受生物视觉认知启发的深度网络，用于短期显著波高预测

《Engineering Applications of Artificial Intelligence》：Biological visual-cognition-inspired deep network for short-term significant wave height prediction

显著波高（SWH）预测的深度学习模型设计及性能验证，基于生物视觉认知机制的三组件协同模型，包含金字塔多尺度卷积、GRU-CNN时空融合分析和注意力预测模块，实验表明MAPE≤5.56%，ΔP≤13.02%，且在极端海况下稳定性显著提升。

　　随着全球对可再生能源的需求不断增长，准确预测显著波高（Significant Wave Height, SWH）成为了优化波浪能转换效率的关键。波浪的随机性和非线性特征使得传统模型在精度和可解释性方面面临诸多挑战。为了解决这些问题，本文提出了一种基于生物视觉认知机制的深度网络模型，通过模仿人类视觉系统的分层感知、半球协作和注意力决策机制，显著提升了SWH的短期预测性能。该模型由三个主要部分组成：视觉-空间金字塔组件、脑分析组件以及注意力驱动的预测组件。

视觉-空间金字塔组件采用多尺度卷积核，逐步从局部到全局提取特征，使模型能够更全面地理解波浪数据的结构。脑分析组件结合了门控循环单元（GRU）和卷积神经网络（CNN），分别用于捕捉时空依赖关系和增强模型的稳定性。同时，通过残差连接的引入，使模型能够有效地融合局部与全局信息。最后，注意力驱动的预测组件利用注意力机制动态筛选关键特征，提高模型对重要信息的关注度，从而提升预测的准确性。实验结果表明，该方法在两个真实世界的浮标站点上分别将平均绝对百分比误差（MAPE）降低至5.56%和6.30%，同时将能量捕获误差（ΔP）分别降至10.93%和13.02%。在极端海况下，该模型仍表现出良好的鲁棒性，为复杂海洋环境下工业波浪能系统的预测精度和运行可靠性提供了有效支持。

波浪能作为一种稳定的可再生能源，其全球年潜在发电量估计可达29,500 TWh（Guillou, 2020）。然而，由于海洋波浪的随机性，其实际应用仍存在诸多不足。即使是SWH预测的10%误差，也可能导致能量捕获效率的15%-20%损失（Gonzalez et al., 2021）。此外，波浪行为受到多种环境因素的影响，导致SWH序列表现出非平稳性和非线性特征（Savitha and Al Mamun, 2017），这使得高精度的预测建模成为一项既热门又具挑战性的任务。基于以往的研究成果，目前SWH预测方法主要分为物理模型和数据驱动方法（Wang and Ying, 2023a）。

物理模型基于流体力学原理，通过使用现场测量的环境数据作为输入，求解复杂方程来预测SWH。目前，工业界广泛使用的第三代模型包括Wave Model（WAM）（Group, 1988）、Simulating Waves Nearshore（SWAN）（Booij et al., 1999）以及WAVEWATCH III（WW3）（Tolman, 2009）。尽管这些模型为SWH预测提供了理论基础和系统性的预测工具，但在处理复杂的非线性特征时仍显不足，计算成本较高，且缺乏对精确输入和动态变化的适应性。

相比之下，数据驱动方法通过学习历史数据，捕捉复杂的非线性关系，并能够快速适应环境变化，从而有效弥补物理模型的不足。这类方法主要包括统计方法和人工智能算法。传统的统计方法通常依赖于线性模型和假设检验，例如自回归移动平均（ARMA）（Ge and Kerrigan, 2016）、自回归积分移动平均（ARIMA）（Tür, 2020）以及季节性自回归积分移动平均（SARIMA）（Yang et al., 2019）。虽然统计方法在理论背景和可解释性方面表现优异，但在处理复杂数据模式和高维数据时，常常面临效果下降和过拟合的问题。

