一种模块自组织的潮汐组合预报方法

本发明涉及潮汐预报，特别是一种模块自组织的潮汐组合预报方法。

背景技术：

1、潮汐现象是指海水在天体(主要是月球和太阳)引潮力作用下所产生的周期性涨落运动，海水在水平方向的流动称为潮流。地潮、海潮和气潮的原动力都是日、月对地球各处引力不同而引起的，三者之间互有影响。潮汐现象形成的主要原因是月球引力和离心力的合力是引起海水涨落的引潮力。

2、由于潮汐受到多种因素的影响，周期因素如引潮力、月球轨道的倾角等；非周期因素如风力、气压、降水等。传统的调和分析法的预报精度除了受数据数量和分潮数量的影响，还无法分析非周期因素的影响，导致预报精度较低。

3、如中国专利zl2016103164445公开了一种基于gui的模块化支持向量机潮汐预测方法，包括以下步骤：获取潮汐站监测到的连续序列式潮位信息和利用调和分析法预测的潮汐值；将潮位站获取的潮汐实测值与调和分析法预测的潮汐值做差，得到的非天文潮的时间序列根据灰色模型ago算法对输入的潮位信息和潮汐值进行数据累加处理，处理后的数据作为输入量用于支持向量机的回归预测；根据设置的潮汐预报时间信息通过支持向量机对潮汐进行预测；支持向量机预测的结果经过iago反向累加处理完成数据还原，还原后的数据用于修正调和分析法的潮汐预测值。该方法通过对验潮站长期潮汐数据的统计和分析，计算得到模型中各分潮的参数，并基于建立潮的数学模型得到长期的潮汐预报。

4、利用调和分析法进行潮汐预报存在以下问题：

5、1、调和分析模型无法反映非周期的时变因素，如水文气象因素对潮汐的影响，限制了该方法对潮汐的预报精度，尤其是在水文气象因素变化剧烈的情况下会导致预报误差较大，经常会导致严重影响航行安全和航运效率。

6、2、现有的潮汐预报的模块化方法一般将潮汐信号分为调和分析法得到的信号和余值信号，而余值信号一般用神经网络、支持向量机等非线性方法模拟。但是余值信号包含了风向、风速、气压、气温、水温、水文等要素的影响，具有非线性、不确定性、非平稳性和动态时变等复杂特性，利用一个非线性模型往往难以反映上述复杂的环境因素对潮汐的影响。

技术实现思路

1、为解决现有技术存在的上述问题，本发明要设计一种预报精度更高的模块自组织的潮汐组合预报方法。

2、为了实现上述目的，本发明的技术方案如下：一种模块自组织的潮汐组合预报方法，利用模块自组织的潮汐组合模型进行预报，所述模块自组织的潮汐组合模型包括变结构神经网络模型和多项式预报模型，所述的预报方法包括以下步骤：

3、a、数据采集

4、采集目标点位及附近点位的实测潮汐及水文气象要素数据作为备用信息，所述备用信息包括潮汐数据、气象数据和水文数据，所述潮汐数据包括目标点位和附近点位的实测潮汐数据，所述气象数据包括气压、风力、风向、气温的实测数据，所述水文数据包括水温、降水、盐度的实测数据；

5、b、模型训练

6、b1、得到潮汐余值时间序列

7、首先利用调和分析模型得到对于潮汐的预报值yh(t)，然后利用实测值y(t)减去调和分析模型得到的预报值，得到如下潮汐余值r(t)：

8、r(t)＝y(t)-yh(t)

9、式中，t为时间。

10、b2、对潮汐余值时间序列进行分解

11、利用经验模态分解方法确定分解阶次并进行余值的分解，得到余值内涵模态分量imf如下：

12、r(t)＝imf1(t)+imf2(t)+…+imfj(t)+…+imfn(t)+r(t)

13、其中r(t)为t时刻的潮汐余值，j为分量序号，n为分量的个数，r为经验模态分解的残差，r(t)为t时刻的残差。

14、b3、确定余值分量预报模型

15、所述余值分量预报模型输入阶次利用lipschitz商值法确定为p，则q-步超前预报的结构为p-输入-1-输出，而余值分量预报模型的辨识过程输入输出设置为：

16、

17、其中pj是对第j个imf分量输入的个数，由lipschitz商值法根据分量时间序列数据确定。

18、b4、利用余值分量预报模型的输入输出分别训练变结构神经网络和多项式预报模型

19、辨识过程输入输出设置为：

20、

21、b5、利用预报结果和实测结果求得变结构神经网络模型和多项式预报模型的加权系数

22、加权系数[kvnn(t) kp1(t) … kpn(t)]t通过之前的变结构神经网络模型和多项式预报模型的预报值和实测值通过求伪逆的方法得到。其中kvnn为变结构神经网络对应的权值，kp1为一阶多项式对应的权值，kpn为n阶多项式对应的权值。

23、求取加权系数的公式如下：

24、

25、其中l为滑动窗口的宽度。

26、c、模型预报

27、c1、对于每一个分量imfj进行辨识和预报

28、对于每一个分量imfj，分别利用变结构神经网络模型和多项式模型进行q-步超前预报。在预报过程中的输入和输出分别为:

29、

30、c2、将变结构神经网络和多项式预报结果加权得到各分量预报结果

31、通过对变结构神经网络和多项式预报模型的预报值乘以加权系数得到各分量的预报值。对于第j个分量imfj的t+q步预报，在利用变结构神经网络模型得到其预报值利用1到n阶多项式分别得到预报值后，通过加权得到最终的imfj的t+q步预报值

32、

33、c3、将各分量求和得到对余值的预报

34、对于余值的变结构神经网络模型预报值由对每个分量的预报值重组得到：

35、

36、其中n为经验模态分解法自动确定的分解阶次。

37、c4、将余值和调和分析模型的预报求和得到最终预报结果

38、在得到预报值后，将调和分析法得到的预报值yh(t+q)与预报模型得到的余值预报值相加得到最终的预报值。

39、

40、进一步地，所述调和分析模型的预报方法如下：

41、设某地实际潮位高度表示为：

42、

43、其中h0是分析期间的平均海面高度，f和μ分别是因月球轨道以18.61a为周期变化所需要对分潮平均振幅和相角所做的修正值，其中f叫做交点因子,μ叫做交点修正角。h是分潮的平均振幅，ν0是格林尼治零时分潮的初相角，σ是分潮的角速度，g是分潮的格林尼治迟角。

44、所述分潮平均振幅h和格林尼治迟角g也叫做实际潮汐分潮的调和常数，所述调和常数的计算，采用最小二乘法。若不考虑非天文潮r(k)部分的影响，且将平均海面h0视为σ＝0°/h的一个特殊分潮，则潮高表达式写为：

45、

46、令：fh＝r

47、(v0+μ)-g＝-θ

48、

49、取:a＝r cosθ

50、b＝r sinθ

51、其中b0≡0，则上式表示为：

52、

53、通过分析实测潮位数据，求出每个分潮的a、b值，进一步求出分潮振幅r和初相角θ，最终求出调和常数。具体表达式如下：

54、

55、而h＝r/f，g＝(ν0+u)+θ。

56、进一步地，所述变结构神经网络预报模型的建立方法，包括以下步骤：

57、s1、建立滑动数据窗口

58、建立滑动数据窗口对船舶的时变运动进行状态观测，利用实时更新的输入输出数据动态调整基于径向基函数变结构神经网络的拟合模型；

59、所述的滑动窗口是一个固定宽度的先进先出的数据样本序列，当接收到一组新的输入-输出数据后，将新数据组加入滑动窗口，最早的一组数据则移出滑动窗口。将t时刻的滑动窗口wsd表示为:

60、wsd＝[(pt-l+1,qt-l+1),…,(pt,qt)],

61、其中l为滑动窗口的宽度；利用滑动窗口内的输入-输出数据组，即分别用输入矩阵p与对应的输出向量q来表示映射关系的实时动态：

62、

63、q＝[qt-l+1 … qt]

64、式中，np为输入矩阵的维数；

65、分别用输入矩阵p与对应的输出q作为径向基函数变结构神经网络模型的输入和输出，对变结构神经网络模型进行训练和动态调整。

66、s2、在每一步接收到新数据样本后，更新滑动数据窗口，将最新的样本加入窗口，而将最早的样本从窗口中删除。直接将新数据样本加入隐层作为一个新的隐节点。

67、s3、计算隐层的响应矩阵φ，其中：

68、

69、其中cj为第j个隐节点的中心，pi为第i个样本，||·||表示欧氏距离，σ为基函数宽度；m为隐节点的数目。将φ中的向量利用gram-schmidt法则进行正交分解φ＝wa，得到w＝[w1,…,wm]。

70、计算误差下降率

71、标准化误差下降率：

72、s4、选择对输出贡献的和小于设定值的那些隐节点。直至所选择隐节点标准化误差下降率的和选择k1,...,ks构成预备删除隐节点集合

73、取在过去连续ms步被选中的隐节点集合的交集i并删除在i中的隐节点：

74、

75、s5、在每一步隐节点确定后，利用最小二乘法更新隐层至输出层的连接权值：

76、θ＝φ+y＝(φtφ)-1φty。

77、进一步地，所述多项式预报模型的计算方法如下：

78、sa、加载数据集

79、从通过经验模态分解法分解得到的imf分量中加载imf数据集。

80、sb、数据归一化

81、将数据集进行归一化处理到范围[-1,1]之间。

82、sb1、找到原样本数据x的最小值min以及最大值max

83、sb2、计算系数：k＝(b-a)/(max-min)

84、sb3、得到归一化到[a,b]区间的数据:y＝a+k(x-min)或者y＝b+k(x-max)

85、sc、定义滑动窗口

86、滑动窗口的目的是将时间序列数据转换为有监督学习问题的输入和输出。代码中的滑动窗口是通过固定窗口大小，在时间序列数据上滑动，并将每个窗口内的数据作为输入，窗口之后的数据作为输出。将t时刻的滑动窗口wsd表示为:

