买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学申请的专利一种基于深度学习的潮位时间序列预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115238862B 。

龙图腾网通过国家知识产权局官网在2025-08-05发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210823159.8，技术领域涉及：G06F18/27；该发明授权一种基于深度学习的潮位时间序列预测方法是由雷加悦;顾宏;余向军;秦攀设计研发完成，并于2022-07-14向国家知识产权局提交的专利申请。

本一种基于深度学习的潮位时间序列预测方法在说明书摘要公布了：本发明属于时间序列预测领域，涉及一种基于深度学习的潮位时间序列预测方法。本发明采用了HA‑DeepAR模型，对经过预处理的潮位时间序列首先进行调和分析，计算潮汐调和常数，并利用潮汐调和常数计算潮位中的天文潮信息，对于余水位信息采用DeepAR模型进行预测，最终将预测的天文潮位和余水位叠加，得到总的潮位预测值，并给出潮位的置信区间，方便进行风险评估。

本发明授权一种基于深度学习的潮位时间序列预测方法在权利要求书中公布了：1.一种基于深度学习的潮位时间序列预测方法，其特征在于，具体步骤如下： 1数据预处理：采用均值插补方法，利用潮位的平均值对原始潮位历史数据中可能存在缺失值进行填补； 2潮汐调和分析：目的是根据潮汐观测资料计算各天文分潮的调和常数；任一天文分潮的表达式为： ξ＝fHcosσt+V+u 其中，H是分潮振幅，σ是分潮频率，V是天文初相角，f、u分别表示月球轨道18.61年变化引起的对分潮振幅H和天文初相角V的订正值；根据平衡潮理论，在上中天时，即相角σt+V+u＝0，应发生高潮，但是由于海底摩擦、海水惯性原因，近岸实际潮汐的高潮会出现的稍晚，即存在高潮间隙，因而在相角中额外引入迟角K； 最终得到实际天文分潮表达式为： ξ＝fHcosσt+V+u-K 其中，分潮振幅H和迟角K称为潮汐天文分潮的调和常数，需要根据潮位数据进行求解，其他参数均可根据天文要素直接推算得出； 实际潮位ξt是由平均海平面、多个天文分潮以及余水位叠加而成的： 其中：a0为观测期间的平均海平面，Ri为天文分潮振幅，σi为天文分潮角速度，θi为天文分潮初相角，m为天文分潮个数，γt为余水位； 将天文分潮表达式代入到实际潮位表达式得： 对比两个实际潮位表达式得： 其中，fi，Vi和ui均可根据天文要素直接推算得出，所以计算调和常数Hi和Ki实际上就是需要计算Ri和θi；为方便计算求解，利用三角恒等式，将各个天文分潮用相同频率的正弦函数和余弦函数表示： 其中 推导最终，天文潮位被分解成了2m个固定频率，不同幅值但初相位均为0的正弦函数和余弦函数； 最后使用最小二乘法令上述公式去拟合实际潮位数据，进而求解得出ai和bi，最终得到各个分潮的潮汐调和常数Hi和Ki，即可计算得到天文潮位，用实际潮位与天文潮位做差，得到余水位信息； 3建立深度自回归模型： zi,t代表的是t时刻第i个时间序列，即余水位时间序列，xi,t表示t时刻第i个时间序列的协变量，即其他与潮位相关地海洋气象信息；DeepAR模型的目标是在给定t0时刻之前的历史余水位数据的前提下，建立t0及以后的每个余水位时间序列的条件概率分布： 因为DeepAR采用自回归网络架构，所以假定上述分布写成如下的似然形式： 其中hi,t＝hhi,t-1,zi,t-1,xi,t是自回归网络的输出，h·代表着自回归网络内部的函数，θ·代表着将输出到给定分布的参数的映射；训练时通过最大化似然函数来实现对余水位分布函数的求解，即损失函数为： 预测过程和训练时不同的是，zi,t-1不是实际数据，而是上次预测分布的抽样均值； 4将通过步骤2得到的天文潮位，与步骤3同一时刻预测的余水位信息进行累加，得到完整的潮位预测信息。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。