CN119293745B 一种基于数据驱动的近岸风浪预测方法及系统 （长沙理工大学）

一种基于数据驱动的近岸风浪预测方法及本发明公开了一种基于数据驱动的近岸风气象数据变量的长时间序列数据的多源数据并虑外海各变量对近岸海域信息的时滞效应和空2获取研究区域各气象数据变量的长时间序列数据的多源数据据变量中选取目标变量并从目标变量以外的其他气象数据变量中寻找与目标变量显著相将外海格点的特征变量作为参考序列，将内海或近岸格点的目标变量作为目标序列，将外海格点的特征变量中的第一特征变量作为参考序列，第一特征变量包括10米U风将外海格点的特征变量中的第一特征变量和第二特征变量作为参将时滞效应和空间传播模式的分析结果作为先验知识引入深度将特征变量与目标变量的长时间序列数据输入台风预测模型分别计算各气象数据变量与目标变量的Pearson相关系数，并选取与目标变量的对每个备选的变量建立对应的一元回归模型，对每个一元回归模显著性进行评估以筛选对目标变量有显著正面或负面影响的对每个高相关性变量建立对应的多元回归模型，对每个多元回归模3习模型采用TCN_CNN模型，将时滞效应和空间传播模式的分析结果作为先验知识引入深度通过滑动窗口将输入数据从单一时间点的特征扩展到包含多个时间根据时滞效应动态调整TCN和CNN卷积层数量和卷积核大小，并在TC在训练过程中利用交叉相关算法和动态时间规整算法若目标变量的预测结果的精度不满足要求，调整台风预测模分析目标变量的预测结果的精度的变化趋势，若所述变实时观测数据的特征变量与目标变量的长时间序列数据9.一种基于数据驱动的近岸风浪预测系统，其特征在4[0010]进一步的，获取研究区域各变量的长时间序列数据的多[0011]将多源数据进行互补和验证整合得到特征集，然后对特征集中的缺失值进行填5[0013]分别计算各气象数据变量与目标变量的Pearson相关系数，并选取与目标变量的变量显著性进行评估以筛选对目标变量有显著正面或负面影响的[0022]进一步的，采用动态时间规整算法计算参考序列与目标维扩张卷积有效捕获时间序列中的长期依赖关系和非线性时滞效应，所述TCN_CNN模型的CNN模块利用空间传播模式的信息实现空间特6[0029]进一步的，使用特征变量与目标变量的长时间序列数据包含实时观测数据的特征变量与目标变量的长时间序列数据[0035]本发明将时滞效应和空间传播模式的分析结果作为先验[0036]本发明通过动态时间规整算法(DTW算法)和交叉相关算法(CCF算法)深入剖析外海与近岸格网间变量的复杂时滞效应与动态空间传播模式，其中DTW算法通过计算序列间7[0056]S101)获取研究区域各气象数据变量的长时间序列数据的多源数据并进行预处[0057]S102)将外海格点的特征变量作为参考序列，将内海或近岸格点的目标变量作为[0058]S103)将时滞效应和空间传播模式的分析结果作为先验知识引入深度学习模型，[0059]S104)将特征变量与目标变量的长时间序列数据输入台风预测模型，得到目标变[0062]步骤S101中，获取研究区域各变量的长时间序列数据的多源数据并进行预处理8[0074]本实施例中将有效波高作为目标变量，采用Pearson相关系数精确量化步骤S2039[0079]S302)对每个备选的变量建立对应的一元回归模型，对每个一元回归模型的拟合程度和变量显著性进行评估以筛选对目标变量有显著正面或负面影响0[0082]S303)对每个高相关性变量建立对应的多元回归模型，对每个多元回归模型的性同构成了分析海洋动力过程及其影响有效波纬度整个研究区域划分为Q个空间格点组成的规整网格，每个节点包含初始时刻Qi0到当前Uiij)是参考序列中第i个元素xi和目标序列中第j个元素yj之间的距离度[0101]DTW算法通过填充一个二维矩阵D(i,j)来找到最优匹配路径，其中D(i,j)是从x[0105]DTW算法通过计算序列间的最优匹配路径，有效捕捉了不同时间序列之间因时滞[0106]本实施例的步骤S103将时滞效应和空间传播关系分析算[0107]本实施例的深度学习模型采用TCN_CNN模型，TCN_CNN模型使用时间序列模型[0109]扩张卷积间隔地应用卷积核使其可以在不丢失时间分辨[0112]结合空间模型(CNN)处理空间特征提取，卷积层通过滑动窗口的方式对输入数据[0114]如图4所示，基于时滞效应和空间传播模式分析，通过深度融合时间序列分析据特性；使得将时滞效应和空间传播模式的分析结果作为先验知识引入深度学习模型时，所述TCN_CNN模型的TCN模块通过一维扩张卷积有效捕获时间序列中的长期依赖关系和非[0125]为进一步增强模型的泛化能力和防止过拟合，TCN_CNN模型在关键位置嵌入了dropout层，特别是在CNN模块后的线性层之前，设置dropout率随机丢弃部分神经元的输[0127]本实施例中，使用特征变量与目标变量的长时间序列数据训练深度学习模型之预测模型的预测性能，所述误差评估指标包括但不限于：均方误差(MSE)，均方根误差定系数R2衡量模型预测值与实际观测值之间的拟合程度，值越接近1表示模型拟合效果越[0138]按照指定的时间间隔获取该间隔的周期中每一次的目标变下降)，使用包含实时观测数据的特征变量与目标变量的长时间序列数据再次训练台风预[0139]按照上述步骤不断优化的台风预测模型输出的预测结果与实际观测结果的对比24h有效波高预测结果图，预测值随时间推移而平滑变化，与真实值保持了相似的变化趋示了在处理类似海洋环境数据时的强大潜力和准确性；模型不仅具备较好的趋势捕捉能时间分辨率和空间分辨率的多源变量数据集作为全面特征数据集，通过精细化的网格划[0143]本发明不同于传统点对点变量传播的单一分析视角，从