不同海区的近岸海浪浪高具有明显差异性。针对当前大部分时间序列预测模型缺乏对不同地区(多源)浪高预测的适应性难题,提出了一种基于局部加权回归的多周期趋势分解(Seasonal and Trend decomposition using Loess,STL)和两级融合策略...不同海区的近岸海浪浪高具有明显差异性。针对当前大部分时间序列预测模型缺乏对不同地区(多源)浪高预测的适应性难题,提出了一种基于局部加权回归的多周期趋势分解(Seasonal and Trend decomposition using Loess,STL)和两级融合策略的浪高预测模型,简称为MSTL-WH(Multiple STL-Wave Height)。结合多源近岸浪高时间序列的多周期性、非线性和非平稳性的特点,首先利用周期图法提取多源近岸浪高数据集中的4个主要周期,并基于主要周期进行多次STL分解,将复杂的原始浪高序列分解为周期项、趋势项和余项;然后利用长短期记忆网络(Long Short Term Memory,LSTM)并结合两级融合策略,搭建近岸浪高预测网络;最后使用自注意力机制重新调整权重并输出未来12 h的浪高值。通过与当前主流时间序列预测方法对比,验证了所提方法在多源近岸浪高序列预测中具有较好的实用性和更低的预测误差。展开更多
文摘不同海区的近岸海浪浪高具有明显差异性。针对当前大部分时间序列预测模型缺乏对不同地区(多源)浪高预测的适应性难题,提出了一种基于局部加权回归的多周期趋势分解(Seasonal and Trend decomposition using Loess,STL)和两级融合策略的浪高预测模型,简称为MSTL-WH(Multiple STL-Wave Height)。结合多源近岸浪高时间序列的多周期性、非线性和非平稳性的特点,首先利用周期图法提取多源近岸浪高数据集中的4个主要周期,并基于主要周期进行多次STL分解,将复杂的原始浪高序列分解为周期项、趋势项和余项;然后利用长短期记忆网络(Long Short Term Memory,LSTM)并结合两级融合策略,搭建近岸浪高预测网络;最后使用自注意力机制重新调整权重并输出未来12 h的浪高值。通过与当前主流时间序列预测方法对比,验证了所提方法在多源近岸浪高序列预测中具有较好的实用性和更低的预测误差。
