基于双层分解框架和LSTM-Informer的混合模型用于显著波高预测

《Ocean Engineering》：A hybrid model based on a dual-layer decomposition framework and LSTM-Informer for significant wave height prediction

显著波高预测混合模型研究及实验分析。

　　

熊书青|杨文秀|董春晖

哈尔滨工程大学烟台研究院，中国烟台，264000

摘要

准确预测显著波高（SWH）对海洋工程项目、海上航行和海洋能源的开发至关重要。然而，由于海浪的非线性和不平滑性，传统模型在SWH预测任务中的表现往往不佳。本文提出了一种混合模型，该模型结合了STL分解、变分模态分解（VMD）、长短期记忆（LSTM）和Informer算法。本研究使用来自三个浮标站的数据集，比较了多种模型的性能，包括LSTM、Transformer、EMD-LSTM、EMD-Transformer、VMD-LSTM和SMD-LSTM-Informer（我们提出的模型），在3小时、6小时、12小时、24小时、36小时和48小时的不同预测时段内进行测试。研究结果表明，SMD-LSTM-Informer模型的性能优于其他模型，在48小时预测时段内的平均R²值为0.87。此外，还使用第四个数据集进行了消融实验，以证明SMD-LSTM-Informer模型的有效性和鲁棒性。结果表明，SMD-LSTM-Informer模型在短期和长期SWH预测任务中都表现出色。

引言

准确预测SWH在各种沿海和海洋工程应用中至关重要，例如港口运营（Xie等人，2022年）、波浪能利用（Cornejo-Bueno等人，2016年）和海洋灾害预警（Chondros等人，2021年）。除此之外，SWH预测对于保护浮动海上系统（如LNG运输船和浮动风力涡轮机）也非常重要，因为这些系统的稳定性和生存能力对极端或异常波浪非常敏感。例如，时间上相似的异常波浪由于空间波形的差异可能会引起不同的船舶响应（Zhang等人，2022a, 2022b），而浮动风力涡轮机在极端海况下可能会经历系泊断裂载荷、运动响应的滞后或稳定性丧失（Zhang等人，2023年，2025年）。因此，可靠的SWH预测不仅可以提高基础设施的抗风险能力，还可以为环境监测和灾害预警提供支持（Díaz-Secades，2024年；Han等人，2024年）。

波浪高度预测技术已经从传统的物理建模方法（如WAM和SWAN（Booij等人，1999年；Group，1988年）发展而来，这些方法需要大量的计算资源（Lashley等人，2018年；Yurovskaya等人，2023年），转向了更高效的数据驱动方法。最近，研究人员开发了基于时间序列相关性的统计模型，以实现更高的计算效率和更大的灵活性。例如，Baxevani等人（2009年）提出了一种时空模型，通过检查波浪数据在空间和时间上的分布来重建和预测波浪高度；Ajeesh和Deka（2015年）使用仅包含历史波浪高度观测值的SVM方法，证明了这种方法可以有效预测显著波高；Ge和Kerrigan（2016年）采用ARMA模型分析波浪引起的结构响应，揭示了其在涉及动态载荷预测的工程应用中的实用性。这些研究表明统计模型在短期和静态波浪高度预测方面的优势。然而，这些方法通常假设波浪高度是线性或弱非线性的且静态的，这使得它们难以捕捉波浪高度的非静态特性。由于存在显著的非静态和高频扰动，它们的预测能力受到很大限制（Rachmanda和Adytia，2023年）。

随着人工智能的发展，机器学习逐渐成为海洋波浪高度预测研究的关键领域，显示出其在捕捉非线性动态和从复杂数据集中辨别显著特征方面的巨大潜力。Luo等人（2022年）使用带有注意力机制的双向LSTM模型，在极端海况下实现了高精度的波浪高度预测。Daniel和Adytia（2023年）发现Transformer模型在SWH预测方面优于LSTM模型，而LSTM模型在预测峰值波周期方面优于Transformer模型。Zhou等人（2021年）证明Informer模型在预测长序列时间序列方面比Transformer模型更有效。Informer模型已应用于流量预测（Tepetidis等人，2024年）、电力负荷预测（Xu等人，2023年）、风速预测（Wang等人，2023年）等多个领域。这些工作表明，机器学习方法在捕捉非线性和非静态波动方面具有显著优势。然而，单一网络模型仍然无法有效预测具有多尺度特征和强非线性特性的波浪高度，这使得多模态融合建模策略成为当前科学研究的热门方向（Jin等人，2025年；Tang等人，2023年）。

