1.基于EEMD和Seq‑to‑Seq模型的海浪波高预报方法，其特征在于，包括以下步骤：获取数据步骤：选取浪高数据集；

数据预处理步骤：对浪高数据集中的缺失数据进行补全后进行归一化处理，得到预处理后的浪高数据集；

EEMD分解步骤：将预处理后的浪高数据集进行EEMD分解，得到分解后的基本模态分量IMF；

数据划分步骤：按照一定比例将分解后的基本模态分量IMF进行训练数据集和测试数据集的划分，得到训练数据集和测试数据集；

网络训练步骤：利用训练数据集的数据对网络进行训练，训练所使用的损失函数为预测结果和真实值之间的均方误差MSE，通过梯度下降法进行反向传播，更新网络中的可训练参数；

训练结束判定步骤：判断训练的网络是否满足参数要求，若为否，则返回训练数据集选取步骤；若为是，则结束网络训练步骤，输出训练好的基于LSTM和注意力机制的Seq‑to‑Seq模型；

浪高数据预测步骤：向训练好的基于LSTM和注意力机制的Seq‑to‑Seq模型输入测试数据集，每个分解后的基本模态分量IMF，得到预测值分量，最后所有分解后的基本模态分量IMF上的预测结果求和，得到预测的海浪波高值。

2.根据权利要求1所述的基于EEMD和Seq‑to‑Seq模型的海浪波高预报方法，其特征在于，数据预处理步骤中的归一化处理的公式如下：

其中，XN是归一化后的结果，X代表输入数据。

3.根据权利要求2所述的基于EEMD和Seq‑to‑Seq模型的海浪波高预报方法，其特征在于，EEMD分解步骤中，EEMD分解步骤具体如下：

S101输入浪高数据，并且初始化试验次数M；

th

S102在m 次试验中，在原始数据x(t)中添加白噪声序列nm(t)，公式为：xm＝x(t)+nm(t)       (2)

th

S103对新得到的数据xm(t)进行EMD分解，得到的基本模态分量IMFj记为Cj,m，Cj,m为m 次试验中的第j个IMF；

S104判断是否为第M次试验，若不是则重复第S102‑S103，每次重复添加不同的白噪声；

对所有试验的IMF取平均得到IMF均值，如公式所示：

其中，IMFj表示为EMD分解的第j个IMF均值。

4.根据权利要求1所述的基于EEMD和Seq‑to‑Seq模型的海浪波高预报方法，其特征在于，网络训练步骤中的模型为基于LSTM与注意力机制结合的Seq‑to‑Seq模型结构，具有j个时间步的LSTM编码器输出每个时间步的结果，与LSTM解码器输出的第i‑1个时间步进行注意力值的计算，得出的结果作为第i个时间步的解码器LSTM的输入，i表示预测的第i个时刻。

5.根据权利要求4所述的基于EEMD和Seq‑to‑Seq模型的海浪波高预报方法，其特征在于，训练结束判定步骤中，编码器与解码器所使用的LSTM层均使用100个神经元，在解码器之后均使用一个神经元个数为1的全连接层作为输出，输出值的范围在[0,+∞]；

模型所使用的损失函数为均方误差MSE，使用Adam优化器，学习率设置为0.001。

6.根据权利要求5所述的基于EEMD和Seq‑to‑Seq模型的海浪波高预报方法，其特征在于，训练结束判定步骤中MSE的公式如下：

其中，ypre为预测值，ytrue为真实值，n为预测样本总数量。

7.根据权利要求1所述的基于EEMD和Seq‑to‑Seq模型的海浪波高预报方法，其特征在于，训练结束判定步骤之后还包括模型性能评估步骤，具体内容为：

利用LSTM和注意力机制，以预测未来3至72小时为基准，以RMSE，MAE，MAPE，Pearson为评价指标验证基于LSTM和注意力机制的Seq‑to‑Seq模型的性能。

8.根据权利要求1所述的基于EEMD和Seq‑to‑Seq模型的海浪波高预报方法，其特征在于，数据划分步骤中，将分解后的基本模态分量IMF的前75％为训练数据集，分解后的基本模态分量IMF的后25％为测试数据集。

9.基于EEMD和Seq‑to‑Seq模型的海浪波高预报系统，其特征在于应用权利要求1‑8任一项所述的基于EEMD和Seq‑to‑Seq模型的海浪波高预报方法，包括：数据获取模块、数据预处理模块、EEMD模块、数据划分模块、网络训练模块、基于LSTM和注意力机制的Seq‑to‑Seq预测模块和浪高数据预测值输出模块；

数据获取模块，用于选取浪高数据集；

数据预处理模块，与数据获取模块的输出端连接，用于对浪高数据集中的缺失数据进行补全后进行归一化处理，得到预处理后的浪高数据集；

EEMD模块，与数据预处理模块的输出端连接，用于将预处理后的浪高数据集进行EEMD分解，得到分解后的基本模态分量IMF；

数据划分模块，与EEMD模块的输出端连接，用于按照一定比例将分解后的基本模态分量IMF进行训练数据集和测试数据集的划分，得到训练数据集和测试数据集；

网络训练模块，与数据划分模块的第一输出端连接，用于利用训练数据集的数据对网络进行训练，训练所使用的损失函数为预测结果和真实值之间的均方误差MSE，通过梯度下降法进行反向传播，更新网络中的可训练参数；判断训练的网络是否满足参数要求，若为否，则返回训练数据集选取步骤；若为是，则结束网络训练步骤，输出训练好的基于LSTM和注意力机制的Seq‑to‑Seq模型；并输出训练好的基于LSTM和注意力机制的Seq‑to‑Seq模型；

基于LSTM和注意力机制的Seq‑to‑Seq预测模块，与数据划分模块的第二输出端连接，用于向训练好的基于LSTM和注意力机制的Seq‑to‑Seq模型输入测试数据集，每个分解后的基本模态分量IMF，得到预测值分量，最后所有分解后的基本模态分量IMF上的预测结果求和，得到预测的海浪波高值；

浪高数据预测值输出模块，与基于LSTM和注意力机制的Seq‑to‑Seq预测模块的输出端连接，用于输出得到的预测的海浪波高值。

10.根据权利要求9所述的基于EEMD和Seq‑to‑Seq模型的海浪波高预报方法，其特征在于，还包括模型性能评估模块，与基于LSTM和注意力机制的Seq‑to‑Seq预测模块的输出端连接，用于验证基于LSTM和注意力机制的Seq‑to‑Seq模型的性能。