简介这份资源面向机器学习入门者与海洋工程、气象水文方向的科研人员提供用Python实现海浪波高预报的完整源码。针对传统数值预报成本高、周期长的问题作者分别搭建LSTM与RNN两种循环神经网络模型对站点风速与波高数据进行训练与对比实验最终预报误差约0.2m准确性较高也可迁移到股票预测等时序任务中参考。压缩包共2个文件包含1个nc数据文件与1个py源码文件整体约207KBnc文件存放站点风速与波高观测信息py脚本则涵盖数据读取、模型构建、训练及预测全流程并附有代码注释。源码会输出散点拟合图与预报折线图便于直观评估模型效果。目前已有1081人学习下载读者可借此掌握时序数据预处理、LSTM与RNN建模调参及误差分析思路遇到疑问还可与作者交流讨论适合作为课程设计或科研实验的参考案例。1. 海浪波高预报为什么值得用 LSTM 和 RNN 重做一遍近岸海浪波高直接决定施工窗口、航运安全和养殖设施的抗风险等级传统做法靠数值模式跑谱方程算一次动辄几十分钟近岸浅水区还容易因为地形数据粗糙而失真。这几年做海浪波高预报的工程团队开始转向数据驱动用浮标、雷达、卫星高度计积累的历史序列训练 LSTM 或 RNN 直接拟合「过去 N 小时波高 → 未来 M 小时波高」的映射。它不替代物理模式但能在秒级给出滚动预报且对单点历史规律吃得比粗网格模式更细。这篇笔记面向已经会写 Python、想把这套东西真正跑起来的人从数据组织、模型搭建、训练调参到上线前验证把 LSTM 时间序列预测在波高场景里的完整链路讲清楚源码结构也一并给出方便你照着改。2. 数据准备波高序列怎么整理成 LSTM 能吃的张量2.1 波高数据的来源与清洗口径海浪波高预报的第一步不是建模是把数据弄干净。常见来源有三类浮标观测逐小时或逐半小时有效波高 Hs、雷达反演时间分辨率高但噪声大、再分析数据集如 ERA5 的显著波高空间覆盖好但时间粒度粗。我一般优先用浮标数据做主训练集再分析数据做补充和交叉验证因为浮标是实测最能反映近岸真实波动。拿到原始序列后要处理四件事。第一是缺测浮标因供电或通信中断常有整段缺失直接插值会伪造趋势正确做法是标记缺失段训练时用掩码跳过或者只保留连续长度超过阈值的片段。第二是异常值波高出现 0 或超过物理上限比如 25 米基本是传感器故障按 3σ 或物理阈值剔除。第三是时间对齐不同来源时间戳要统一到整点避免错位。第四是重采样如果原始是 10 分钟粒度做小时级预报就按小时聚合取均值或最大值取决于你要预报的是平均波高还是极值波高。清洗完的数据建议存成两列时间戳和波高值中间不要夹带其他字段后续做滑窗时逻辑最清晰。2.2 滑动窗口构造与归一化LSTM 吃的是序列样本需要把一条长序列切成「输入窗口 预测目标」的样本对。假设用过去 24 小时预测未来 6 小时那每个样本的输入是 24 个点标签是紧接着的 6 个点。窗口之间可以有重叠重叠越多样本量越大但要注意别让训练集和测试集因为重叠而泄漏。import numpy as np import pandas as pd def make_windows(series, input_len24, pred_len6, stride1): series: 一维归一化后的波高数组 input_len: 输入序列长度小时 pred_len: 预测长度小时 stride: 窗口滑动步长 返回 X: (样本数, input_len, 1), y: (样本数, pred_len) X, y [], [] total len(series) - input_len - pred_len 1 for i in range(0, total, stride): X.append(series[i : i input_len]) y.append(series[i input_len : i input_len pred_len]) X np.array(X).reshape(-1, input_len, 1) y np.array(y) return X, y # 归一化用训练集统计量避免测试集信息泄漏 train_raw df.loc[:2022-12-31, Hs].values mu, sigma train_raw.mean(), train_raw.std() series_norm (df[Hs].values - mu) / sigma X, y make_windows(series_norm, input_len24, pred_len6, stride1)这段代码的关键点有三个。input_len和pred_len决定问题难度输入越长模型看到的上下文越多但太长会引入无关历史、拖慢训练波高场景一般 12 到 48 小时比较合理。