潮汐潮高短期预测方法研究的中期报告.docxVIP

潮汐潮高短期预测方法研究的中期报告

本研究旨在探索潮汐潮高短期预测的方法。目前已经完成了初步的数据分析和模型建立工作。具体进展如下：

一、数据分析

我们对近十年的潮汐潮高数据进行了分析。通过对数据的频率分布、季节变化、周期性变化等方面的研究，我们得出了以下结论：

1.潮汐潮高的频率分布呈现出双峰分布，其中一个峰值出现在高潮时段，另一个峰值则出现在低潮时段。

2.潮汐潮高呈现出明显的季节性变化，不同季节的潮汐潮高存在明显差异。

3.潮汐潮高呈现出周期性变化，具有明显的日、月、年周期。

二、模型建立

在数据分析的基础上，我们选择了ARIMA模型和LSTM模型来进行潮汐潮高短期预测。具体方法如下：

1.ARIMA模型

我们首先对原始数据进行了差分处理，以消除数据中的季节性和周期性变化。然后，我们运用ADF检验和PACF图来确定ARIMA模型的参数。最终，我们建立了ARIMA模型，并使用交叉验证来评估模型的准确性，结果显示模型的预测效果很好。

2.LSTM模型

我们使用了LSTM递归神经网络来预测潮汐潮高。在神经网络的结构中，我们使用了多层LSTM结构和多层全连接层结构。我们将数据集按照7:3的比例随机分配为训练集和测试集，并使用交叉验证来评估模型的准确性。结果表明，LSTM模型可以很好地预测潮汐潮高。

三、下一步计划

本研究将进一步研究如何提高模型的预测准确性，并尝试使用更多的算法来进行预测。我们也会考虑加入更多的因素，例如气象、水流等，来提高模型的预测能力。