基于iTransformer的船舶运动实时预测，采用EWT-SampEn数据处理方法

《Ocean Engineering》：Real time prediction of ship motion based on iTransformer with EWT-SampEn data processing

船舶运动预测方法研究：基于EWT-SampEn分解与iTransformer模型融合的实时预测系统，通过经验小波变换与样本熵联合噪声抑制实现多尺度特征提取，结合逆Transformer改进架构提升长序列预测效率，在DTMB5415模拟数据与Akademik Tryoshnikov真实数据中验证了模型在复杂海洋环境下的鲁棒性和精度优势。

　　在复杂的海洋环境中，船舶运动数据通常具有非平稳性、非线性和噪声干扰等特征，这些特性对船舶运动预测提出了严峻的挑战。为了解决这些问题，本文提出了一种基于倒置Transformer（iTransformer）和经验小波变换（EWT）-样本熵（SampEn）的实时船舶运动预测方法。该方法旨在提高预测的准确性与稳定性，同时增强数据处理能力，为船舶的导航安全、姿态补偿和能效优化提供可靠的技术支持。

船舶在航行过程中受到风、浪、流等多种环境因素的影响，这些因素导致船舶出现不同程度的摆动、起伏和上下运动。其中，横摇、纵摇和垂荡对船舶的航行安全具有直接影响。例如，在特定波长和周期的海浪作用下，船舶可能会出现明显的横摇，严重时甚至可能导致翻船事故。此外，强烈的纵摇和垂荡也会引起船舶阻力增加、螺旋桨通风、船头底部撞击等现象，这些都可能对船舶结构造成损害。因此，能够提前几秒甚至超过10秒进行准确的船舶运动预测，对于船舶姿态补偿、航行控制和能源管理具有重要意义。

传统的船舶运动预测方法通常依赖于物理模型，如势流理论、条带理论、粘性流计算流体力学（CFD）方法等。这些方法虽然能够提供一定的理论依据，但其预测精度往往难以满足实际需求。此外，传统方法对原始数据质量有较高要求，计算资源消耗大，预测效果不够理想。近年来，数据驱动方法因其无需复杂的物理建模、能够适应不同的海况和船舶类型而受到广泛关注。例如，Jiang等人（2020）使用线性自回归模型研究了船体尺寸对船舶运动预测的影响，并开发了初步的经验公式用于评估最大可预测时间。然而，该模型要求预测数据必须是平稳且符合正态分布的，且能由历史数据线性表示，这在一定程度上限制了其应用范围。

Khan等人（2004, 2005, 2006）则采用了人工神经网络方法，结合自回归移动平均算法、奇异值分解和遗传算法，实现了对船舶运动的长达10秒的预测。Li等人（2017）提出了一种基于反向传播（BP）神经网络的时间序列特征方法，并通过与自回归移动平均算法的对比实验，发现BP神经网络在预测精度方面表现更优。Lee等人（2023）将长短期记忆网络（LSTM）与卷积神经网络（CNN）结合，利用基于流体动力学模型的时间域数值模拟数据进行确定性预测。Han和Hu（2023）提出了一种基于LSTM神经网络的船舶垂荡预测方法，该方法具有可变步长和可变采样频率的特点，并利用自相关函数对船舶运动测量系统与采集数据进行交叉相关分析，从而准确确定测量系统的固有延迟。这种方法不仅提高了预测精度，也增强了船舶运动数据的获取时效性。

Li等人（2024）利用双向LSTM的编码器-解码结构网络和教师强制机制，构建了船舶运动预测模型，并在不同时间间隔上对船舶横摇数据进行预测评估，以验证所提出网络的有效性。Zhang等人（2024）提出了一种结合CNN和多循环神经网络（MRNN）的混合时空神经网络，用于船舶运动预测。CNN和MRNN分别从时间序列数据中提取空间和时间特征，而空间特征则被作为辅助特征输入MRNN进行船舶运动预测。同时，引入了一种改进的自适应粒子群优化算法，用于选择合适的模型超参数。这种方法在提高预测精度和模型泛化能力方面表现出色。

