本發(fā)明涉及海洋工程領(lǐng)域，具體而言，涉及一種基于eemd-bilstm的潮位預(yù)測方法及系統(tǒng)。

背景技術(shù)：

1、

2、潮位預(yù)測是一種科學(xué)預(yù)測方法，用于預(yù)測在特定時間和地點的潮汐變化；準(zhǔn)確的潮位預(yù)報對于航海、海洋工程和海洋環(huán)境保護等領(lǐng)域，沿海地區(qū)的水安全保障和生產(chǎn)作業(yè)的調(diào)度等都至關(guān)重要；現(xiàn)有較為成熟的潮位預(yù)測方法主要是調(diào)和分析法，該方法源自考慮天體間周期性運動導(dǎo)致的引潮力，通過借助工具包提取驗潮站的逐時潮位資料的調(diào)和常數(shù)，分析潮汐特征，并對比不同時間段內(nèi)潮位的調(diào)和分析結(jié)果，它的假設(shè)使得其能預(yù)測天文潮引起的波動。

3、調(diào)和分析法是經(jīng)典的潮汐預(yù)報方法，該方法源自考慮天體間周期性運動導(dǎo)致的引潮力，使得其能預(yù)測天文潮引起的波動；但在預(yù)測潮位時，采用調(diào)和分析法則需要大量的歷史潮位數(shù)據(jù)，且對數(shù)據(jù)質(zhì)量要求較高；當(dāng)水位中包含非天文潮因素引起的波動時(如氣象和河口徑流等因素)，調(diào)和分析方法的預(yù)報精度將受到影響與限制。

4、深度學(xué)習(xí)模型擁有多個非線性映射層級，能夠?qū)斎胄盘栔饘映橄螅诰虺龈顚哟蔚囊?guī)律；本發(fā)明提出了集合經(jīng)驗?zāi)B(tài)分解eemd與雙向長短期記憶神經(jīng)網(wǎng)絡(luò)bilst?m相結(jié)合的潮位預(yù)測模型，優(yōu)化了emd分解法的模態(tài)混疊帶來的誤差，與bilstm預(yù)測模型相結(jié)合，改善了lstm預(yù)測模型的滯后性，同時能夠有效降低預(yù)測誤差。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術(shù)存在的以上問題，以及在原有技術(shù)基礎(chǔ)上大大提高其技術(shù)效果；為此，本發(fā)明提供了一種基于eemd-bilstm的潮位預(yù)測方法，該方法包括：

2、數(shù)據(jù)預(yù)處理；獲取包括海洋潮位、溫度、鹽度、風(fēng)速和風(fēng)向相關(guān)的數(shù)據(jù)，并對數(shù)據(jù)進行清洗、編碼、特征選取和數(shù)據(jù)融合的數(shù)據(jù)預(yù)處理工作；

3、eemd模型構(gòu)建；所述eemd為集成經(jīng)驗?zāi)B(tài)分解；采用eemd方法對數(shù)據(jù)集中的潮位時間序列進行分解，將復(fù)雜多模態(tài)的潮位序列轉(zhuǎn)化為一系列的平穩(wěn)數(shù)據(jù)，得到系列imf分量及殘差res序列；所述imf分量為具有一定時間尺度下的固有模態(tài)函數(shù)，所述殘差res序列指將原始潮位數(shù)據(jù)分解為系列imf分量后剩余的部分；

4、labelencoder特征編碼；將潮位數(shù)據(jù)中離散型imf分量數(shù)據(jù)進行l(wèi)abelencoder特征編碼，使得離散型imf分量數(shù)據(jù)轉(zhuǎn)換成0到n-1之間的數(shù)，其中n為種類數(shù)；其余的潮位數(shù)據(jù)中連續(xù)型特征進行min-max歸一化編碼，并使用劃窗法將編碼處理后的數(shù)據(jù)進行時間窗口分割，構(gòu)造出神經(jīng)網(wǎng)絡(luò)模型bilstm訓(xùn)練所需數(shù)據(jù)集，并將數(shù)據(jù)集分成訓(xùn)練集和測試集；

5、搭建bilstm模型；所述bilstm為雙向長短時記憶網(wǎng)絡(luò)；通過雙向長短時記憶網(wǎng)絡(luò)對潮位數(shù)據(jù)的訓(xùn)練集進行分析，獲取bilstm訓(xùn)練后的最終模型；

6、評估指標(biāo)；將測試集輸入bilstm訓(xùn)練后的最終模型，得到最終模型的預(yù)測值；根據(jù)預(yù)測值和真實值結(jié)合均方根誤差rmse來評估模型在潮位預(yù)測上的性能。

7、具體而言，所述數(shù)據(jù)預(yù)處理包括：獲取海洋潮位數(shù)據(jù)相關(guān)的各項數(shù)據(jù)以后，對數(shù)據(jù)進行清洗、編碼、特征選取和數(shù)據(jù)融合的數(shù)據(jù)預(yù)處理工作，以便下一步eemd模型的構(gòu)建。

8、具體而言，所述eemd模型構(gòu)建包括：eemd模型構(gòu)建的步驟為：a)將白噪聲序列si(t)與原始潮位數(shù)據(jù)信號x(t)進行組合，得到新的潮位數(shù)據(jù)序列xi(t)：xi(t)＝x(t)+si(t)，i＝1、2、…n，其中n為生成白噪聲序列的次數(shù)；b)根據(jù)經(jīng)驗?zāi)B(tài)分解emd分解新的潮位數(shù)據(jù)時間序列xi(t),分解后得到的分量包含imf分量bi，j(t)和趨勢項ui(t)，即其中，bi，j(t)為引入i次白噪聲后得到的第j個imf分量，l為imf分量個數(shù)；c)對n組imf分量bi，j(t)和趨勢項ui(t)進行平均計算得到最終的分量ij(t)和趨勢項r(t)：

