(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 202111438390.7 (22)申请日 2021.11.30 (71)申请人 河海大学 地址 210098 江苏省南京市 鼓楼区西康路1 号 (72)发明人 甘敏　陈永平　程晨　朱弦　 徐晓武　陶证瑾　陈雨航　周子骏　 林祥峰　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 代理人 范青青 (51)Int.Cl. G06F 30/27(2020.01) G06N 20/00(2019.01) G06Q 10/04(2012.01) (54)发明名称 一种河口潮位预测方法、 装置及存 储介质 (57)摘要 本发明公开了一种河口潮位预测方法、 装置 及存储介质， 所述方法包括： 分别对河口地区同 步观测的径 流站实测径流数据、 分析站实测潮位 数据和参考站实测潮位数据进行处理， 以获取对 应径流站径 流数据序列、 分析站潮位数据序列及 参考站潮差数据序列； 对分析站潮位数据序列进 行调和分析， 提取分潮信噪比大于2的分潮， 计算 分潮展开的余弦部分时间序列和正弦部分时间 序列； 将径流站径流数据序列、 参考站潮差数据 序列、 分潮余弦部分时间序列和正弦部分时间序 列输入至训练好的LightGBM算法模型中， 从而获 取所述分析站河口潮位预测结果。 本发明可实现 更高的河口潮位预报精度。 权利要求书3页 说明书10页 附图4页 CN 114091345 A 2022.02.25 CN 114091345 A 1.一种河口潮位预测方法， 其特 征在于， 包括如下步骤： 分别对河口地区同步观测的径流站实测径流数据、 分析站实测潮位数据和参考站实测 潮位数据进行处理， 以对应获取径流站径流数据序列、 分析站潮位数据序列及参考站潮差 数据序列； 对分析站潮位数据序列进行调和分析， 提取分潮信噪比大于2的分潮， 计算分潮展开的 余弦部分时间序列和正弦部分时间序列； 将径流站径流数据序列、 参考站潮差数据序列、 分潮余弦部分时间序列和正弦部分时 间序列输入至训练好的L ightGBM算法模型中， 从而获取 所述河口潮位预测结果。 2.根据权利要求1所述的河口潮位预测方法， 其特征在于， 对径流站实测径流数据的处 理方法包括对径流站实测径流数据进行低通滤波处 理。 3.根据权利要求1所述的河口潮位预测方法， 其特征在于， 采用下述表达 式对所述分析 站潮位数据 序列进行调和分析： 式中， η(t)为分析站实测潮位数据； η0为平均海平面； t为时间； k为分潮序号； n为调和分 析采用的分潮数； σk、 fk、 uk、 υ0， k、 Hk和gk分别为第k个分潮的频率、 相位角、 交点因子、 交 点订正角、 天文初相角、 振幅和迟角； Hk和gk为未知的调和常数。 4.根据权利要求3所述 的河口潮位预测 方法， 其特征在于， Hk和gk采用最小二乘法求解 获取。 5.根据权利 要求1所述的河口潮位预测方法， 其特征在于， 所述LightGBM算法模型的表 达式为： 式中， ηI为LightGBM算法模型预测的分析站潮位； i为LightGBM算法模型中决策树的序 号； I为LightGBM算法模 型中决策树的数目； X为LightGBM算法的输入层参数， 包含径流站径 流数据序列、 参考站潮差数据序列、 分潮余弦部分时间序列和正弦部分时间序列； θi为 LightGBM算法模型第i棵决策树学习到的拓扑结构； Ti(X， θi)为第i棵决策树在输入层数据 为X时的输出值。 6.根据权利 要求5所述的河口潮位预测方法， 其特征在于， 所述LightGBM算法模型的训 练方法包括： 将历史时刻的径流站径流数据序列、 参考站潮差数据序列、 分潮余弦部分时间序列和 正弦部分时间序列作为LightGBM算法模 型的输入层数据集； 将对应历史 时刻的分析站实测 潮位数据作为 LightGBM算法模型的输出层数据集； 将输入层数据集和输出层数据集划分为训练集和 测试集； 将训练集输入至LightGBM算法模型中， 对LightGBM算法模型进行参数寻优和训练， 采 用测试集测试L ightGBM算法模型的预测精度， 从而获得参数优化后的L ightGBM算法模型。权　利　要　求　书 1/3 页 2 CN 114091345 A 27.根据权利 要求6所述的河口潮位预测方法， 其特征在于， 对LightGBM算法模型进行参 数寻优和训练的方法包括： 以初始决策树的损 失函数最小为目标函数， 对初始决策树的拓扑结构进行训练学习， 获取初始决策树的误差分布； 其中， 所述损失函数为初始决策树预测的河口潮 位值η0相对 于分析站实测潮位数据 η(t)的方差； 根据初始决策树的误差分布， 训练学习第i棵决策树的拓扑结构， 使得LightGBM算法模 型的误差逐渐减小； 其中， L ightGBM算法模型的第i棵决策树的目标函数为： Obji＝L( ηi)+Ω(Ti)； 式中， Obji表示第i棵决策树的目标函数； L( ηi)是损失函数， 反映LightGBM算法模型的 精度； Ω(Ti)是正则化函 数， 反映LightGBM算法模型的稳定性； 其中， 正则化函数Ω(Ti)表达 式如下： 式中， α和β 分别是L1和L2正则化对应的超参数值； j为第i棵决策树的叶子节点序号； J 为第i棵决策树的叶子节点数； ωj是第i棵决策树上第j个叶子节点的输出。 8.根据权利要求7所述的河口潮位预测方法， 其特征在于， 训练学习第i棵决策树的拓 扑结构， 使得L ightGBM算法模型的误差逐渐减小的方法包括： 将LightGBM算法模型的第i棵决策树的目标函数进行二阶泰勒函数展开， 获取目标函 数Obji的二阶近似表达式： 式中， g和h分别表示第i ‑1棵决策树的损失函数L( ηi‑1)对 ηi‑1的一阶导数和二阶导数； 剔除目标函数Obji的二阶近似表达式中的常数L( ηi‑1)后， 将目标函数Obji的二阶近似 表达式表示 为第j个叶子节点输出ωj的表达式： 式中， Gj和Hj分别表示所有样本中属于第j个叶子节点上样本对应的g和h值之和； 当满足 时， 第j个叶子节点输出值ωj表示为： 式中， Gα， j＝max{0， (|Gj|‑α )}； 在确定ωj之后， 将 表示为：权　利　要　求　书 2/3 页 3 CN 114091345 A 3