stride控制样本密度训练集可以设小一点增加样本测试集建议设成pred_len避免重叠泄漏。归一化必须用训练集的均值和方差然后套用到验证和测试集这是时间序列里最容易翻车的地方之一用全量数据算统计量等于把未来信息喂给了模型。提示波高序列有明显的日周期和季节周期如果数据跨年建议在特征里额外加入小时、月份的正弦编码纯波高值本身不含这些信息。2.3 训练集、验证集、测试集的时间切分时间序列不能随机切分必须按时间先后切。常见比例是 7:1.5:1.5 或 8:1:1训练集在前验证集居中测试集在最后。验证集用于早停和调参测试集只在最后评估一次不要反复拿测试集调模型否则评估结果会虚高。如果数据量足够还可以做滚动验证用前几年训练、下一年验证逐年滚动这样更能反映模型在不同年份的泛化能力。3. LSTM 与 RNN 模型搭建从单层到堆叠的取舍3.1 RNN 的梯度问题与 LSTM 的改进逻辑RNN 的核心是循环单元每个时间步把当前输入和上一时刻隐状态结合理论上能记住任意长历史。但实际训练时普通 RNN 的梯度在反向传播中会指数衰减或爆炸导致它只能记住最近几步长序列上表现很差。LSTM 引入输入门、遗忘门、输出门和细胞状态让信息可以选择性保留或丢弃梯度能沿细胞状态更稳定地流动这就是它在波高这类中长序列任务上普遍优于普通 RNN 的原因。选型上如果输入窗口只有 6 到 12 小时普通 RNN 也能凑合一旦窗口拉到 24 小时以上直接上 LSTM。GRU 是 LSTM 的简化版参数更少、训练更快在数据量不大时值得一试但波高预报里 LSTM 的稳定性通常更好。3.2 用 PyTorch 搭一个可训练的 LSTM 预报网络import torch import torch.nn as nn class WaveLSTM(nn.Module): def __init__(self, input_size1, hidden_size64, num_layers2, pred_len6, dropout0.2): super().__init__() self.lstm nn.LSTM( input_sizeinput_size, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, dropoutdropout if num_layers 1 else 0.0 ) self.fc nn.Linear(hidden_size, pred_len) def forward(self, x): # x: (batch, input_len, input_size) out, (h_n, c_n) self.lstm(x) last out[:, -1, :] # 取最后一个时间步的隐状态 return self.fc(last) # 输出 pred_len 个预测值 model WaveLSTM(input_size1, hidden_size64, num_layers2, pred_len6)结构说明hidden_size是隐状态维度波高这种单变量任务 32 到 128 够用太大容易过拟合。num_layers是堆叠层数两层通常比一层好三层以上收益递减且训练变慢。dropout只在多层时生效用来抑制过拟合。最后接一个全连接层把隐状态映射到pred_len维输出这是多步预测最直接的实现方式。训练循环里几个参数要盯紧。学习率用 1e-3 起步配合ReduceLROnPlateau在验证损失不降时减半。损失函数用 MSE 或 Huber波高有极端值时 Huber 更稳。批次大小 32 到 128序列任务里太小会让梯度噪声大。早停耐心值设 10 到 20 轮避免无效训练。criterion nn.HuberLoss() optimizer torch.optim.Adam(model.parameters(), lr1e-3) scheduler torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, patience5, factor0.5) for epoch in range(200): model.train() for xb, yb in train_loader: optimizer.zero_grad() pred model(xb) loss criterion(pred, yb) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) optimizer.step() # 验证阶段略记录 val_loss 后 scheduler.step(val_loss)clip_grad_norm_是 LSTM 训练的后悔药梯度爆炸时它能救回来阈值 1.0 是常用起点。