基于优化深度学习的有效波高双通道混合预测模型

摘要

有效波高(Significant Wave Height,SWH)具有复杂的非线性动态特性,这使得对其精确预测成为一大挑战.时频分解技术是处理复杂非线性数据的有效手段,但现有方法未考虑SWH分解后分量的不同时频特性.因此,利用排列熵将集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)后得到的SWH分量分为高、低频两类,根据其各自特性构建优化的长短时记忆-时间卷积网络(Long Short-Term M emory-Temp oral Convolutional Network,LSTM-TCN)双通道时间特征提取模块,并考虑到不同分量预测值对最终SWH预测结果的影响不同,引入贝叶斯模型平均(Bayesian Model Averaging,BMA)法进行权重分配.最终,本文提出一种基于优化深度学习的SWH双通道混合预测模型.实验结果表明,与现有先进模型相比,该模型在1、3、6、12 h的SWH预测中,评价指标RMSE、MAE和MAPE显著降低,具备较好的精度和稳定性.

关键词

有效波高 / 双通道预测 / 深度学习 / 集成经验模态分解 / 贝叶斯优化