为了进一步提高复杂环境中的预测性能，研究人员逐渐将模态分解技术与深度学习算法相结合，构建了分解-融合混合建模策略（Liu等人，2021年；Theodorakos等人，2022年）。Ji等人（2023年）提出的VMD-LSTM混合模型显著提高了短期SWH预测的精度。Ding等人（2024年）使用的CEEMDAN-LSTM模型、Zhang等人（2024年）基于VMD-LSTM的混合方法，以及Chen等人（2025年）提出的VMD-DLT模型，在多步预测、极端环境预测和多尺度建模等任务中都表现出色。目前，混合建模策略不仅在SWH预测方面取得了突破，还在提高复杂时间序列模型的泛化和准确性方面取得了进展，例如风能预测（Huang和Dong，2021年；Zhao等人，2023年）、空气质量指数预测（Qin等人，2024年）和电力负荷预测（Aksan等人，2023年）。上述研究表明，混合策略正逐渐成为提高波浪高度预测准确性的有效方向。

尽管基于单一分解的混合预测模型已经取得了显著成果，但仍有改进的空间。在这项研究中，我们提出了SMD-LSTM-Informer模型，该模型结合了双层分解策略和LSTM-Informer。SMD指的是结合STL和VMD进行数据分解，比单层分解更有效地减少了波浪高度的非静态性。采用LSTM-Informer作为预测模型，因为它能更好地捕捉不同时间尺度上的模式，有利于提高预测精度。这种方法已通过实际海洋观测数据集得到验证，结果表明SMD-LSTM-Informer模型在预测性能和泛化能力方面均优于传统方法。报告的结构如下：第2节介绍了方法论，包括STL、VMD、LSTM、Informer和提出的SMD-LSTM-Informer模型；第3节介绍了实验设计和评估指标；第4节讨论了模型预测结果；第5节提出了结论和展望。

章节摘录

STL分解

STL分解是一种基于Cleveland等人（1990年）提出的LOESS的方法。STL将时间序列分解为其基本组成部分：

$Y_t=T_t+S_t+R_t$其中$T_t$和$S_t$分别表示趋势和季节性成分，$R_t$表示剩余部分。STL广泛应用于时间序列建模，并且最近已与深度学习结合用于波浪高度预测（Khan等人，2023年；Yang等人，2021年）。

STL分解过程主要包括一个内循环和一个

研究区域和数据描述

为了验证SMD-LSTM-Informer模型的有效性，本研究选择了来自国家数据浮标中心（NDBC，https://www.ndbc.noaa.gov/）的四个代表性浮标站。选定的浮标站——41013、41049、42002和44011——分布在北大西洋和墨西哥湾的不同海洋环境中。站点41013、41049和42002的数据集用于比较研究，而站点44011的数据集用于消融研究。

结果与讨论

相关参数设置如下：对于Informer模型，编码器和解码器的层数均设为1；LSTM中的隐藏层数量设为2层，第一层有64个节点，第二层有128个节点；训练采用0.001的学习率、最小批量大小为64、丢弃率为0.1，最大迭代次数为100次。Informer和LSTM的输出被连接起来，两个模型的特征通过全连接

结论

在这项研究中，我们提出了SMD-LSTM-Informer模型，该模型整合了STL、VMD、LSTM和Informer技术，用于短期和长期SWH预测。我们使用来自NDBC的四个数据集进行了比较研究和消融研究，覆盖了墨西哥湾和北大西洋等地区，并得出了以下结论：

(1)

比较研究的结果表明，SMD-LSTM-Informer模型在不同预测时段内的性能均优于其他模型。

CRediT作者贡献声明

熊书青：撰写——原始草稿、软件开发、数据整理、概念化。杨文秀：撰写——审稿与编辑、监督。董春晖：撰写——审稿与编辑、项目管理。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本项目由山东省自然科学基金资助（资助编号：ZR2024QE115）。