数的方法主要是利用波浪浮标等相关仪器进行就位观测，其观测的实时性和准确性都相对较高，但观测范围较小，仅能实现对投放位置处的海浪参数进行定点观测，需要在目标海域布置大量波浪浮标来实现全覆盖式的观测。近年来，随着海洋遥感探测技术不断发展，利用如合成孔径雷达、高频地波雷达、x波段航海雷达等进行海浪观测的新兴观测手段开始发展起来，使得雷达观测区域全覆盖式的海浪监测成为可能，其中基于x波段雷达的海洋遥感技术成为海浪观测的一个重要手段。在获取海浪参数后，实现对海浪参数的预报对试验场海域内开展设备测试活动是极为必要的。随着深度学习技术的不断发展和神经网络方法的不断开发，使得基于神经网络的预测方法开始逐渐应用于海浪分析当中，并且取得了很多成果。

3、近年来，深度学习作为机器学习的重要分支同样快速发展，其中卷积神经网络和循环神经网络较早出现且应用较为广泛，在循环神经网络基础上改进的lstm对于时间序列的预测精度更高。2020年，赵勇等人使用lstm对四个典型波浪试验数据进行预测分析，结果表明与支持向量机模型相比lstm的预测精度具有明显优势[1]。fan等人对不同环境条件下的十个站点进行1小时和6小时的有效波高预测并与其他预测模型进行对比，结果表明lstm可以实现稳定的预测效果[2]。2021年，卢鹏等人基于变分模态分解，在lstm的基础上引入注意力机制对有效波高进行预测，与支持向量回归、人工神经网络等模型进行比较表明该模型预测效果最好[3]。2023年，minuzzi利用lstm对巴西海岸的七个不同位置进行多种时间间隔的有效波高预测，结果表明与欧洲中期天气预报中心的第五代大气再分析数据相比具有更高的预测精度[4]。

4、目前对海浪信息预测技术的研究中，lstm在预测精度方面具有较大优势，但是仍然存在预测精度较低、计算量大、计算时间长和收敛困难等的问题。且无法充分利用已知的多维海浪信息数据集和神经网络，挖掘有效波高、波峰周期、波峰峰向与多维数据集随时间变化的本质特征。

技术实现思路

1、本发明要解决的技术问题是：

2、现有的海浪信息预测方法多采用单维数据进行海浪信息预测，无法达到较高的预测精度，未能利用多维数据集综合预测海浪信息及预测海浪信息计算时间长、计算量大，成本高。

3、本发明为解决上述技术问题所采用的技术方案：

4、本发明提供了一种基于多维emd-pso-lstm神经网络的海浪信息预测方法，包括如下步骤：

5、步骤1.采集海浪有效波高、波峰峰向和波峰周期三维信息数据，并对数据进行预处理，并将数据集划分为训练集、验证集和测试集；

6、步骤2.利用经验模态分解方法emd将三维海浪信息数据进行分解，得到不同时间尺度下的本征模态分量和剩余分量，得到不同特征尺度的数据序列{imf1,imf2,…,imfn}1、{imf1,imf2,…,imfn}2、{imf1,imf2,…,imfn}3和剩余分量rn1、rn2、rn3；

7、步骤3.对步骤2得到的三维数据序列进行pca降维，筛选出数据序列中影响海浪信息有效波高、波峰峰向及波峰周期的关键因子，组成一个新的三维数据序列；

8、步骤4.采用粒子群优化算法pso对lstm模型进行参数寻优，构建lstm模型；

9、步骤5.采用训练集的三维数据序列对构建的lstm模型进行训练，得到海浪信息预测模型，采用验证集对模型参数进行优化，采用测试集评估模型功能，实现对海浪有效波高、波峰峰向和波峰周期的预测。

10、进一步地，步骤1中将雷达序列图像进行三维傅里叶变换转换到波数频率谱上，通过色散关系带通滤波器滤除噪声并计算海浪信噪比，得到有效波高、波峰峰向和波峰周期联合的三维数据集；

11、数据预处理主要包括缺失值处理和归一化处理，所述缺失值处理对于数据的缺失值和野值，采用前后平均值填充的方式对缺失值进行处理，即取该点前后时刻相距最近的两个非空海浪参数值的平均值来补充缺失时刻的海浪参数值，所述归一化处理的公式为：

12、

13、其中，为归一化后的结果，xi为输入的数据，xmin为数据最小值，xmax为数据最大值。

14、进一步地，步骤2中采用emd算法将三维海浪信息时间序列进行分解，包括如下步骤：

15、①对于一种原始海浪数据序列x(t)，找到序列中所有的极大值点和极小值点，采用3次样条插值函数拟合出上、下包络线，求出上下包络的均值m1(t)，令h1(t)＝x(t)-m1(t)，其中x(t)与h1(t)均为m维向量；

