(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111419285.9 (22)申请日 2021.11.26 (71)申请人 中国石油大 学 （华东） 地址 266580 山东省青岛市黄岛区长江西 路66号 (72)发明人 宋弢　王家荣　徐丹亚　魏伟　 韩润生　孟凡　 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的非结构网格有效波高 预测方法与系统 (57)摘要 本发明公开了一种基于深度学习的非结构 网格有效波高预测系统， 包括长短期记忆模型 (LSTM)， 所述的非结构网格有效波高预测系统包 括两个LSTM组成的时间序列处理模型， 是一个具 有输入门、 忘记门和输出门的循环神经网络。 模 型的输入为FVCOM模式提供的非结构网格10000 小时的有效波高数据， 最终输出为未来1小时、 6 小时、 12小时以及24小时的预测波高。 权利要求书1页 说明书4页 附图1页 CN 114398819 A 2022.04.26 CN 114398819 A 1.一种基于深度学习的非结构网格有效波高预测方法与系统， 其特征在于， 包括长短 期记忆模 型(LSTM)， 所述的非结构网格有效波高预测系统包括两个LSTM组成的时间序列处 理模型， 是一个具有输入门、 忘记门和 输出门的循环神经网络。 模型的输入为FVCOM模式提 供的非结构网格10000小时的有效波高数据， 最终输出为未来1小时、 6小 时、 12小时以及24 小时的预测波高。 2.如权利 要求1所述的系统， 其特征在于， 所述的长短期记忆网络(LSTM)对时间序列进 行充分的特征提取， 不断学习时间序列的长期依赖 关系， 其具体包括： 首先使用LSTM的当前 输入xt和上一个状态传递下来的ht‑1拼接训练得到四个状态:z,zi,zf,zo。 其中， zi,zf,zo是 由拼接向量乘以权重矩阵之后， 再通过一个 sigmoid激活函数转换成0到1之间的数值， 来作 为一种门控状态。 而z则 是将结果通过一个t anh激活函数将转换成 ‑1到1之间的值， 将其作 为输入数据。 首先对上一个节点传入的输入进行选 择性忘记， 通过计算得到的zf来作为忘记门控， 来 控制上一个状态的ct‑1哪些需要保留， 哪些需要遗忘。 遗忘门会读取ht‑1和xt， 输出一个在0 到1之间的数值zf给每个在细胞状态ct‑1中的数字 。 1表示“完全保留 ”， 0表示“完全舍弃 ”。 然后是选择记忆阶段， 将对输入xt有选择性地进行记忆， 对于重要的信息着重记录， 对 于不重要的信息少量记录。 当前的输入内容由z表示， 选择的门控信号由zi来进行控制。 将 二者相乘， 将得到的结果与上一 步的结果相加， 即可 得到传输给 下一个状态的ct。 输出阶段将决定哪些将会被当作当前状态的输出。 对上一阶段得到的co通过一个tanh 激活函数进行放缩， 得到一个在 ‑1到1之间的值， 与zo相乘， 得到ht。 通过ht变化得到yt作为 输出。 3.如权利要求1所述的系 统， 其特征在于， FVCOM是非结构三角形网格架构、 有限体积、 自由表面、 三维原始方程海洋数值模型。 数值模式采用有限体积法(FVM)， 可应用于各种河 口， 海湾， 陆架和海洋问题。 FVCOM模式采用α垂向坐标和水平三角形非结构网格坐标的结 合， 可以使模式应用对重点研究区域处的网格进行加密处理， 较好地模拟复杂岸形和海底 地形， 既可控制计算 量， 又不牺牲笛卡尔坐标的特性。 4.如权利 要求1所述的系统， 其特征在于， 所述的长短期记忆(LSTM)模型能够使每一时 刻的信息都包含了前时刻的序列信息， 相当于网络在某个特定时刻的序列信息增多， 充分 利用历史数据的信息， 从而 使预测更加准确。 5.如权利1所述的系统， 其特征在于， 对所述的长短期记忆模型利用已有的大量非结构 网格有效波高数据进行训练， 并获得了 完善的模型参数。权　利　要　求　书 1/1 页 2 CN 114398819 A 2一种基于深度学习的非结构网格有效 波高预测方 法与系统 技术领域 [0001]本发明涉及时空序列预测技术领域， 特别涉及一种基于深度学习的非结构网格有 效波高预测方法与系统。 背景技术 [0002]海浪是物理海洋学的一个重要研究领域， 海浪高度受到环境变化和地球系统的影 响， 特别是由于气候变化而产生的波浪。 海浪周期、 波向、 有效波高等海况特征是海洋工程 建设、 海上运输、 环境保护和军事行动等活动必须考虑的重要安全因素。 其中， 海浪有效波 高最为重要， 准确可靠的有效波高预测是海洋和工程应用的一项重要任务。 所以， 结合观测 资料对有效波高进行准确的业务化预报,具有非常重要的意义。 随着海洋观测技术的不断 进步， 海洋 数据量和数据维度急剧上升。 使用传统的数据分析方法来分析海量数据， 暴露出 许多不足。 [0003]近年来， 深度学习已成为各个领域的热门研究方法， 并已应用到我们生活的方方 面面， 为以前无法解决或难以解决 的问题提供了智能解决方案。 比如， 利用深度学习方法对 厄尔尼诺现象的预测效果已经超越了所有的海洋数值模式。 深度学习 是由数据驱动的， 它 从一部分输入数据中学习并构建模型。 该模型用于预测和分析另一部 分数据以获得人们想 要的结果。 深度学习的发展解决了数值模式方法消 耗大量计算资源且运算时间长等缺点。 如今， 利用深度学习技术分析和应用海洋数据成为科学研究的重点。 该方法对于保护海洋 环境、 预测海洋 要素、 探索未知、 应对极端天气具有重要的现实意 义和长远意 义。 发明内容 [0004]本发明实施例提供了一种基于深度学习的非结构网格有效波高预测方法与系统。 为了对披露的实施例的一些方面有一个基本的理解， 下面给出了简单 的概括。 该概括部分 不是泛泛评述， 也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。 其唯一目 的是用简单的形式呈现一些概念， 以此作为后面的详细说明的序言。 [0005]在一些可选实施例中， 所述系统包括长短期记忆模型(LSTM)， 所述 的非结构网格 有效波高预测系统包括两个LSTM组成的时间序列处理模型， 是一个具有输入门、 忘记门和 输出门的循环神经网络。 模 型的输入为FVCOM模式提供的非结构网格10000小时的有效波高 数据， 最终输出为未来1小时、 6小时、 12小时以及24小时的预测波高。 [0006]可选的， 所述的长短期记忆网络(LSTM)对时间序列进行充分的特征提取， 不断学 习时间序列的长期依赖关系， 其具体包括： 首先使用LSTM的当前输入xt和上一个状态传递 下来的ht‑1拼接训练得到四个状态:z,zi,zf,zo。 其中， zi,zf,zo是由拼接向量乘以权重矩阵 之后， 再通过一个 sigmoid激活函数转换成0到1之间的数值， 来作为一种门控状态。 而z则是 将结果通过一个tanh 激活函数将转换成 ‑1到1之间的值， 将其作为输入数据。 [0007]首先对上一个节点传入的输入进行选择性忘记， 通过计算得到的zf来作为忘记门 控， 来控制上一个状态的ct‑1哪些需要保留， 哪些需要遗忘。 遗忘门会读取ht‑1和xt， 输出一说　明　书 1/4 页 3 CN 114398819 A 3