87、wsd＝[(pt-l+1,qt-l+1),…,(pt,qt)],

88、其中l为滑动窗口的宽度；利用滑动窗口内的输入-输出数据组，即分别用输入矩阵p与对应的输出向量q来表示映射关系的实时动态：

89、

90、q＝[qt-l+1 … qt]

91、式中，np为输入矩阵的维数；分别用输入矩阵p与对应的输出q作为多项式预报模型的输入和输出，对多项式预报模型进行训练。

92、sd、多项式拟合

93、使用多项式将原始特征转换为多项式特征，然后构建多项式预报模型。

94、原理如下：

95、假设需要用n次多项式y＝wnxn+wn-1xn-1+……+w1x+w0拟合数据集d＝{(x1，y1)，(x2，y2)，…，(xm，ym)}。将方程组写成矩阵形式：

96、

97、即：xw＝y

98、要最小化均方误差：

99、

100、对上式求导得：

101、

102、故w的无偏估计为：

103、w＝(xtx)-1xty

104、估计值为：

105、

106、se、模型泛化

107、使用训练集对多项式预报模型进行泛化。

108、进一步地，步骤b3所述余值分量预报模型输入阶次的确定方法如下：利用lipschitz商值法进行输入阶次的自适应确定；

109、考虑一个非线性的输入输出映射，这种映射在区域内是连续平滑的：

110、y＝f(x)＝f(x1,x2,...,xn)

111、lipschitz商值法基于非线性持续动态系统的持续性，假设映射对其参数的偏导数是有界的。

112、

113、其中ml是正数，lipschitz商值定义如下：

114、

115、其中|xi-xj|是输入空间中两点之间的距离，|yi-yj|是输出空间中两点之间的距离。

116、n是最优阶次。lipschitiz商值方法用于评估近似系统阶次：

117、

118、其中q(n)(r)是r q(n)ij,中第r大的商值，g为[0.01n,0.02n]区间内的自然数，n为样本数目，输入阶次n在满足以下条件时自动确定：

119、q(n-1)＞＞q(n)≈q(n+1)。

120、进一步地，步骤c3所述经验模态分解法自动确定的分解阶次的方法如下：

121、将原始信号x(k)分解成本征模态函数以及一个残差信号r(k)：

122、

123、给予一个原始信号x(k)，标准经验模态分解法的计算过程为：

124、c31、定位所有x(k)的所有极值。

125、c32、在所有的最小值作为下信号包络emin(k)和所有的最大值作为上信号包络emax(k)之间分别进行插值。

126、c33、计算上下包络平均值m(k)＝(emin(k)+emax(k))/2。

127、c34、从原始信号中减去平均值提取细节：s(k)＝x(k)-m(k)。

128、c35、若s(k)符合计算的停止标准，则设d(k)＝s(k)为imf，否则设x(k)＝s(k)，转步骤c31。

129、初始imf确认之后，迭代到残差r(k)＝x(k)-d(k)以得到剩余的imfs。

130、与现有技术相比，本发明具有以下有益效果：

131、1、本发明的模块自组织潮汐组合预报模型结合了调和分析法、在线变结构神经网络预报模型和在线多项式预报模型的优点，分别通过串联和并联的方式进行组合预报，可以有效提高预报精度。调和分析法是一种稳定的机理预报模型，而变结构神经网络和多项式适应不同的时间序列，利用变结构神经网络对于复杂度高的序列具有较高的预报精度，而多项式预报模型对于复杂度较低的时间序列具有较高的预报精度。通过经验模态分解方法将余值时间序列分解为不同性质的子序列，同时利用变结构神经网络和多项式预报模型进行预报，最后通过对变结构神经网络和多项式预报结果进行加权，利用实际预报结果调整加权系数，得到最终的预报结果。

132、2、本发明通过模块的自组织性提高了预报的精度和运算速度。在线多项式预报和在线变结构神经网络预报的加权属于动态加权预报，不同预报方式的权值系数根据滑动窗口内的历史预报结果在线确定，有助于在系统动态变化时自动确定各不同预报模型的贡献比例，以优化预报结果。滑动数据窗口的数据在线处理模式也提高了算法的运算速度。

133、3、本发明通过预报模型结构和参数的自适应性提高了预报精度。所用的所有预报模型，包括各多项式预报模型和变结构神经网络的预报结构均为根据输入输出数据通过自行确定，时间序列的分解阶次也由经验模态分解算法自行确定，节省了系统参数调整时间，提高了运算速度；同时避免了人工调参的人为因素带来的结果任意性强的缺点。

134、4、本发明通过模块的串联和并联组合预报模式提高了潮汐预报的精度。本发明同时采用了预报模型的串联和并联方法，其中对调和分析法和调和分析法余值的预报采用了串联方式；对不同预报模型对不同分量的预报结果加权采取了并联方式。通过串联和并联的不同组合方式最大限度发挥各个模型包括调和分析法机理模型和变结构神经网络与多项式预报模型辨识数据驱动模型的优势，以提高预报精度，提高运算速度。