1.一种基于EmaDformer的中长期海浪有效波高预测方法，其特征在于，包括以下步骤：（1）利用再分析数据集ERA5获取有效波高数据及其他环境海洋数据，并进行预处理，得到时间序列数据集；

（2）利用主成分分析法PCA计算海洋环境数据的累计贡献率，并设置累计贡献率阈值，得到处理后的时间序列数据集；

（3）构建双重注意力增强模型即EmaDformer模型，并进行训练，得到有效波高预测结果；具体如下：EmaDformer模型包括编码器和解码器；其中，编码器包括多头双重注意力模块、线性模块和前馈神经网络模块；解码器包括掩码多头双重注意力模块、多头双重注意力模块、线性模块和前馈神经网络模块；将预测数据集按照7：1：2比例划分为训练集、验证集和测试集，并进行训练；包括以下步骤：（31）利用不同频率的正弦和余弦函数进行位置编码，然后将位置编码结果与输入序列相加并进行层归一化，然后作为编码器和解码器的输入；

（32）将经过位置编码后数据输入编码器，其中，多头双重注意力模块用于获取局部时间序列特征之间的依赖关系及获取局部信息；包括多头自注意力机制和多头EmaD注意力机制；其中，多头自注意力机制用于获取时间序列数据值与值之间的关系以及提取时间序列中的完整信息，公式如下：；

；

其中， 表示多头注意力， 表示第 个head的注意力， 表示第个head的查询向量， 表示第 个head的键向量，表示第 个head的值向量，h表示head的总数， 最终映射的权重矩阵， 表示连接函数；

其中， 公式如下：

；

其中，表示查询向量，表示键向量，表示值向量， 表示维度，T表示转置；

多头EmaD注意力机制用于获取信号之间的相关性和多特征之间的动态依赖性，包括指数滑动平均模块和动态投影模块；其中，指数滑动平均模块公式如下：设输入序列为设输入序列为 ，则：

；

其中，代表权重下降的参数， 为输出的结果， 为历史输出结果；

动态投影模块公式如下：

；

其中， 表示经过指数滑动平均后的结果， ，表示输入序列长度，表示输入特征维度， ，表示模型维度， 、 、 和 代表多层感知机可学习参数，表示对矩阵乘法、加法和转置进行操作，得到新的 和 矩阵；

则：

；

；

其中， 表示第 个head的注意力， 表示第 个head经过指数滑动平均函数计算后的查询向量， 表示第 个head分别经过动态投影和指数滑动平均函数计算后的键向量，表示第个head经过动态投影技术计算后的值向量，h表示head的总数， 最终映射的权重矩阵，表示连接函数；

引入Projection模块使多头双重注意力结果直接相加，包括两层感知机、GeLU激活函数层和层归一化，公式如下：；

其中， 为输出结果， 和 为第一层感知机可学习参数， 和 为第二层感知机可学习参数；

线性模块用于建立时间序列之间的线性关系和趋势，获取数据中长期的依赖关系，公式如下：；

；

其中，表示输入序列矩阵， 代表维度翻转； 表示可学习的权重矩阵，为输出结果；

前馈神经网络模块用于获取输入与输出之间的映射关系，包括两组线性变换和两组线性变换之间的ReLU函数；

（33）将经过编码后的数据通过解码器进行解码，其中，掩码多头双重注意力模块用于将解码器输入序列进行掩码处理；多头双重注意力模块用于获取局部时间序列特征之间的依赖关系及获取局部信息，线性模块用于获取时间序列中长期的趋势依赖关系，前馈神经网络模块用于获取输入与输出之间的映射关系；

（4）对预测结果进行反归一化得到有效波高预测值。

2.根据权利要求1所述的一种基于EmaDformer的中长期海浪有效波高预测方法，其特征在于，步骤（1）中，首先分别选取东海三个点和南海三个点的有效波高数据，时间分辨率率为1h，空间分辨率为0.5°×0.5°；其他海洋环境数据包括：10m风的纬向分量、经向分量、海表面温度、平均波周期、大气压力、海平面压力，平均浪方向，时间分辨率率为1h，空间分辨率调整为0.5°×0.5°；然后进行归一化处理。

3.根据权利要求1所述的一种基于EmaDformer的中长期海浪有效波高预测方法，其特征在于，步骤（2）中，若计算得到的累计贡献率低于累计贡献率阈值则删除；反之则保留；最终得到的数据集包括：海浪有效波高、10m风的纬向、经向分量。

4.根据权利要求1所述的一种基于EmaDformer的中长期海浪有效波高预测方法，其特征在于，步骤（4）中，反归一化公式如下：；

其中， 表示反归一化后的预测数据， 为数据最大值， 为数据最小值， 为EmaDformer模型预测数据。