潮位预测方法、装置、电子设备及计算机存储介质

1.本发明实施例涉及海洋潮汐预测领域，具体涉及一种潮位预测方法、装置、电子设备及计算机存储介质。


背景技术：

2.潮汐的实时、准确预报对于航运、生产、海洋测绘等具有重要意义。目前，主要的潮汐预报方式包括以下几种：第一种方式是以潮汐调和分析为代表的数据分析方法，在近岸和岛屿建立定点观测的海洋潮汐观测站，利用潮汐调和分析等方法，拟合连续的时间序列，利用分析得到的调和常数进行预报。该方式的缺点是观测站少，不能得到大范围的分布数据。
3.第二种方式是以海洋数值模拟为代表的计算流体动力学方法。海洋数值模拟是计算流体力学的一个特例，主要利用计算机求解一组流体力学控制方程（非线性偏微分方程），利用偏微分方程的初值或边值条件，得到预报时刻的海洋水位场。该方式的缺点是不能获得较为准确的近岸地形等模型输入资料，数值模拟中的参数化方案由人工经验近似，导致在近岸模拟不准确。


技术实现要素：

4.鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种潮位预测方法及装置。
5.根据本发明的一个方面，提供了一种潮位预测方法，所述方法包括：获取与预测时间相对应的潮位图像数据；其中，所述潮位图像数据根据潮位生成模型生成，且所述潮位图像数据用于描述预设区域内的各个位置点对应于所述预测时间的初始潮位值；将所述潮位图像数据中包含的至少一个位置点确定为预测位置点；根据所述潮位图像数据以及潮位预测模型，预测与所述预测位置点相对应的预测潮位值；其中，潮位预测模型为神经网络模型。
6.依据本发明的再一方面，提供了一种潮位预测装置，所述装置包括：图像数据获取模块，适于获取与预测时间相对应的潮位图像数据；其中，所述潮位图像数据根据潮位生成模型生成，且所述潮位图像数据用于描述预设区域内的各个位置点对应于所述预测时间的初始潮位值；确定模块，适于将所述潮位图像数据中包含的至少一个位置点确定为预测位置点；预测模块，适于根据所述潮位图像数据以及潮位预测模型，预测与所述预测位置点相对应的预测潮位值；其中，潮位预测模型为神经网络模型。
7.依据本发明的再一方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上述的方法。
8.依据本发明实施例的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述的方法。
9.在本发明提供的潮位预测方法及装置中，首先，获取与预测时间相对应的潮位图像数据；然后，确定潮位图像数据中包含的预测位置点；最后，根据潮位图像数据以及潮位预测模型，预测与预测位置点相对应的预测潮位值。由此可见，该方式中的潮位预测模型通过神经网络实现，因而能够根据大量历史数据学习得到多个位置点之间的潮位关联关系，进而通过潮位预测模型，精准预测位置点的预测潮位值，提升预测的准确性。
10.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
11.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1示出了本发明一个实施例提供的一种潮位预测方法的流程图；图2示出了本发明又一个实施例提供的一种潮位预测方法的流程图；图3示出了本发明一个具体示例提供的一种潮位预测方法的示意图；图4示出了本发明又一个实施例提供的一种潮位预测装置的结构示意图；图5示出了本发明又一个实施例提供的一种电子设备的结构示意图。
具体实施方式
12.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
13.图1示出了本发明一个实施例提供的一种潮位预测方法的流程图。如图1所示，该方法包括：s110：获取与预测时间相对应的潮位图像数据；其中，潮位图像数据根据潮位生成模型生成，且潮位图像数据用于描述预设区域内的各个位置点对应于预测时间的初始潮位值。