人工智能方法通过自动特征提取、非线性建模和高效利用计算资源，为上述挑战提供了独特的解决方案。多种机器学习模型已被广泛应用于SWH预测任务中。例如，通过整合关键的历史波浪数据与风速信息，并应用人工神经网络（ANN）和支持向量机（SVM），SWH预测的准确性得到了显著提升（Berbi? et al., 2017）。考虑到季节变化对波浪高度的影响，将季节模拟整合到支持向量回归（SVR）模型中，提高了其在不同季节预测波浪高度的性能（Memar et al., 2021）。随机森林（RF）和梯度提升树（GBT）模型在波浪高度预测中的准确性也得到了系统分析，结果表明这些算法在预测性能上优于常用的神经网络模型（Callens et al., 2020）。此外，一些其他典型的机器学习方法，如极限学习机（ELM）（Kaloop et al., 2020）、XGBoost（Tarwidi et al., 2023）以及贝叶斯网络（BN）（Emmanouil et al., 2020）也被应用于SWH预测任务中，显示出比统计方法更好的预测精度。

尽管这些机器学习模型在SWH预测任务中表现良好，但它们在特征选择依赖性和捕捉长期依赖性方面仍存在局限。近年来，深度学习因其强大的特征提取能力和对序列数据的拟合能力，逐渐成为时间序列预测任务中的主流研究方向。随着海洋数据的积累和计算机硬件的快速进步（Chen et al., 2022），深度学习（Zeroual et al., 2020；Gasparin et al., 2022；Chen et al., 2018；Niu et al., 2020）在SWH预测任务中的广泛应用，引起了研究人员对其潜力的关注。此外，基于信息传输方法，深度学习模型结构可以分为递归结构、并行结构和混合结构（Wu et al., 2024a）。递归结构专门用于处理时间序列信息，其主要特征是维护内部状态，从而捕捉时间依赖性。该结构的核心组件包括递归神经网络（RNN）（Sadeghifar et al., 2017）及其变种，如长短期记忆网络（LSTM）（Yao and Wu, 2022）、双向LSTM（BiLSTM）（Sareen et al., 2023）、GRU（Li et al., 2022）和双向GRU（BiGRU）（Meng et al., 2021）。一些研究还探索了在同一个网络中整合LSTM和GRU单元，形成LSTM-GRU模型，旨在提升SWH预测的准确性和稳定性（Wang and Ying, 2023b）。

与递归结构的顺序处理相比，并行结构通过同时处理序列数据的多个部分，显著提高了计算效率和模型性能。并行结构的代表性模型包括卷积神经网络（CNN）（Huang et al., 2022）和Transformer（Pokhrel et al., 2022）。CNN通过卷积核从序列数据中提取局部特征，使模型能够快速捕捉SWH序列中的局部模式。Transformer则利用自注意力机制处理全局信息，提高了SWH序列数据的处理效率。混合结构在SWH预测任务中日益受到重视，考虑到递归结构和并行结构的互补性。例如，CNN-LSTM（Zhang et al., 2023）、LSTM-CNN（Wang et al., 2021）、CNN-GRU（Pan et al., 2020）、CNN-BiLSTM（Raj and Prakash, 2024）以及CNN-LSTM-BiGRU（Ahmed et al., 2024）等混合方法在SWH预测任务中表现出优异的性能。这些混合方法利用了递归和并行方法的优势，递归方法能够捕捉序列的动态变化和长期依赖性，而并行方法则能够高效提取空间特征。然而，混合方法的复杂结构导致模型可解释性较差。

近年来，一些研究设计了受生物认知行为启发的深度模型架构，在多种时间序列预测任务中取得了成功。例如，通过模仿脉诊过程，开发了一种用于短期电力负荷预测的深度模型，展示了其在准确性和稳定性方面的优越表现（Wu et al., 2023a）。受人类听觉电路启发的ACMNet（Wu et al., 2024b）和AMFCNet（Wu et al., 2024c）分别显著提升了短期电力和油价预测任务的准确性和稳定性。模仿大脑左右半球认知交互的LBINet（Wu et al., 2023b）和受多感官生物系统启发的BGCNet（Wu et al., 2024a）在SWH预测任务中也表现出出色的预测性能。这些方法展示了基于生物认知过程的深度预测网络的有效性，但受生物启发的SWH预测网络仍处于发展阶段。