尽管基于RNN的方法能够直接捕捉时间序列的依赖关系，处理可变长度序列，并通过门控机制有效缓解梯度消失问题，但其顺序计算方式限制了并行训练的可行性，导致训练效率较低。此外，门控RNN的变体通常具有较大的参数数量，在实时场景中会导致较高的推理延迟。因此，Transformer模型的提出为解决这些问题提供了新的思路。Transformer模型完全摒弃了传统RNN的顺序数据处理方式，采用基于注意力机制的并行架构，大大提高了计算效率。Shi等人（2025）将多尺度CNN与注意力机制结合，与Transformer编码器共同构建了一种创新的预测模型，该模型在实际船舶数据的泛化测试中表现出优异的性能和实际部署能力。

Hou等人（2024）提出了一种基于完全集合经验模态分解（CEEMDAN）并采用麻雀搜索算法（SSA）优化的Informer模型，用于预测长序列船舶运动姿态时间序列。该模型在不同海况下保持良好的预测性能，并且大多数预测点与实际数据之间的偏差控制在较小范围内。Zhang等人（2023）构建了基于Transformer的长期船舶运动动力学预测模型，该模型能够捕捉操作条件对船舶适航性和操纵性的影响。Shen等人（2025）提出了一种基于Informer的多步预测方法，采用预训练策略实现了准确且快速的船舶运动预测。该框架利用先验机制模型生成虚拟数据，包括一系列基于自由运行模型测试结果设计的激励信号。为了减少对真实数据的需求并提高模型的可解释性，改进后的Informer在使用真实数据训练之前，首先通过机制模型生成的虚拟数据进行预训练，从而避免因时间跨度增加而产生的累积误差。与现有和经典方法相比，该方法在预测误差和时间消耗方面分别减少了41.36%和13.20%。

Zhao等人（2024）提出了一种基于Transformer的船舶运动姿态预测模型，该模型采用了具有自适应位置编码和可学习注意力权重的新型自注意力机制（AM），以提高长期预测的准确性。同时，引入了一种基于随机掩码策略的预训练阶段，以增强模型的训练能力并缩短预测阶段的耗时。实验结果表明，该方法在多步预测场景中优于现有模型。

综上所述，Transformer模型在一定程度上弥补了传统RNN模型在处理长序列数据时的不足，并通过并行数据处理有效提高了计算效率。本文选择Transformer模型作为基础模型，结合船舶运动数据的频率域特征和噪声特征，提出了一种新的船舶运动预测策略。该方法有效地融合了经验小波变换（EWT）、样本熵（SampEn）和改进的Transformer结构，以提高预测的准确性与稳定性。

船舶运动数据通常伴随着复杂的噪声信号，这进一步增加了预测的难度。如何高效地对船舶运动数据进行分解，并实现准确的噪声去除处理，是提高预测精度、优化航行控制和增强状态监测能力的重要研究课题。近年来，针对这一问题的研究主要集中在经验模态分解（EMD）、变分模态分解（VMD）、小波变换和深度学习等方法上，以实现高效且准确的噪声去除和信号重建。Huang等人（2015）通过将非平稳船舶运动数据分解为多个平稳的本征模态函数（IMF）分量和残差项，从而克服了非平稳性对预测模型的影响。Nie等人（2022）提出了一种基于去趋势波动分析（DFA）的船舶运动预测模型，该模型在数据分解和预测效果方面优于EMD，并在大船运动预测中展现出更高的实用性和可行性。

Li等人（2018）开发了一种新的船舶信号去噪算法，该算法通过利用VMD获得的IMF分量与原始信号之间的相关系数（CC），重构模态分量以实现去噪。实验结果表明，该方法具有显著的去噪效果，并且在船舶噪声（SN）信号的特征提取和分类中，有效提高了不同船舶类型的识别率。Li等人（2020）提出了一种改进的基于小波去噪阈值处理的方法，通过优化阈值函数公式，相较于硬阈值和软阈值方法，该方法实现了更高的输出信噪比，并在挖掘船的运动数据集上表现出良好的去噪效果。Wang等人（2020）开发了一种基于完全集合经验模态分解（CEEMDAN）的船舶横摇预测算法，并通过实际船舶的运动数据验证了所提出方法的有效性和准确性。