14.其中，潮位图像数据用于表示预设区域内的潮位情况。例如，潮位图像数据用于描述指定海洋区域内的各个位置点对应于预测时间的初始潮位值。其中，预测时间是指：待预测潮位值的时间点，具体可根据实际需求灵活设定。其中，潮位图像数据可通过各种方式生成，例如，可通过潮位生成模型得到，该潮位生成模型用于生成指定时间点的潮位图像数据。另外，潮位图像数据还可以结合各种算法生成。初始潮位值是指：潮位图像数据中对应于各个位置点的潮位数值，由于潮位图像数据是通过潮位生成模型等方式生成的，并非实
际数值，准确性无法保证，因此，称作初始潮位值。
15.s120：将潮位图像数据中包含的至少一个位置点确定为预测位置点。
16.其中，预测位置点是指：待预测潮位值的位置点，具体数量可以为一个或多个。通过本步骤，能够确定潮位图像数据中包含的至少一个预测位置点。
17.s130：根据潮位图像数据以及潮位预测模型，预测与预测位置点相对应的预测潮位值；其中，潮位预测模型为神经网络模型。
18.潮位预测模型通过神经网络构建，用于学习并预测潮位图像数据中包含的各个位置点的潮位值之间的关联关系。相应的，潮位预测模型的输入数据包括：潮位图像数据以及预测位置点，由于潮位预测模型已经学习得到各个位置点的潮位值之间的关联关系，因此，能够根据输入数据进行预测，以得到准确的预测结果。由于潮位预测模型通过训练得到，因此，结果更加准确。
19.在本发明提供的潮位预测方法中，首先，获取与预测时间相对应的潮位图像数据；然后，获取潮位图像数据中包含的与预测位置点相对应的初始潮位值；最后，将潮位图像数据以及与预测位置点相对应的初始潮位值输入潮位预测模型，根据潮位预测模型的输出结果预测与预测位置点相对应的预测潮位值。由此可见，该方式中的潮位预测模型通过神经网络实现，因而能够根据大量历史数据学习得到多个位置点之间的潮位关联关系，进而通过潮位预测模型，精准预测位置点的预测潮位值，提升预测的准确性。
20.另外，本领域技术人员还可以对上述实施例进行各种改动和变形。例如，在一种可选的实现方式中，在步骤s120中，还可以进一步从潮位图像数据中获取与预测位置点相对应的初始潮位值。其中，预测位置点的初始潮位值是指：预测位置点在潮位图像数据中对应的潮位值，其数值不一定与实际情况一致，因此，需要借助后续步骤进行修正。另外，考虑到潮位图像数据中的位置点的分布粒度可能较粗，当预测位置点与潮位图像数据中的任一位置点都不完全匹配时，还可以通过插值方式确定预测位置点相对应的初始潮位值。相应的，在后续步骤s130中，还可以将潮位图像数据、预测位置点以及与预测位置点相对应的初始潮位值共同作为潮位预测模型的输入数据，进而根据潮位预测模型的输出结果确定潮位预测结果。
21.图2示出了本发明又一实施例提供的一种潮位预测方法的流程图。该方法包括潮位预测模型的训练过程以及潮位预测模型的应用过程（即潮位预测过程），具体包括以下步骤：s210：获取与历史时间相对应的样本图像数据；其中，样本图像数据根据潮位生成模型生成，且样本图像数据用于描述预设区域内的各个位置点对应于历史时间的历史潮位值。
22.样本图像数据用于描述指定海洋区域内的各个位置点对应于历史时间的历史潮位值。其中，历史时间包括：历史时段内的各个时间点，具体时长可根据实际需求灵活设定。例如，历史时间可包括过去一年内的各个月份、各个星期或者各个日期所对应的各个时间点。
23.其中，样本图像数据可通过潮位生成模型生成，该潮位生成模型用于生成指定时间点的潮位图像数据。其中，潮位生成模型可以是动力约束模型、或经验分析模型等各种类型的模型。例如，潮位生成模型包括：基于实测的经验分析模型、基于动力约束的数值模型
以及结合实测和数值方法的数据同化模型等各类模型。相应的，通过潮位生成模型，分别生成与历史时间中的各个时间点相对应的样本图像数据。另外，样本图像数据还可以通过多种潮位生成模型相结合的方式生成。由于不同的潮位生成模型具有不同的特性，因此，通过多种潮位生成模型相结合，能够得到更加准确的样本图像数据。例如，针对每种潮位生成模型设置不同的权重，然后，针对多个潮位生成模型的结果进行加权，得到最终的样本图像数据。
24.历史潮位值是指：样本图像数据中对应于各个位置点的潮位数值。由于样本图像数据是间所对应的潮位数值（其中包含的潮位数值并非实际数值，为通过潮位生成模型等方式生成的，用于反映历史时潮位生成模型估计得到，因而准确性无法保证），因此，称作历史潮位值。
