采用多层感知器模型、随机森林模型为第一层子模型,极端树模型为第二层元模型,建立基于Stacking集成机器学习的波浪预报算法,并引入邻域平均法抑制在拐点处产生的数值震荡。以长江口外海2016年1-9月的风速和中国近海波高数据为数据源,...采用多层感知器模型、随机森林模型为第一层子模型,极端树模型为第二层元模型,建立基于Stacking集成机器学习的波浪预报算法,并引入邻域平均法抑制在拐点处产生的数值震荡。以长江口外海2016年1-9月的风速和中国近海波高数据为数据源,利用机器学习风速与有效波高之间的关系,将2016年10-11月的风速、波高数据用于预报结果的对比分析,预报前45 d R^2拟合优度达到0.97以上,平均误差最大值为0.08 m,平均相对误差最大值为0.05,预报结果与波浪谱模型结果趋势一致,准确度较高;预报结果后15 d误差增长较快,这与训练集数据中寒潮浪占比较少有关。展开更多
文摘采用多层感知器模型、随机森林模型为第一层子模型,极端树模型为第二层元模型,建立基于Stacking集成机器学习的波浪预报算法,并引入邻域平均法抑制在拐点处产生的数值震荡。以长江口外海2016年1-9月的风速和中国近海波高数据为数据源,利用机器学习风速与有效波高之间的关系,将2016年10-11月的风速、波高数据用于预报结果的对比分析,预报前45 d R^2拟合优度达到0.97以上,平均误差最大值为0.08 m,平均相对误差最大值为0.05,预报结果与波浪谱模型结果趋势一致,准确度较高;预报结果后15 d误差增长较快,这与训练集数据中寒潮浪占比较少有关。
