基于RNN、CNN、LSTM与GRU模型的随机海浪预测对比研究及不确定性量化分析

针对随机海浪非线性与不确定性导致的预测难题，研究人员系统比较了CNN、RNN、LSTM和GRU四种ANN模型在单次预测（single-shot）与多次预测（multi-shot）方法中的表现，结合异方差回归（heteroscedastic regression）和蒙特卡洛 dropout（MC dropout）量化不确定性。结果表明：GRU在单次预测中精度最高（R2达0.74），数据过滤可提升所有模型18%的RMSE和40%的R2，为海洋工程提供优化方案。

　　

海浪预测一直是海洋工程领域的核心挑战。由于海浪的非线性特性和内在随机性，传统方法如计算流体力学（CFD）或线性波理论难以实现高精度实时预测，且存在计算成本高、低估波过程等问题。随着机器学习（ML）技术的发展，数据驱动方法为这一难题提供了新思路。然而，现有研究缺乏对不同模型（如CNN、RNN、LSTM、GRU）在预测时间跨度与方法论上的系统比较，且对预测不确定性的量化不足。为此，四川省科技厅资助项目团队在《Ocean Engineering》发表论文，通过对比四种人工神经网络（ANNs）的性能，填补了这一空白。

研究采用模拟波浪谱生成的随机海浪和真实海浪记录作为样本，结合单次预测（single-shot）与多次预测（multi-shot）方法，利用异方差回归（heteroscedastic regression）和蒙特卡洛 dropout（MC dropout）进行不确定性量化（UQ）。关键技术包括：1）基于波谱的能量分布重构随机海浪；2）优化输入长度（n_input）以避免欠拟合与过拟合；3）通过置信区间（CI）宽度评估数据不确定性（DU）；4）比较不同模型在波高、峰值频率等指标的预测表现。

模型性能对比

• 短时预测优势：LSTM与GRU在短时预测中表现最佳（R²分别达0.70和0.74），但LSTM训练耗时更长。
• 数据过滤效应：过滤处理使所有模型的平均均方根误差（RMSE）降低18%，R²提升40%，同时将CI宽度缩减50%以上，显著降低数据不确定性。
• 长时预测策略：对于CNN和RNN，无需重新训练的多重预测方法效果优于单次预测；而LSTM和GRU在该方法下表现较差。
• 综合精度：GRU在单次预测中整体精度最高，尤其在长时预测场景下优势明显。

结论与意义
该研究首次系统评估了四种ANNs在海浪预测中的适用性，揭示了GRU在平衡精度与效率方面的优越性。数据过滤和UQ技术的应用为降低预测不确定性提供了可行方案。研究结果为海洋灾害防控、波能转换器（WECs）优化及海上作业安全提供了理论支持，尤其推荐GRU单次预测方法用于高精度需求场景，而CNN/RNN的多重预测适用于长时预测。未来可进一步探索模型融合或注意力机制以提升预测能力。

（注：解读严格依据原文，未添加非文献内容；专业术语如“异方差回归”等首次出现时已标注英文缩写；模型名称保留原文大小写格式如“MC dropout”；作者单位按要求以中文表述。）