1.一種基于時空相關性的潮汐水位預報方法，其特征在于，包含以下步驟：

利用與目標港口的潮汐水位歷史數據具有相關性的相關港口的潮汐水位數據來預測目標港口的潮汐水位數據，形成目標港口的潮汐水位數據集；

利用卷積神經網絡對潮汐水位數據提取空間特征，利用門控循環單元神經網絡對潮汐水位數據提取時間特征，利用雙向門控循環單元神經網絡對提取過時空特征的潮汐水位數據進行訓練和驗證，生成短時潮汐水位預報模型，實現對目標港口的潮汐水位進行短時預報；

所述的形成目標港口的潮汐水位數據集的方法包含：

步驟S1、獲取潮汐水位數據；

步驟S2、補齊缺失潮汐水位數據；

步驟S3、計算目標港口與周圍港口整點潮汐水位數據的肯德爾Kendall相關系數；

步驟S4、數據公式化；

將目標港口作為預測點，其潮汐水位數據作為因變量，將與目標港口潮汐水位數據的肯德爾Kendall相關系數大于等于0.8的港口的潮汐水位數據確定為自變量，將作為自變量和因變量的潮汐水位數據映射到一維向量上，同一時刻的一維空間信息向量表示為：

X^s＝(X¹，X²，…，X^s)

將不同時刻的一維空間信息向量組合成矩陣如下：

其中，s為不同的港口，t為時間；

步驟S5、數據歸一化；

利用python中的pandas庫和numpy庫對步驟S4中公式化的數據集X進行歸一化：

其中，潮汐水位時間序列以X表示，X’表示將X進行歸一化后得到(-1，1)內的數，min(X)表示潮汐水位數據中的最小值，max(X)表示潮汐水位數據中的最大值；

步驟S6、將目標港口的潮汐水位數據集中的數據進行劃分，前80％作為訓練集，后20％取10％作為驗證集，10％作為測試集。