9、具體而言，所述labelencoder特征編碼包括：labelencoder特征編碼是一種用于處理分類數(shù)據(jù)的特征編碼方式，屬于scikit-learn庫中的preprocessing模塊；labelencoder特征編碼主要用于將分類標(biāo)簽轉(zhuǎn)換為整數(shù)值，使模型能夠更容易地處理非數(shù)值數(shù)據(jù)；所述其余的潮位數(shù)據(jù)中連續(xù)型特征進行min-max歸一化編碼包括：將潮位數(shù)據(jù)中連續(xù)型特征進行min-max歸一化編碼后，將連續(xù)型潮位數(shù)據(jù)映射到0到1之間。

10、具體而言，所述搭建bilstm模型包括：bilstm神經(jīng)網(wǎng)絡(luò)包括前向和后向兩個方向的循環(huán)神經(jīng)網(wǎng)絡(luò)，以全面考慮潮汐數(shù)據(jù)中的時序關(guān)系，獲得更加精確的預(yù)測模型；bilstm模型的輸出結(jié)果的表達(dá)式為：

11、

12、yt＝σ(ht)

13、其中，表示bilstm前向計算隱向量、表示bilstm后向計算隱向量，α和β分別為常數(shù)，α+β＝1；ht為前向計算隱向量和后向計算隱向量加權(quán)后該層bilstm網(wǎng)絡(luò)的輸出，σ為激活函數(shù)，yt為輸出結(jié)果。

14、具體而言，所述評估指標(biāo)包括：將測試集輸入bilstm訓(xùn)練后的最終模型，能夠得到模型對訓(xùn)練集結(jié)果的預(yù)測值；根據(jù)模型對潮位數(shù)據(jù)的預(yù)測值和訓(xùn)練集中對應(yīng)的潮位數(shù)據(jù)真實值結(jié)合均方根誤差rmse來評估模型在潮位預(yù)測上的性能；所述均方根誤差rmse計算公式為：

15、

16、其中，n為潮位數(shù)據(jù)測試集的數(shù)量，yj為訓(xùn)練集中對應(yīng)的潮位數(shù)據(jù)真實值，為模型對潮位數(shù)據(jù)的預(yù)測值。

17、另一方面，本發(fā)明的一種基于eemd-bilstm的潮位預(yù)測系統(tǒng)，其特征在于，所述系統(tǒng)包括：數(shù)據(jù)預(yù)處理模塊；所述數(shù)據(jù)預(yù)處理模塊分別與eemd計算模塊和bilstm計算模塊相連接；用于獲取海洋潮位、溫度、鹽度、風(fēng)速等相關(guān)數(shù)據(jù)，并對數(shù)據(jù)進行清洗、編碼、特征選取和數(shù)據(jù)融合的預(yù)處理工作，并將處理以后的數(shù)據(jù)輸入eemd計算模塊；通過eemd計算模塊對數(shù)據(jù)處理后，將數(shù)據(jù)傳回數(shù)據(jù)預(yù)處理模塊，數(shù)據(jù)預(yù)處理模塊對eemd計算模塊處理的數(shù)據(jù)進行l(wèi)abelencoder特征編碼，使得數(shù)據(jù)變?yōu)閎ilstm計算模塊可以處理的數(shù)據(jù)，進而將數(shù)據(jù)傳遞到bilstm計算模塊；因此，數(shù)據(jù)預(yù)處理模塊安裝有包括labelencoder特征編碼的軟件；eemd計算模塊；所述eemd計算模塊與數(shù)據(jù)預(yù)處理模塊相連接，用于對接收到的潮位數(shù)據(jù)進行eemd分解得到系列imf分量及殘差，并將處理的數(shù)據(jù)傳遞給數(shù)據(jù)預(yù)處理模塊，由數(shù)據(jù)預(yù)處理模塊對數(shù)據(jù)進行編碼后傳遞給bilstm計算模塊；bilstm計算模塊；所述bilstm計算模塊和數(shù)據(jù)預(yù)處理模塊相連接，用于接收數(shù)據(jù)預(yù)處理模塊進行l(wèi)abelencoder特征編碼后的潮位數(shù)據(jù)訓(xùn)練集和測試集，并通過訓(xùn)練集和測試集對bilstm模型進行訓(xùn)練、測試和評估。

18、本發(fā)明的有益效果是：

19、本發(fā)明提出了一種基于eemd-bilstm的潮位預(yù)測方法及系統(tǒng)；本發(fā)明的優(yōu)點為：(1)減少模態(tài)混疊問題：eemd分解法可以有效地減少emd分解法的模態(tài)混疊帶來的誤差問題，從而提高分解結(jié)果的精度和穩(wěn)定性；(2)增加分解的次數(shù)：在不影響結(jié)果精確度的情況下，可以通過增加白噪聲序列來增加eemd分解的次數(shù)，進而提高eem?d分解結(jié)果的可靠性；(3)減少高頻部分的噪聲對eemd分解結(jié)果的影響：可以對多個不同的白噪聲序列進行平均，以減少高頻部分的噪聲對eemd分解結(jié)果的影響；(4)良好的自適應(yīng)性：這種方法具有良好的自適應(yīng)性，可以分解非線性、非平穩(wěn)或非白噪聲序列；(5)采用該方法的潮位預(yù)測將會更加準(zhǔn)確，保護周圍居民的安全和防止財產(chǎn)損失。