多特征融合的船舶运动预测模型MF-Informer：突破变工况泛化瓶颈的智能算法研究

本文提出基于多特征融合技术（MF-Informer）的船舶运动预测模型，通过融合工况特征与频域特征显著提升横摇、纵摇和垂荡运动的预测精度（MSE降低20-26%），并采用麻雀搜索算法（SSA）优化超参数，为复杂海况下的航行安全与作业效率提供通用化解决方案。

　　

Section snippets

Background of physical knowledge

船舶在不规则波浪环境中航行时产生的复杂扰动运动（如垂荡、横摇和纵摇）与航行工况密切相关。本节简要介绍短峰波理论及其对船舶扰动运动的影响机制。

Problem description of ship motion forecasting

船舶运动预测是典型的时间序列问题。定义单变量时间序列为S∈R^L_s，其中L_s为序列长度。通过滑动窗口将序列划分为历史观测窗口（X^t∈R^L_x）与预测窗口（Y^t∈R^L_y），并引入工况标签向量C^t=[H_1/3, T₁, μ_e, V]作为辅助特征。

Cross-condition ship motion forecasting model based on multi-feature fusion

本研究核心在于将工况信息与频谱特征有效整合至预测模型。首先采用基于先验物理知识的带通频谱提取技术捕获频域特征，随后通过交叉注意力（Cross Attention）或线性投影融合进行多特征融合，最终通过麻雀搜索算法（SSA）优化模型超参数。

Experiments

基于50000组垂荡/横摇/纵摇数据集对MF-Informer进行实验验证。通过消融分析对比了辅助特征类型、融合策略对预测性能的影响，结果显示多特征融合使均方误差（MSE）显著降低，且工况特征模块展现出强物理可解释性。

Conclusions

MF-Informer通过融合多特征实现了跨工况船舶运动高精度预测，为复杂海况下的智能导航提供了通用化解决方案。频域特征提取模块兼具物理可解释性，为后续研究提供了技术范式。