融合多重分解和差值修正的海浪波高预测研究.pdfVIP

融合多重分解和差值修正的海浪波高预测研究.pdf

第44卷第2期海洋测绘Vol.44,No.2

2024年3月HYDROGRAPHICSURVEYINGANDCHARTINGMar.,2024

引文格式：卢鹏，姜星竹，王振华，等.融合多重分解和差值修正的海浪波高预测研究[J].海洋测绘，2024,44(2）：36-40.

D01:10.3969/j.issn.1671-3044.2024.02.009

融合多重分解和差值修正的海浪波高预测研究

卢鹏，姜星竹，王振华，郑宗生

（上海海洋大学信息学院，上海201306）

摘要：为了提升海浪波高预测精度，提出了融合多重分解和差值修正的海浪波高预测模型(J-DE-LSTM）。该

模型采用自适应噪声完备集合经验模态分解，对波高数据进行一重分解，以及对分解后的残差分量进行二重分解；

采用亲和力传播算法进行聚类降维并输人到长短期记忆网络进行预测获取初步预测值。建立波高观测值与初步

预测值形成的差值序列进行三重分解，采用样本熵重构为趋势项和周期项并进行权重计算，构建粒子群算法优化

极限学习机和LSTM的组合预测模型进行双轨并行预测；最后将预测结果与权重加权融合进行差值修正未来点位

波高预测值。实验结果表明J-DE-LSTM模型较LSTM、TCN模型平均绝对误差提升约4.1%~11.5%,均方误差提

升6.5%~15.2%。

关键词：海浪波高预测；差值修正；样本熵；模态分解；加权融合

中图分类号：P229.7文献标志码：A文章编号：1671-3044(2024)02-0036-05

但也存在着预测误差的问题。基于此,本文提出的

1引言

J-DE-LSTM预测模型,旨在提高波高预测精度。在

海浪周期、波向、有效波高等海洋状况参数,是对海浪波高数据进行一重分解和对残差分量进行二

影响海洋运输、海洋生态保护、海洋工程建设等活动重分解基础上，提出AP算法进行降维改进，以此降

的重要因素！,其预测预报有着重要的意义和作低数据复杂度和提升运行效率；通过以上双重分解

用。尤其是涉及海上活动的安全性与可靠性时，海并进行多分量预测叠加，提升初步预测值的精度。

浪波高的准确预测至关重要。并在此基础上,对差值序列继续采用CEEMDAN分

在海浪预测的研究领域，机器学习已广泛应用解,使用SampEn重构成趋势项和周期项,并采用熵

于海浪波高预测。文献［2]提出极限学习算法值法分配重构项的权重，将预测结果与权重加权融

(ELM)进行波高预测,并在澳大利亚东海岸两个地合进行差值修正未来点位波高预测值，从而提升波

点进行了有效验证。文献[3]基于支持向量回归高预测精度。

(SVR)方法,在渤海海域建立了有效波高短期预测

2相关原理及理论

模型,开展了预测试验。文献[4]提出自回归模型

（AR模型）与SVR混合的预测算法对夏威夷群岛2.1

自适应噪声完备集合经验模态分解

北部波高进行了有效预测(CEEMDAN)

深度学习技术的快速发展[5]，为实时波高预自适应噪声完备集合经验模态分解（CEEMDAN）[8)

测提供了新的途径。文献[6]提出基于门控循环是信号分解算法，较好地解决经验模态分解存在的

单元(CRU)的深度学习预测模型,该模型在台湾模态混叠问题。

海峡进行了有效海浪高度预测。文献[7]提出的2.2长短期记忆网络(LSTM)