25.在一种可选的实现方式中，与历史时间相对应的样本图像数据包括：多个对应于不同的历史时间点的图像数据，且各个图像数据按照历史时间点的顺序依次排列。
26.s220：根据样本图像数据中的各个位置点对应于历史时间的历史潮位值，生成潮汐特征序列。
27.其中，潮汐特征序列用于表示各个位置点对应于历史时间的历史潮位值。为了使潮汐特征序列的准确性更高，在本实施例中，采用以下方式实现：首先，将样本图像数据中对应于观测位置的位置点确定为标记位置点，获取标记位置点对应于历史时间的历史潮位值。
28.上文已经提到过，样本图像数据中的各个位置点的历史潮位值是通过潮位生成模型确定的估计值，并非实际值。为了获得准确的观测数值，还可以进一步设置一个或多个观测位置，在各个观测位置设置有潮位站，用于进行潮位观测。因此，将对应于观测位置的位置点确定为标记位置点。由此可见，标记位置点包括：设置有潮位站等观测站，从而能够得到观测结果（即：精准潮位数据）的位置点。
29.由此可见，将对应于能够获取精准潮位数据的位置点确定为标记位置点。标记位置点是指：能够得到精确结果的位置点。
30.然后，根据观测位置的潮位观测数据，确定标记位置点对应于历史时间的观测潮位值。
31.其中，潮位观测数据通过观测位置设置的观测站获取。潮位观测数据是通过观测方式或其他方式获得的真实潮汐数值，准确性很高，因此，根据潮位观测数据设置标记位置点对应于历史时间的观测潮位值，能够确保标记位置点对应于历史时间的观测潮位值的准确性。
32.由此可见，标记位置点对应于历史时间的历史潮位值是通过潮位生成模型确定的对应于历史时间的潮位估计值，其并非真实值。而标记位置点对应于历史时间的观测潮位值则是通过观测等方式获得的真实值。因此，对于同一个标记位置点而言，其对应的历史潮位值与观测潮位值可能相同，也可能不同，二者之间的差值反映了潮位生成模型的误差。
33.另外，观测潮位值除通过上文提到的观测方式获取之外，还可以通过其他多种方式获取，例如，还可以通过观测分析方式获取，或者，通过精准模型预测方式获取，本技术对观测潮位值的具体获取方式不做限定，只要能够获取到较为准确的潮位值即可。可选的，为进一步预测更精准的潮位数据，还可以通过多种方式获得标记位置点的观测潮位值。例如，
根据潮位图像区域内的一个或多个点位的观测数据获得标记位置点的观测潮位值；又如，根据单点观测数据，通过调和分析等方法生成数据，以获得标记位置点的观测潮位值；再如，也可以根据潮汐表获取标记位置点的观测潮位值，或者利用比潮位生成模型更精准的其他模型获取标记位置点的观测潮位值。
34.最后，根据观测潮位值对样本图像数据设置训练标签，通过训练标签对样本图像数据进行标注，得到标注后的样本图像数据，根据标注后的样本图像数据生成潮汐特征序列。
35.其中，训练标签的标签值即为观测潮位值。训练标签的数量与标记位置点的数量相同，即：标记位置点与训练标签之间一一对应。通过训练标签对样本图像数据进行标注，能够通过标注结果反映标记位置点的历史潮位值与观测潮位值之间的相对关系，从而有利于基于该相对关系学习得到历史潮位值与观测潮位值之间的偏离情况，进而基于该偏离情况进行预测。
36.另外，潮汐特征序列中包含各个位置点的历史潮位值。并且，对于标记位置点而言，既包含历史潮位值，还包含观测潮位值。总之，通过潮汐特征序列能够反映各个位置点的潮汐状态。需要说明的是，潮汐特征序列还包括潮汐特征向量、潮汐特征矩阵等多种形式，本发明对此不作限定。
37.s230：根据潮汐特征序列进行训练，得到潮位预测模型。
38.其中，根据潮汐特征序列生成训练样本集，通过训练样本集进行训练，得到潮位预测模型。其中，潮位预测模型为神经网络模型。例如，潮位预测模型可以为深度学习模型，该深度学习模型也叫深度神经网络模型。其中，深度学习模型可以为卷积神经网络模型等各类模型，本发明对此不作限定。例如，潮位预测模型包括：基于卷积操作的第一网络模型（如卷积神经网络模型），用于学习样本图像数据中的任一位置点与局部子区域中的其余位置点之间的关联关系；或者，潮位预测模型包括：基于注意力机制的第二网络模型（如transformer模型），用于学习样本图像数据中的任一位置点与全局区域中的其余位置点之间的关联关系。