视觉是感知复杂环境的基本功能之一，能够同时捕捉丰富的环境信息，并在空间感知方面具有显著优势。受生物视觉认知过程的启发，本文开发了一种用于SWH预测的深度预测网络。此外，基于两个真实世界数据集的四组实验验证了该方法的预测准确性和稳定性。总体而言，本文的主要贡献包括以下几点：

首先，生物视觉认知过程为所提出方法的特征提取、脑分析和预测组件提供了合理的指导。这种指导增强了模型内部设计的可解释性，并明确了各个组件的功能。其次，特征提取组件引入了视觉-空间金字塔卷积块，以逐步提取特征并整合多时间尺度的信息，不同大小的卷积核代表不同层次的感知范围。第三，脑分析组件结合了递归结构GRU和并行结构CNN，分别用于捕捉多变量在时间与空间维度上的关系。通过引入残差连接，有效融合了局部与全局信息，提升了网络的稳定性。最后，预测组件采用注意力机制动态筛选关键特征，提高了模型对关键信息的关注度，从而提升预测的准确性。

本文的其余部分组织如下：第二部分介绍了研究问题和所用模块的基本原理。第三部分详细描述了所提出的方法。第四部分描述了实验数据和实验设置，第五部分报告了实验结果和分析。最后，第六部分总结了全文。

在研究问题部分，本文讨论了SWH作为估计波浪能通量（P）的基本参数，其量化了波浪前沿的能量运输。根据线性波浪理论（Guillou, 2020），波浪能通量与SWH之间的关系可以通过以下公式表达：P = (ρg2)/(64π) × h_s2 × T_e，其中ρ是海水密度，g是重力加速度，T_e是波浪能周期。这种平方依赖关系意味着，即使SWH预测存在微小误差，也会显著放大能量估计的不确定性。因此，准确预测SWH对于波浪能发电和海上作业至关重要。

在生物建模部分，本文详细介绍了所提出方法的结构和原理。视觉是感知复杂环境的基本功能之一，能够将光信号转化为对大脑有用的分析信息。左右眼球分别捕捉目标轨迹产生的光刺激，并将其转化为多种电信号，通过增强和抑制机制进行处理。这些原始视觉信息随后被传输到大脑的两个半球，进行独立但互补的处理，最终形成对环境的综合认知。受此启发，本文构建的深度预测网络能够模仿人类视觉系统的分层感知机制，通过逐步提取特征，提升对复杂波浪数据的建模能力。

在数据质量检查和统计分析部分，本文介绍了当前SWH预测常用的几种数据来源，包括卫星测高数据、再分析数据和浮标数据。虽然卫星测高和再分析数据在覆盖范围上优于浮标数据，但浮标数据通常被认为更加准确（Yang et al., 2021）。浮标数据可以通过美国国家海洋和大气管理局（NOAA）的国家浮标中心（https://www.ndbc.noaa.gov）获取。为了全面比较模型的预测性能，本文使用浮标站点的数据作为实验基础，并对模型的预测结果进行了详细分析。

在实验部分，本文评估了所提出方法在两个真实数据集（站点41004和站点51000）上的预测性能，并与16种基准模型进行了比较。实验结果表明，所提出方法在站点41004上实现了MAPE=5.56%，RMSE=0.1427，MAE=0.0917，显著优于基准模型。同时，该方法在站点51000上实现了MAPE=6.30%，进一步验证了其在不同环境下的适用性。此外，所提出方法在两个站点上均实现了R2=0.9768，表明其在解释数据方面具有强大的能力。

在结论部分，本文总结了所提出方法的优势和应用前景。准确预测SWH对于波浪能发电和海上作业至关重要。本文提出了一种基于生物视觉认知机制的深度集成网络，该网络由三个依次协作的组件组成：特征提取组件、脑分析组件和预测组件。特征提取组件采用了视觉-空间金字塔结构，以增强对SWH序列数据特征的学习能力。脑分析组件结合了GRU和CNN，分别用于捕捉多变量在时间和空间维度上的关系，并通过残差连接的引入，有效融合了局部与全局信息，提升了模型的稳定性。预测组件采用注意力机制动态筛选关键特征，提高了模型对关键信息的关注度，从而提升了预测的准确性。