16、②判断h1(t)是否满足imf分量条件，若满足则h1(t)为原始信号的一个本征模态向量，若不满足，则将h1(t)赋给步骤①中的x(t)，重复步骤①，直至h1(t)满足imf分量条件；其中imf分量条件为整个数据段过零点个数与过极值点个数的差值小于等于1并且上、下包络线的平均值为0；

17、③令r1(t)＝x(t)-h1(t)，将r1(t)作为原始数据，循环步骤①-②进行迭代计算，直到rn(t)很小或者成为一个单调函数时，迭代结束，得到h1(t)、h2(t)、…、hn(t)和rn(t)；

18、④通过上述步骤将x(t)分解为n个本征变量h1(t)、h2(t)、…、hn(t)和一个剩余变量rn(t)，即

19、⑤对于三种海浪参数序列分别进行上述步骤，将海浪信息数据分解为不同频率的本征模分量和剩余分量{imf1,imf2,…,imfn}1、{imf1,imf2,…,imfn}2、{imf1,imf2,…,imfn}3和剩余分量rn1、rn2、rn3。

20、进一步地，步骤3中对海浪数据序列进行pca降维，包括如下步骤：

21、①针对一组海浪参数特征序列{imf1,imf2,…,imfn}，将其按列组成m行n列的矩阵x，并对矩阵进行标准化，得到矩阵y＝{imf'1,imf'2,…,imf'n}；

22、②根据下式计算y的相关系数矩阵r＝(rij)m×n；

23、

24、式中，xk为imfi'中第k个数据点的值；yk为imfj'中第k个数据点的值，x和y分别为imfi'和imfj'的均值；

25、③计算矩阵r的特征值矩阵和特征值对应的特征向量；

26、④计算参数的贡献率τi：

27、

28、计算累计贡献率ηi：

29、

30、其中，λ为特征值；

31、通过步骤①-④对三种海浪参数分解序列分别进行降维；

32、⑤根据ηi确定需选取的主成分的个数，进一步确定影响海浪信息有效波高、波峰峰向及波峰周期的关键因子，组成一个新的三维数据序列。

33、进一步地，步骤4中采用粒子群优化算法pso对lstm模型进行参数寻优，包括如下步骤：

34、①以lstm模型的神经网络隐藏层单元数目、批处理大小、初始学习率和最大迭代次数为优化对象，初始化粒子群优化算法；

35、②对子群进行划分，以各粒子参数构建lstm模型并进行训练与预测，取预测结果的平均绝对百分比误差表示粒子的适应度，计算各粒子的适应度；

36、③通过种群划分结果和粒子适应度值，确定全局最优粒子位置gbest和局部最优粒子位置pbest，并更新普通粒子和局部最优粒子的速度和位置；

37、④重复上述过程进行迭代计算，至达到最大迭代次数，得到最优参数值。

38、进一步地，采用平均绝对误差mae、平均绝对百分比误差、mape和均方根误差rmse评价所述海量信息预测模型预测值与实测值之间的偏差，采用决定系数r2衡量预测值对于实测值的拟合优度，各评价指标的计算公式分别为：

39、

40、

41、

42、

43、式中，yi′为预测值；yi为实测值；为样本平均值；n为样本数量。

44、一种基于多维emd-pso-lstm神经网络的海浪信息预测系统，该系统具有与上述技术方案中任一项技术方案的步骤对应的程序模块，运行时执行上述的基于多维emd-pso-lstm神经网络的海浪信息预测方法中的步骤。

45、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现上述技术方案中任一项所述的基于多维emd-pso-lstm神经网络的海浪信息预测方法的步骤。

46、相较于现有技术，本发明的有益效果是：

47、本发明一种基于多维emd-pso-lstm神经网络的海浪信息预测方法及系统，建立了经验模态分解emd、主成分分析pca、粒子群优化pso与长短期记忆网络lstm相结合的预测模型，首先对由有效波高、波峰峰向和波峰周期组成的三维数据集进行emd分解，降低海浪信息序列的非平稳性，增加特征的多样性，而后利用主成分分析pca筛选出影响所估计海浪信息的关键因子，降低后续神经网络的运算量；然后利用pso实现了对神经网络隐藏层单元数目、批处理大小、初始学习率和最大迭代次数等参数的寻优，最后利用lstm实现了对有效波高、波峰峰向和波峰周期的高质量预测。

48、相较于单维输入的模型，本发明提出的多输入模型具有明显的优越性，能够提升预测的准确性，能够实现有效波高、波峰周期和波峰峰向的同时预测，本算法可以实时利用反演得到的海浪信息数据，实时对有效波高、波峰峰向和波峰周期进行预测，相较于目前常见预测模型，该预测模型精度的有明显提升。