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207KB，nc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_len=24, pred_len=6, stride=1): """ 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_len=24, pred_len=6, stride=1)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_size=1, hidden_size=64, num_layers=2, pred_len=6, dropout=0.2): super().__init__() self.lstm = nn.LSTM( input_size=input_size, hidden_size=hidden_size, num_layers=num_layers, batch_first=True, dropout=dropout 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_size=1, hidden_size=64, num_layers=2, pred_len=6)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(), lr=1e-3) scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, patience=5, factor=0.5) 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_norm=1.0) 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_size=32, num_layers=1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(f"RMSE={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], axis=0)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
