海洋潮汐预测精度提升方法

本发明涉及潮汐，尤其涉及一种海洋潮汐预测精度提升方法。

背景技术：

1、潮汐是海洋水文动力观测重要参数之一，世界众多沿海国家高度重视潮汐观测与预报技术，并部署了大量长期验潮站用于潮汐数据长期观测和后期预报，对于应对全球气候变化、海上防灾减灾、海上国防建设、海洋资源开发、渔业捕捞及养殖、港口管理和建设等方面发挥了极其重要的作用。国内外相关学者在现有潮汐实时观测数据基础上，对潮汐预报模型算法开展了深入研究，一是调和分析预报，主要是利用潮汐数据时频域特性，结合定点站历史资料和附近长期站实测资料，对传统调和分析进行改进；二是动力模型与数值模拟预报，主要利用流场模式对潮波运动方程进行数值积分，提供潮汐潮流预报。以调和分析为或数值模拟预报的传统潮汐预报方法，目前已基本满足对潮汐长期稳定的预报。

2、近年来，为进一步提高预测精度和准确率，结合机器学习、人工智能等一系列模型算法，新方法不断涌现，以达到精确预报的目的，利用人工智能自学习、推理以及规划能力提高潮汐预报学习效率和预测精度，例如提出的一种新的实时潮位预测方法，采用调和分析、lstm网络和逆距离加权插值算法进行整体预测，相关系数为0.98，均方根误差低至0.05m，但只考虑风的影响；又或者是利用人工神经网络对澳大利亚北部海岸线周围的平均海平面进行了预测，均方根误差低至0.04 m，但方法缺少普适性；又或者是使用m5p回归树模型预测了威尼斯城的潮位，相关系数可达0.99，相对绝对误差最低可达5.98%，但未考虑气象因素的影响；又或者是通过改进非线性外源自回归神经网络（narx）实现了潮位预测，并验证了该方法的精度和稳定性均优于自适应粒子群sapso-bp网络以及传统的narx神经网络，但该方法采用串并联模型进行训练和预报，并对天文潮与非天文潮分类处理，增加了模型训练时间，算法实现冗余度较高；又或者是提出的一种遗传算法和粒子群算法结合（gpos）的bp神经网络，改善了传统模型和bp网络的预报精度，该方法依然是采用不同算法对天文潮与非天文潮分类处理，导致模型算法冗余度较高；又或者是提出的一种粒子群算法(pso)优化支持向量回归(svr)模型的港口潮汐预报算法，预测精度相较于单一调和分析模型和svr模型分别提升70%和50%，但只针对不正规半日潮混合潮进行预测分析；又或者是利用python语言研制完成潮汐预报程序hy_analyser，经与t_tide软件相比一致性较好，但需大量可靠有效数据作为支撑。

3、综上所述，目前潮汐预报方法存在普适性较差、算法冗余度高、依赖长期的可靠有效数据和经验数据进行支撑等问题，对于数据量较少、经验数据不足、潮汐类型不明确的新建潮汐站实时预报算法研究较少。

4、因此，有必要提供一种海洋潮汐预测精度提升方法解决上述技术问题。

技术实现思路

1、为解决上述技术问题，本发明提供一种海洋潮汐预测精度提升方法，基于能量熵的vmd自适应最优变分模态分解与gru循环神经网络相结合的潮汐预测模型，实现对未知潮汐类型的新建潮汐站预报和预测效率及精度的提升，解决目前潮汐预报算法对于大数据量的依赖、普适性不高以及模型冗余度较高等问题。

2、本发明提供的一种海洋潮汐预测精度提升方法，所述提升方法包括以下步骤：

3、获取潮汐时序数据；

4、利用变分模态算法vmd自适应分解所述潮汐时序数据，得到分解集合，所述分解集合中的每个分解具有数量不同的模态分量imf；

5、依据预设条件一和预设条件二，从分解集合中确定优选分解；

6、其中，预设条件一为分解中的模态分量imf的能量熵低于设定的能量熵阈值；

7、预设条件二为满足预设条件一的分解的其余模态分量imf的能量熵与分解集合中其余分解的能量熵相同；

8、利用循环神经网络gru对优选分解进行预测，得到潮汐预测值。

9、优选的，在所述获取潮汐时序数据之后，以及所述利用变分模态算法vmd自适应分解所述潮汐时序数据，得到分解集合，所述分解集合中的每个分解具有数量不同的模态分量imf之前，还包括：

10、归一化处理所述潮汐时序数据，得到标准化的潮汐时序数据。

11、优选的，所述利用变分模态算法vmd自适应分解所述潮汐时序数据，得到分解集合，所述分解集合中的每个分解具有数量不同的模态分量imf，包括：

12、分解标准化的所述潮汐时序数据f(t)，得到k个模态分量imf；

13、将所述模态分量imf定义为窄带本征模态函数，所述窄带本征模态函数的表达式为：

14、；

15、其中，为窄带本征模态函数，为的包络幅值；为的瞬时相位，t为时间，为潮汐时序数据；

16、对所述窄带本征模态函数进行希尔伯特变换，得到模态分量imf的相位；

17、构造vmd约束变分模型，所述vmd约束变分模型为：

18、；

19、其中，{}为模态函数集，{}为中心频率集，为单位脉冲函数，为预估中心频率，为函数对时间t的偏导；

20、根据约束条件以及引入拉格朗日乘子求解vmd约束变分模型，得到使所述固有模态分量imf的中心频率的带宽之和最小的固有模态函数和中心频率；、

21、其中，约束条件为：

22、；

23、固有模态函数、中心频率和拉格朗日乘子的计算公式分别为：

24、；

25、其中：，，，分别为，，，的傅里叶变换。

26、优选的，所述依据预设条件一和预设条件二，从分解集合中确定优选分解，包括：

27、计算每个分解中的模态分量imf的能量熵he，公式为：

28、；

29、其中，，，，e为潮汐时序数据的能量和为，ej为固有模态分量imf，n为潮汐时序数据的信息长度；xi为潮汐时序数据的信息幅度；

30、基于计算得到的能量熵，将符合预设条件一和预设条件二的分解认定为优选分解。

31、优选的，在所述依据预设条件一和预设条件二，从分解集合中确定优选分解之后，所述利用循环神经网络gru对优选分解进行预测，得到潮汐预测值之前，还包括：

32、标准化处理优选分解中所有的模态分量imf。

33、优选的，在所述利用循环神经网络gru对优选分解进行预测，得到潮汐预测值之后，还包括：

34、对所述预测值进行反标准化操作。

35、优选的，在所述对所述预测值进行反标准化操作之后，包括；

36、合成优选分解中所有模态分量imf的预测值；

37、反归一化处理合成的预测值，得到最终的潮汐预测值。

38、与相关技术相比较，本发明提供的一种海洋潮汐预测精度提升方法具有如下有益效果：

39、本发明通过能量熵的vmd自适应最优变分模态分解完成低频潮汐各模态最优提取，根据各模态分量性能单独配置gru训练参数，进一步提高了训练效率和潮汐预报精度，同时该方法将各类因素引起的潮汐变化纳入模型分析，并实现了最优分解，减少了冗余度，提高了多适应性，无须再单独考虑天文潮、非天文潮、气象等要素增加其他辅助类算法。