39.例如，潮位预测模型可以为卷积神经网络模型，其中，通过卷积层能够分析样本图像数据中的局部区域与全局区域之间的关联关系。相应的，针对样本图像中的任意一个位置点，通过分析图像里全局的特征，来抽取该位置点与图像中的全局特征之间的关系，分析出该位置点的信息。由此可见，通过卷积方式，利用同一个卷积核抽取图像信息，能够挖掘样本图像数据中的各个位置点与图像全局区域之间的关联关系。
40.另外，本实施例中的潮位图像数据可通过多种方式生成。例如，潮位图像数据可根据潮位生成模型、历史观测数据以及同化算法生成。
41.s240：通过潮位预测模型进行潮位预测。
42.为了便于理解，下面以一个详细示例为例，详细介绍本技术实施例中的预测方法：在一些相关技术中，进行潮汐预测时，采用加入卫星资料的数据分析及资料同化方法。其中，卫星高度计能够提供全球轨道上的观测资料，高度计每一个周期重复相同的轨道，因此高度计对海面高度的观测值可视为潮位站对于每个站点的观测值。通过调和分析或者数值模拟同化高度计资料，可进一步提升潮汐预报的精度。但是，考虑到卫星高度计的观测资料在近岸地区的观测可能不准确，因此，海洋潮汐预报的主要预报方法包括：基于实
测资料的潮汐调和分析等数据驱动方法，海洋数值模式模拟等基于物理约束的数值模型模拟方法，以及结合数值模型模拟和实测数据的数据同化方法。其中，潮汐调和分析方法等主要考虑天文因子，需要长时间序列的观测资料，仅能够预报有观测资料的地区的潮汐数据。海洋数值模型及同化的潮汐数值模型，基于流体动力学及统计学中的贝叶斯定理理论，可以预报大范围的潮汐资料。模型在开阔大洋中预报精度较高，误差一般不超过10cm。但在近岸地区由于岸线、地形等不准确，同时同化的卫星高度计资料在近岸地区也不准确，导致目前近岸的潮汐预报仍有15-30cm左右的误差。
43.在一种相关技术中，利用数据同化方法，采用动力约束的数值模型以及观测资料，采用数据同化的方法预报得到高维的潮汐。其中，数据同化包括4个基本要素：模拟自然界真实过程的动力模型；状态量的直接或间接观测数据；不断将新观测的数据融入过程模型计算中、校正模型参数、提高模型模拟精度的数据同化算法；驱动模型运行的基础参量数据。其中，动力模型也叫数值模型，用于实现动力约束功能。根据数值模型的输出结果，以及高维观测资料，按照贝叶斯定理执行数据同化操作，从而得到高维的预测结果。
44.但是，发明人在实现本发明的过程中发现，相关技术中采用潮汐数值模型和同化潮汐数值模型时，预报数据在近岸地区不够精确。为了解决上述问题，在本示例中，采用计算机视觉领域发展的人工智能相关方法，直接通过在开阔大洋的数值模拟得到的较为准确的潮汐数据和近岸观测数据做训练，利用深度学习算法，采用卷积神经网络（convolutional neural networks, cnn）、transformer网络等，对海洋潮汐预报精度进行改进。具体技术路线是利用全球的潮汐模型生成连续时间的二维潮位场，用潮位场区域内有潮位站的实测数据作为数据标签。利用历史观测资料及数值模型结果制作大量的数据集，将数据按时间逐小时排列。抽取一定比例的数据分别作为训练集及测试集。采用卷积神经网络、transformer网络等深度学习算法生成潮汐结果。预报时，先获取潮位生成模型输出的结果，进一步再通过训练得到的潮位预测模型生成潮汐预报结果，相对于传统的模型直接模拟的结果有明显提升。
45.图3示出了本示例的具体实现步骤：步骤s310：获取与历史时间相对应的样本图像数据。
46.其中，样本图像数据通过预设运算方式生成，用于描述预设区域内的各个位置点对应于历史时间的历史潮位值。该预设区域是指：包含预测位置点的预设范围的地理区域。例如，为了预测某一海域的某一位置点的潮汐情况，可以将整个海域或局部海域作为预设区域，通过预设运算方式得到样本图像数据。该样本图像数据用于以地图图像形式存储各个位置点在历史时间的历史潮位值。例如，样本图像数据的表现形式为一幅地图图像，该图像用于以地图的形式反映各个位置点的潮汐数值。但是，从计算机存储的角度而言，样本图像数据本质上是一个矩阵（也可以称作样本潮位矩阵），矩阵中的各个元素的排列位置与地图图像中的各个像素点的排列位置相对应，且各个元素的元素值表示对应位置的潮汐数值。当然，需要说明的是，在计算机中实际上是通过数据矩阵等形式实现样本图像数据中包含的图像信息的存储。
