论文部分内容阅读
海浪高度是一个重要的海洋环境参数,能显著反映海洋平面的高度情况。它不仅是海洋工程中测量的主要指标之一,也是评价海浪灾害情况的重要参考依据。地球大约三分之二的面积都是海洋,海洋中资源丰富,同时海洋环境情况十分复杂。海洋资源开发、利用和海洋科学研究等,都需要对海温、海浪和风力等基本海洋环境参数与内在规律准确了解,其中海浪高度在航海、海上国防军事活动、沿海活动以及港口码头建设等方面具有重要研究意义。因此对海浪高度的精准预测和预报,对海浪灾害的防护,保障海上作业的安全和维护沿海居民的生命财产安全等方面有非常重要的作用和意义。现有海浪高度预测方法都存在一定的不足之处。传统数值模型预测存在计算复杂、实时性和便捷性的问题;经典的预测模型适用于线性和平稳的数据,预测效果较好,但预测非线性和非平稳数据时效果较差;而一种深度学习模型通常用于解决特定的问题和适用场景,因而可能会无法发现海浪高度中一些隐藏的数据信息。为了更加准确地了解海浪高度的变化规律,本论文围绕深度学习对海浪高度的预测方法进行研究。首先,海浪高度的数据信息来自美国国家海洋和大气管理局官网(NOAA)网站,展开了单变量的海浪高度预测研究和海浪高度与风力、风速、海温等多变量之间预测分析。为了比较和说明,以墨西哥湾、芬迪湾、阿拉斯加湾和马尾藻海域等不同海域的不同站点浮标数据进行研究,为后续深度学习模型的泛化性提供理论基础。其次,对于单变量海浪高度数据预测研究,由于浪高数据具有非线性和非平稳性的特性,导致其预测变得比较复杂,因此提出一种基于变分模态分解(Variational Mode Decomposition,VMD)和融合注意力机制(Attention Mechanism,AM)的长短期记忆(Long Short Term Memory,LSTM)神经网络的混合模型(VALM)对海浪高度进行预测。针对多变量的海浪高度预测研究,由于单一模型有其特定的适用场景,因此采用了融合注意力机制的LSTM神经网络模型和基于梯度提升树的Cat Boost模型,将两种强异质性模型组成混合模型(LACM)对海浪高度预测进行研究。根据海浪高度预测模型的设计流程,进行了数据预处理、设置隐藏层层数和神经元数量和激活函数等结构参数的实验与分析,通过海浪高度预测结果的比较和分析,发现选用Max-Min归一化方法进行数据预处理,Sigmoid激活函数和Adam优化器,单层隐藏层等,可达到最好的浪高预测效果,从而建立适用于浪高预测两种不同混合模型。再次,展开了对于采用VALM模型的海浪高度预测与结果分析,并分别与人工神经网络(Artificial Neural Network,ANN)、循环神经网络(Recurrent Neural Network,RNN)、LSTM等模型和有无使用分解方法、重构方法进行了比较。结果发现,VALM模型一定程度上能够更好的处理非线性、非平稳性的海浪高度数据;与其他模型相比,VALM模型能够较好地挖掘出数据中的重要信息。对于使用LACM混合模型的多变量海浪高度预测和分析,经过与LSTM、支持向量回归(Support Vector Regression,SVR)、Cat Boost等模型方法的比较,实验结果分析可知,LACM模型的平均绝对误差(Mean Absolute Error,MAE)、均方根误差(Root Mean Square Error,RMSE)和平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)都是最小的,曲线拟合效果最接近,且具备一定的鲁棒性。最后,采用了基于时间序列的深度学习模型预测未来趋势,获得了对海浪高度数据短时间未来趋势的预测结果。根据MAPE、MAE、RMSE指标值和拟合效果,能够发现VALM和LACM两个混合模型对海浪高度数据预测有较好的效果,预测性能和曲线拟合优于单一模型和其他混合模型。基于这些实验结果和对比分析,可以得出结论:和其他混合模型或单一模型相比,本论文提出的两种混合模型预测精度较高和拟合效果最接近,适用于对海浪高度数据进行预测的场景。本文通过对墨西哥湾、芬迪湾和阿拉斯加湾等不同海域的数据进行了深入研究和分析,创建了海浪高度预测数据集,提出了基于改进的长短期记忆神经网络的两种不同混合模型对海浪高度进行预测。论文所取得研究成果可以用在海浪高度预测系统中,为减小海浪灾害、海上作业和海洋科学研究提供理论支撑。