针对传统方法在处理非平稳、多尺度特征数据时存在的提取能力有限和鲁棒性不足等问题，本文提出了一种新的船舶运动预测策略，该策略以Transformer架构的全局建模优势为基础模型，并结合船舶运动数据的频率域特征和噪声特征。该方法有效地融合了经验小波变换（EWT）、样本熵（SampEn）和改进的Transformer结构，以提高预测的准确性与稳定性。

本文的结构如下：第二部分回顾了经验小波变换（EWT）和样本熵（SampEn）的相关内容，并构建了一种基于EWT和SampEn的船舶运动数据分解与去噪方法，以提高分解性能并增强去噪能力。随后，通过使用船舶的运动数据进行实验，验证了所提出算法的可行性与优越性。第三部分回顾了iTransformer模型，并结合EWT的自适应频谱分解和SampEn的筛选机制，提出了基于iTransformer的预测模型（ESE-iTransformer模式），并使用不同模型对单变量船舶运动进行比较研究，以评估本文提出方法的性能。第四部分引入了一个公开的真实世界研究破冰船数据集，进一步评估模型在实际海洋环境下的鲁棒性。第五部分对本文的工作进行了总结。

在数据分解与去噪部分，本文构建了一种基于经验小波变换（EWT）和样本熵（SampEn）的船舶运动数据处理方法。EWT是一种基于信号频率特征的自适应变换方法，能够将非平稳的船舶运动数据分解为多个具有物理意义的子成分。而样本熵（SampEn）则是一种用于衡量时间序列复杂度和噪声水平的指标，能够帮助识别有效信息与噪声成分之间的差异。通过将这两种方法结合，本文设计了一种高效的分解与去噪策略，该策略能够在不同海况下保持良好的性能，并显著提高数据的清晰度。实验结果表明，该方法在DTMB5415船舶运动数据上的分解和去噪效果优于传统方法，并且能够有效提升后续预测模型的输入质量。

在iTransformer模型部分，本文对iTransformer进行了深入研究，并结合EWT的自适应频谱分解和SampEn的筛选机制，提出了基于iTransformer的预测模型（ESE-iTransformer模式）。该模型不仅能够捕捉长期的船舶运动依赖关系，还通过多步预测策略提高了预测效率。此外，通过引入滑动窗口机制，模型能够更好地适应不同长度的输入序列，并提高对复杂运动模式的建模能力。在单变量船舶运动预测的比较研究中，本文展示了ESE-iTransformer模式在预测精度和稳定性方面的优势，并且其性能优于现有方法。

在真实船舶运动预测部分，本文利用一个公开的真实世界研究破冰船数据集，进一步验证了所提出模型在实际海洋环境下的鲁棒性。该数据集包含了破冰船在真实海况下的航行数据，涵盖了多种运动模式和环境条件。通过在该数据集上的实验，本文发现ESE-iTransformer模式在面对真实数据时仍能保持较高的预测精度，并且其适应性较强，能够有效应对复杂多变的海洋环境。此外，该模型在实际应用中展现出良好的可解释性和可扩展性，为船舶的实时控制和安全导航提供了可靠的技术支持。

在结论部分，本文总结了所提出方法的主要成果。通过结合经验小波变换（EWT）、样本熵（SampEn）和改进的Transformer结构，本文构建了一种新的实时船舶运动预测方法。该方法能够有效处理船舶运动数据中的非平稳性和噪声干扰，实现稳健且准确的预测。实验结果表明，该方法在不同航行阶段和多自由度运动中均表现出良好的预测性能，并且在真实数据上的应用效果显著优于传统方法。此外，该方法在预测误差和时间消耗方面分别减少了41.36%和13.20%，为船舶运动预测的优化提供了新的思路。

本文的研究成果不仅为船舶运动预测提供了新的方法，也为相关领域的应用提供了理论支持和技术保障。通过结合数据驱动方法和物理建模方法，本文提出了一种能够有效处理复杂船舶运动数据的预测策略，为船舶的实时控制、姿态补偿和能源管理提供了可靠的技术手段。同时，该方法在实际应用中展现出良好的适应性和鲁棒性，能够有效应对不同海况下的船舶运动变化。未来，随着人工智能和深度学习技术的不断发展，船舶运动预测方法将进一步优化，为船舶的智能化管理和安全航行提供更强大的支持。