3.3 多步预测的两种输出策略上面用的是直接多输出一次前向就吐出未来 6 个点。另一种是自回归每次预测一步把预测值拼回输入再预测下一步。直接多输出训练稳定、推理快但各步之间独立性较强自回归能保持时序连贯但误差会累积6 步以上容易漂移。波高预报里我一般用直接多输出如果发现预测曲线过于抖动再考虑加一个平滑后处理或改用自回归。4. 训练调参与评估让预报准确性真正站得住4.1 波高预报该看哪些指标MSE 和 MAE 是基础但工程上更关心有效波高的绝对误差和相对误差。常用指标包括 RMSE米、MAE米、MAPE百分比以及相关系数。波高较小时 MAPE 会失真所以低波高段建议看绝对误差高波高段看相对误差。另一个实用指标是预报时效曲线分别统计未来 1、3、6、12 小时的 RMSE看误差随时效增长的速度这直接决定你的预报能用到第几小时。指标含义波高场景参考RMSE均方根误差1 小时预报常见 0.1~0.2 米MAE平均绝对误差比 RMSE 更抗极端值相关系数预测与实测相关性0.9 以上算可用时效 RMSE各预测步误差判断有效预报时长4.2 超参数怎么调才不玄学调参顺序建议先定窗口长度再定网络容量最后调学习率和正则。窗口长度用验证集 RMSE 选24 和 48 各跑一遍对比。网络容量从hidden_size32, num_layers1开始欠拟合就加过拟合就减或加 dropout。学习率用网格 1e-2、1e-3、1e-4 试配合学习率衰减。批次大小对最终精度影响不大但影响训练速度显存够就大一点。如果验证损失震荡不降先检查数据归一化和窗口切分有没有泄漏再检查梯度是否爆炸。如果训练损失很低但验证损失高是过拟合加 dropout、减层数、增数据。如果两者都高是欠拟合加容量或加特征。4.3 用测试集做一次诚实的评估model.eval() with torch.no_grad(): preds model(X_test_tensor).numpy() # 反归一化 preds_real preds * sigma mu y_real y_test * sigma mu rmse np.sqrt(((preds_real - y_real) ** 2).mean()) mae np.abs(preds_real - y_real).mean() print(fRMSE{rmse:.3f} m, MAE{mae:.3f} m)反归一化别忘否则指标全是归一化尺度没有物理意义。评估时按预测步分别算 RMSE画一张误差随时效增长的曲线比单一数字更有说服力。5. 避坑与排查波高预报里最容易翻车的五件事现象验证损失远低于测试损失。原因通常是窗口重叠导致训练集和验证集信息泄漏或者归一化用了全量统计量。解决测试集窗口 stride 设为 pred_len归一化只用训练集统计量切分严格按时间。现象预测曲线整体滞后于实测。原因多是模型学到了「上一时刻值约等于当前值」的捷径输入窗口太长而模型容量不足。解决缩短输入窗口增加 hidden_size或在损失里对变化剧烈段加权。现象极端波高完全预测不出来。原因是极端样本少MSE 被大量平静海况主导。解决对高波高样本加权或改用分位数损失也可以单独训练一个极值分类器做触发。现象训练 loss 突然变 NaN。原因是梯度爆炸或学习率过大。解决加梯度裁剪学习率降到 1e-4检查输入里有没有异常大值没清洗干净。现象换一个浮标站点精度骤降。原因是模型过拟合了单站点的局部规律。解决多站点数据混合训练加入站点编码或经纬度特征做跨站验证。6. 进阶技巧把预报从「能跑」推到「敢用」模型跑通只是起点真正上线前我习惯做两件事。第一件是残差修正把 LSTM 预测值和实测值的差再建一个轻量模型哪怕就是线性回归对系统性偏差做二次校正这一步在波高预报里经常能把 RMSE 再压 5% 到 10%。第二件是集成训练 3 到 5 个不同随机种子或不同窗口长度的 LSTM预测取平均方差明显下降极端情况也更稳。# 简单集成多模型预测取均值 preds_ensemble np.mean([m(X_test_tensor).numpy() for m in models], axis0)验证方法上除了常规指标我强烈建议做一次「历史回放」挑一段有代表性的天气过程比如一次台风过境把模型预报曲线和实测曲线叠在一起看。指标好看但过程曲线对不上说明模型没抓住物理过程这种模型上线后遇到没见过的海况就会翻车。回放时重点看峰值时刻和峰值高度这两项对了预报才敢交给业务用。我自己的习惯是每次改完模型都留一份预测结果和对应实测按月份归档半年后回头看哪些月份系统性偏差大往往能发现数据源或模型结构的隐藏问题。这套流程不复杂但坚持下来比反复调参有用得多。希望帮到你。本文还有配套的精品资源点击获取