47.另外，样本图像数据中通常既包含水域区域，也包含陆地区域，在潮汐预测时，陆地区域属于无效区域，因此，陆地区域通过掩码数据进行表示，在实际处理时，需将掩码数据转换为标准数据，并将标准数据重置为零值，以使计算机能够分辨样本图像数据中的陆
地区域。
48.另外，由于常规的图像数据中不同像素的取值范围为0至255 。但是，本技术中的潮位数值的取值范围不同于常规图像数据，本技术中的潮位数值的取值范围为数米的范围。因此，需要对样本图像数据中包含的历史潮位值进行归一化处理，使历史潮位值的取值范围位于[0，1]或[-1，1]的范围之后，方可输入网络。并且，由于潮位数值的取值范围与常规图像数据不同，因此，本技术中的归一化计算方式也不同于常规的图像数据。本技术具体通过以下方式进行归一化：计算历史潮位值的输入值（即归一化之前的历史潮位值）与潮位最小值之间的第一差值；然后，再计算潮汐水位的最大值与潮汐水位的最小值之间的第二差值；最后，计算第一差值与第二差值之间的商。例如，可通过以下方式实现归一化：由于潮汐水位范围为几米到十米的量级，不同数据的最大、最小值都不同，因此，在本示例中，采用线性缩放方法进行归一化处理。归一化公式为output = ( input
ꢀ‑
min ) /[max-min]。其中，output为归一化之后的历史潮位值，input为归一化之前的历史潮位值。max表示潮位最大值，min表示潮位最小值。
[0049]
在一种实现方式中，样本图像数据根据潮位生成模型得到，潮位生成模型可以为数据同化模型、动力约束模型或经验分析模型等各类模型。通过潮位生成模型生成与历史时间中的各个时间点相对应的样本图像数据。例如，可针对每个小时生成一个样本图像数据，将一个月之内的各个小时对应的样本图像数据按照时间排列，得到对应于该月的月度样本图像数据集合。相应的，将各月的月度样本图像数据集合按照时间排列，得到对应于该年的年度样本图像数据集合。依此类推，还可以得到对应于各个年份的年度样本图像数据集合。总之，通过潮位生成模型生成对应于一段历史时段的样本图像数据集合，该样本图像数据集合中包括多个按照时间点顺序依次存储的样本图像数据，每个样本图像数据对应于一个历史时间点。例如，对应于一段历史时段的样本图像数据集合可以由最近十年的样本图像数据构成。
[0050]
由于潮汐水位具有时间敏感性和关联性，因此，通过将样本图像数据集合中的各个样本图像数据按照时间排列，能够便于挖掘潮汐水位随时间推移的变化规律。具体实施时，可以将第一历史时段（如1月至11月的时间）的数据作为训练集，将第二历史时段（如12月）的数据作为测试集。通过不同时段的数据，对模型进行测试，以调整模型的精度。
[0051]
另外，样本图像数据还可以结合各种同化算法生成。总之，样本图像数据是指：通过算法得到的预设区域内的各个位置点对应于历史时间的历史潮位值（也叫估计潮位值，由算法估计的方式得到）。
[0052]
另外，关于潮汐基准面的选取，可通过多种方式实现：训练和观测数据可采用水尺零点，或平均海平面，只要保证与输出层一致即可。总之，直接将实际观测数据的基准面作为潮汐基准面即可，无需执行基准面变换处理。比如，若观测数据是基于水尺零点的数据，则采用水尺零点作为潮汐基准面；若观测数据是基于平均海平面的数据，则采用平均海平面作为潮汐基准面。
[0053]
步骤s320：将样本图像数据中对应于观测位置的位置点确定为标记位置点，获取标记位置点对应于历史时间的历史潮位值。
[0054]
由于样本图像数据中的各个位置点的历史潮位值是通过估算方式确定的，并非实际观测值，因此，为了便于获取准确的观测数据，需要根据观测结果对样本图像数据进行标
注。在标注之前，先从样本图像数据中提取对应于观测位置的观测点，将提取出的观测点作为标记位置点。所谓标记位置点是指：设置有观测站，能够获取实际观测值的位置点。
[0055]
步骤s330：根据观测位置的潮位观测数据，确定标记位置点对应于历史时间的观测潮位值。
[0056]