该研究的实验结果表明，所提出方法在两个真实世界浮标站点上分别将平均绝对百分比误差（MAPE）降低至5.56%和6.30%，同时将能量捕获误差（ΔP）分别降低至10.93%和13.02%。在极端海况下，该模型仍表现出良好的鲁棒性，这表明其在复杂海洋环境下具有较强的适应能力。此外，所提出方法在不同时间尺度上均表现出优异的预测性能，为工业波浪能系统的优化提供了有力支持。

本文的研究成果表明，基于生物视觉认知机制的深度预测网络在SWH预测任务中具有显著优势。首先，这种模型能够模仿人类视觉系统的分层感知机制，通过逐步提取特征，提升对复杂波浪数据的建模能力。其次，该模型结合了递归结构和并行结构，分别用于捕捉时间和空间维度上的关系，并通过残差连接的引入，有效融合了局部与全局信息，提升了模型的稳定性。最后，注意力机制的引入使模型能够动态筛选关键特征，提高了模型对关键信息的关注度，从而提升了预测的准确性。

在实验数据和实验设置部分，本文介绍了用于实验的两个真实世界浮标站点的数据来源和实验方法。实验数据主要来源于NOAA国家浮标中心，该中心提供了高质量的SWH数据。为了确保实验的严谨性和可重复性，本文对实验数据进行了详细的质量检查和统计分析，以确保数据的可靠性和一致性。此外，本文还介绍了实验的设置，包括模型的训练和测试过程，以及评价指标的选择和计算方法。

在实验结果和分析部分，本文对所提出方法在两个真实世界浮标站点上的预测性能进行了详细评估。实验结果表明，所提出方法在预测SWH和影响能量捕获准确性方面均表现出优异的性能。通过与16种基准模型的比较，本文展示了所提出方法在预测准确性和稳定性方面的优势。此外，本文还分析了模型在不同海况下的表现，以评估其在复杂海洋环境中的适应能力。实验结果表明，所提出方法在极端海况下仍能保持较高的预测精度，这表明其在实际应用中具有较强的鲁棒性。

在数据可用性部分，本文介绍了支持研究发现的数据和源代码的获取方式。这些数据和源代码已公开在GitHub上，网址为https://github.com/Fangliao666/SWH-forecast。研究人员可以通过该平台获取实验数据和模型代码，以进行进一步的验证和研究。

在声明利益冲突部分，本文作者声明他们没有已知的与本研究相关的财务利益或个人关系，这些关系可能会影响本文报告的研究结果。这表明研究的客观性和公正性，确保了实验结果的可信度。

在致谢部分，本文对支持研究的多个项目和基金进行了感谢。其中，国家自然科学基金（Grant U22A20216）为本研究提供了部分支持，上海市优秀学术带头人计划（Grant 23XD1401500）也为本研究提供了支持，安徽省教育厅的科研项目（Grant 2024AH010008）同样为本研究提供了支持。这些资助为研究的顺利进行提供了重要保障，使研究团队能够专注于模型的开发和实验的实施。

本文的研究成果不仅在理论上具有创新性，而且在实际应用中也表现出良好的性能。通过结合生物视觉认知机制，所提出方法在SWH预测任务中实现了更高的准确性和稳定性，为复杂海洋环境下的波浪能系统提供了可靠的支持。此外，本文还通过实验验证了模型的鲁棒性，表明其在不同海况下均能保持较高的预测精度。这些结果为未来的研究提供了新的方向，并为实际工程应用提供了可行的解决方案。

综上所述，本文提出了一种基于生物视觉认知机制的深度预测网络，该网络在SWH预测任务中表现出优异的性能。通过模仿人类视觉系统的分层感知机制，该模型能够逐步提取特征，提升对复杂波浪数据的建模能力。同时，结合递归结构和并行结构，该模型能够有效捕捉时间和空间维度上的关系，并通过残差连接的引入，提升了模型的稳定性。注意力机制的引入使模型能够动态筛选关键特征，提高了模型对关键信息的关注度，从而提升了预测的准确性。实验结果表明，该方法在两个真实世界浮标站点上均表现出良好的预测性能，并在极端海况下仍保持较高的鲁棒性。这些结果为复杂海洋环境下波浪能系统的优化提供了有力支持，并为未来的研究提供了新的思路和方法。