[发明专利]一种基于GRU的调和残差分段式潮位预测方法

权利要求书

1.一种基于GRU的调和残差分段式潮位预测方法，其特征在于，包括：

获取待测站点预设时段内的实测逐时潮位序列，并对所述实测逐时潮位序列进行调和分析，得到逐时天文潮序列；

将所述实测逐时潮位序列按时间对齐，并减去所述逐时天文潮序列，得到逐时潮位调和残差序列；

将所述逐时潮位调和残差序列按照雨季或台风时段以及非雨季时段进行拆分，得到两段样本数据序列；

建立GRU神经网络模型，并将两段样本数据序列分别输入所述GRU神经网络模型进行训练，得到雨季/台风期潮位残差GRU预测模型和非雨季潮位残差GRU预测模型；

根据雨季/台风期潮位残差GRU预测模型和非雨季潮位残差GRU预测模型，计算得到对应的残差预测序列；

将残差预测序列加上对应时序的所述逐时天文潮序列，得到潮位预测结果。

2.根据权利要求1所述的一种基于GRU的调和残差分段式潮位预测方法，其特征在于，所述潮位调和残差序列的计算公式为：

res(t)＝wl(t)-har(t)

其中，res(t)表示潮位调和残差序列，wl(t)表示时间对齐后的实测逐时潮位序列，har(t)表示逐时天文潮序列。

3.根据权利要求1所述的一种基于GRU的调和残差分段式潮位预测方法，其特征在于，建立GRU神经网络模型，并将两段样本数据序列分别输入所述GRU神经网络模块进行训练，得到雨季/台风期潮位残差GRU预测模型和非雨季潮位残差GRU预测模型的过程，具体包括：

建立GRU神经网络模型，并设置所述GRU神经网络模型的训练参数；

将两段样本数据分别拆分出训练集和测试集，所述训练集用于对所述GRU神经网络模型进行训练，所述测试集用于对训练好的所述GRU神经网络模型进行测试，得到雨季/台风期潮位残差GRU预测模型和非雨季潮位残差GRU预测模型。

4.根据权利要求3所述的一种基于GRU的调和残差分段式潮位预测方法，其特征在于，所述训练集和所述测试集的数据比例为8:2。

5.根据权利要求1所述的一种基于GRU的调和残差分段式潮位预测方法，其特征在于，所述潮位预测结果的计算公式为：

式中，wl_pre_雨季(t)表示雨季/台风期潮位预测结果，fore_雨季(t)表示雨季/台风期残差预测序列，hart_雨季(t)表示雨季/台风期逐时天文潮序列，wl_pre_非雨季(t)表示非雨季潮位预测结果，fore_非雨季(t)表示非雨季残差预测序列，hart_雨季(t)表示非雨季逐时天文潮序列。

6.根据权利要求1所述的一种基于GRU的调和残差分段式潮位预测方法，其特征在于，获取待测站点预设时段内的实测逐时潮位序列，所述预测时段为2年或2年以上。

7.根据权利要求1所述的一种基于GRU的调和残差分段式潮位预测方法，其特征在于，所述雨季或台风时段为当年4月份至9月份，所述非雨季时段为当年10月份至次年3月份。

8.根据权利要求1所述的一种基于GRU的调和残差分段式潮位预测方法，其特征在于，还包括：

采用均方根误差和平均绝对误差对所述潮位预测结果进行评估。

9.根据权利要求8所述的一种基于GRU的调和残差分段式潮位预测方法，其特征在于，所述均方根误差的计算公式为：

式中，RMSE表示均方根误差，l为数据样本个数，y_i^obs为实测值，y_i^pre为预测值。

10.根据权利要求8所述的一种基于GRU的调和残差分段式潮位预测方法，其特征在于，所述平均绝对误差的计算公式为：

式中，MAE表示平均绝对误差，l为数据样本个数，y_i^obs为实测值，y_i^pre为预测值。