标记位置点对应于历史时间的观测潮位值是指：通过观测站以真实观测方式获取到的标记位置点在历史时间的潮位数值。与历史潮位值相比，观测潮位值具有更好的准确性，能够真实反映特定位置点在特定历史时间的潮位状态。可以理解的是，由于观测站的数量限制，标记位置点的数量通常为一个或多个。
[0057]
步骤s340：根据观测潮位值对样本图像数据设置训练标签，通过训练标签对样本图像数据进行标注，得到标注后的样本图像数据，根据标注后的样本图像数据生成潮汐特征序列。
[0058]
其中，训练标签用于对样本图像数据进行标注，训练标签的具体数值根据标记位置点的观测潮位值设定。通过标注方式，能够反映各个标记位置点的观测潮位值。另外，潮汐特征序列用于反映标注后的样本图像数据的具体内容。
[0059]
通过潮汐特征序列，能够反映样本图像数据集合中包含的各个样本图像数据、各个样本图像数据中的各个位置点的历史潮位值以及标记位置点的观测潮位值。由此可见，潮汐特征序列用于以序列形式记录依序存储的各个样本图像数据的数据特征，以及各个样本图像数据中的标记位置点的观测潮位值。
[0060]
另外，潮汐特征序列具体可以为潮汐特征矩阵、潮汐特征向量等各种数学形式。
[0061]
步骤s350：根据潮汐特征序列进行训练，得到潮位预测模型。
[0062]
由于每种类型的深度学习模型的计算逻辑不同，因此，需要根据潮汐数据的特点选择合适的深度学习模型。中国近海潮汐主要是西北太平洋传入的协振动潮波。例如，以厦门为例，同时受到多个海域的影响（同时受局地影响、东海影响以及吕宋海峡影响），因此，对于每个位置点的潮汐数值而言，其不仅与自身随时间的变化规律相关，还与其他位置点相关。因此，需要选择能够学习出各个位置点之间的关联关系的深度学习模型。
[0063]
在一种实现方式中，通过卷积神经网络模型进行训练。其中，卷积神经网络模型包括：卷积层、池化层以及全连接层。卷积层用于将样本图像数据所对应的预设区域划分为多个更加细小的局部子区域，针对每个局部子区域进行更加深入的分析和抽象。池化层用于在不改变潮汐特征序列的矩阵深度的情况下，进一步缩小全连接层的节点个数。全连接层用于把信息抽象成信息含量更高的特征。因此，通过卷积神经网络，能够分析任一位置点与局部子区域中的关联位置点之间的关联关系，从而基于该关联关系进行预测。卷积神经网络的方式与插值方式不同：计算机插值是通过一个点和几个点在单一图像中的关系，在已知一个点的情况下，通过插值方式计算其余点。因此，插值方式仅根据单一图像内容进行插值运算，结果准确性不高。卷积神经网络则是通过大量的历史数据训练得到具体信息。在卷积神经网络的执行过程中，利用同一个卷积核抽取图像信息，不仅考虑了各个位置点随时间的变化情况（多个样本图像数据分别对应于不同的时间点），而且学习了某个位置点与局部子区域中的其他位置点之间的关联情况。另外，关于最后一层（全连接层）的选择，可采用以下方式实现：若预测位置点为一个，则生成标量值作为输出的线性层；若预测位置点为多个，则生成多个标量输出的相同线性层作为最后一层。另外，关于代价函数的选取，可采用
以下方式实现：计算潮汐水位时的损失函数采用均方误差（mean square error，mse）函数，预报精度用均方根误差（root mean square error，rmse）函数来判断，具体公式如下：loss=mean((output
−
label)2)。其中，loss为计算得到的损失值。output为通过潮位预测模型训练得到的位置点的预测结果，label 为位置点的实际观测结果。mean表示取平均值操作。由于模型训练过程中包含多个样本图像数据，因此，需要对多个样本图像数据的结果取平均值。在训练过程中，需要让损失函数越来越小，具体通过反向传播方式（也叫误差反向传播）进行训练。
[0064]
在又一种实现方式中，通过transformer网络模型进行训练。该模型引入了注意力机制，用于计算样本图像数据中的当前所有元素之间的关系。上述两种网络模型都能够学习得到一个位置点与其他位置点之间的关联。区别在于：卷积方式是分区域计算的方式，将整张图像划分为多个子区域，分别关注各个子区域之间的关联。而注意力机制则关注位置点跟全局之间的关系，即：重点关注一个位置点与全局的所有位置点之间的关系，而卷积则关注位置点跟局部子区域内的局部位置点之间的关系（卷积是一层一层针对局部区域进行计算）。
[0065]
实际应用中，上述两种模型既可以择一使用，也可以结合使用。本示例对潮汐预测模型中的具体类型不做限定。
[0066]
步骤s360：获取与预测时间相对应的潮位图像数据。
[0067]
其中，通过潮位生成模型或其他同步算法等方式生成与预测时间相对应的潮位图像数据。其中，潮位图像数据与样本图像数据的生成方式类似，区别在于：二者对应的时间点不同。潮位图像数据对应于预测时间。
[0068]
另外，与样本图像数据类似，潮位图像数据的表现形式为一幅地图图像，该图像用于以地图的形式反映各个位置点对应于预测时间的潮汐数值。但是，从计算机存储的角度而言，潮位图像数据本质上是一个矩阵（也可以称作预测潮位矩阵），矩阵中的各个元素的排列位置与地图图像中的各个像素点的排列位置相对应，且各个元素的元素值表示对应位置的潮汐数值。
[0069]
步骤s370：通过潮位预测模型预测与预测位置点相对应的预测潮位值。
[0070]
其中，潮位预测模型的输入信息包括：预测位置点的位置坐标（如经度、纬度等）、以及预测位置点在潮位图像数据中的初始潮位值（该初始潮位值为通过潮位生成模型得到的估计值）。其中，预测位置点的初始潮位值是一种可选的输入信息，在其他实现方式中，也可以不输入预测位置点的初始潮位值，直接根据潮位图像数据获取即可。或者，在潮位预测模型内部集成有潮位生成模型的情况下，还可以直接在潮位预测模型的输入信息中包括预测时间，从而使潮位图像数据在潮位预测模型内部生成。本发明不限定具体实现细节。另外，预测位置点可以与上文提到的观测位置点相同，或者，预测位置点也可以与观测位置点不同。潮位预测模型的输出信息包括：预测位置点的预测潮位值。
[0071]
由于潮位预测模型预先学习了各个位置点与局部位置点或全局位置点之间的关联，且训练样本包含一段历史时段内按时间顺序排列的多个样本图像数据，因此，潮位预测模型能够基于时间关联关系，以及各个位置点之间的关联关系，准确预测与预测位置点相对应的预测潮位值。
[0072]
综上可知，通过大量训练的网络能够学习到样本图像数据中存储的历史潮位值与
实测数据之间的相关性及偏差，在做数据分析或潮汐预报时，基于潮位生成模型得到的数据，进一步采用潮位预测模型能够得到更加准确的数值，既可以替代插值方法提取的数据，也可以与数值模型相结合视为同化模型的进一步改进。传统的同化模型进行预报时，需要实况或者准实时的资料，而本示例中的潮位预测模型已通过大量历史资料进行学习，因而可直接进行预报，相对于同化方法也有计算效率上的提升。另外，通过1997年整年实测厦门站水位数据对比发现，通过大洋潮汐模式插值预报的均方根误差rmse为28.16cm，平均绝对误差（mean absolute error, mae）为22.65cm；使用最二乘调和分析方式预报的rmse为19.40cm，mae为15.13cm；使用本示例中的潮位预测模型订正后的预报结果的rmse为20.49cm，mae为16.53cm，由此可见，本示例中的预测结果与实测分析资料的结果十分接近，相对于传统的数值模型的结果有很大改进。
[0073]
图4示出了本发明又一实施例提供的一种潮位预测装置，包括：图像数据获取模块41，适于获取与预测时间相对应的潮位图像数据；其中，所述潮位图像数据根据潮位生成模型生成，且所述潮位图像数据用于描述预设区域内的各个位置点对应于所述预测时间的初始潮位值；确定模块42，适于将所述潮位图像数据中包含的至少一个位置点确定为预测位置点；预测模块43，适于根据所述潮位图像数据以及潮位预测模型，预测与所述预测位置点相对应的预测潮位值；其中，潮位预测模型为神经网络模型。
[0074]
可选的，所述装置还包括：训练模块，用于训练所述潮位预测模型，并且，所述训练模块具体包括：样本获取子模块，适于获取与历史时间相对应的样本图像数据；其中，所述样本图像数据根据所述潮位生成模型生成，且所述样本图像数据用于描述所述预设区域内的各个位置点对应于所述历史时间的历史潮位值；序列生成子模块，适于根据所述样本图像数据中的各个位置点对应于所述历史时间的历史潮位值，生成潮汐特征序列；学习子模块，适于根据所述潮汐特征序列进行训练，得到所述潮位预测模型。
[0075]
可选的，所述序列生成子模块具体适于：将所述样本图像数据中对应于观测位置的位置点确定为标记位置点，获取所述标记位置点对应于所述历史时间的历史潮位值；根据所述观测位置的潮位观测数据，确定所述标记位置点对应于所述历史时间的观测潮位值；根据所述观测潮位值对所述样本图像数据设置训练标签，通过所述训练标签对所述样本图像数据进行标注，得到标注后的样本图像数据，根据所述标注后的样本图像数据生成潮汐特征序列。
[0076]
可选的，所述与历史时间相对应的样本图像数据包括：多个对应于不同的历史时间点的图像数据，且各个图像数据按照历史时间点的顺序依次排列。可选的，所述潮位生成模型包括以下中的至少一个：数据同化模型、动力约束模型以及经验分析模型。
[0077]
可选的，所述潮位预测模型包括：基于卷积操作的第一网络模型，用于学习样本图像数据中的任一位置点与局部子区域中的其余位置点之间的关联关系；和/或，
所述潮位预测模型包括：基于注意力机制的第二网络模型，用于学习样本图像数据中的任一位置点与全局区域中的其余位置点之间的关联关系。
[0078]
可选的，所述潮位图像数据根据潮位生成模型、历史观测数据以及同化算法生成。
[0079]
上述各个模块的具体结构和工作原理可参照方法实施例相应部分的描述，此处不再赘述。
[0080]
本技术又一实施例提供了一种非易失性计算机存储介质，计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的虚拟场景中的对象加载方法。可执行指令具体可以用于使得处理器执行上述方法实施例中对应的各个操作。
[0081]
图5示出了根据本发明又一实施例的一种电子设备的结构示意图，本发明具体实施例并不对电子设备的具体实现做限定。
[0082]
如图5所示，该电子设备可以包括：处理器（processor）502、通信接口（communications interface）504、存储器（memory）506、以及通信总线508。
[0083]
其中：处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
[0084]
通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。
[0085]
处理器502，用于执行程序510，具体可以执行上述潮位预测方法实施例中的相关步骤。
[0086]
具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。
[0087]
处理器502可能是中央处理器（central processing unit, cpu），或者是特定集成电路asic（application specific integrated circuit），或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu。也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
[0088]
存储器506，用于存放程序510。存储器506可能包含高速ram存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。
[0089]
程序510具体可以用于使得处理器502执行上述潮位预测方法实施例中对应的各个操作。
[0090]
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0091]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的
组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（digital signal processing, dsp）来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。