SeaGraph：一种基于船载设备的时空海浪预报方法

《Applied Ocean Research》：SeaGraph: A spatiotemporal onboard wave forecasting method

　　桂华·夏|华国|林敏·黄|志·张|余亮·刘
哈尔滨工程大学智能系统科学与工程学院，中国哈尔滨150001
摘要
传统的船舶导航波浪预测方法往往难以对动态的时空过程进行建模，这是由于数据延迟、分辨率有限以及计算限制所致。现有的深度学习方法在预测船舶前方的波浪条件时也面临困难，主要是因为静态建模假设与变化的导航轨迹不匹配。为了解决这些问题，我们提出了SeaGraph，这是一种时空海浪高度（SWH）预测框架，它将历史船舶轨迹的多源时间信息与目标航点的时空特征相结合。具体来说，我们设计了一种自适应的时空编码机制来捕捉节点之间的复杂相互作用和远距离依赖性。实验结果表明，SeaGraph在性能上始终优于顺序基线方法，包括长短期记忆网络（LSTM）和Transformer，在1小时预测范围内的平均绝对误差（MAE）为0.0511米，平均平方误差（MSE）为0.0086米，分别比Transformer提高了约7.8%和9.5%。此外，在6小时的预测范围内，SeaGraph将误差增长限制在29.6%，显示出在长期预测方面的优越稳健性。这些结果表明，SeaGraph有效地增强了时空特征的整合和适应性，为船舶导航安全提供了准确的波浪预测支持。

1. 引言
随着全球化进程的加速，作为国际贸易支柱的海上运输正在经历前所未有的发展（Perera和Soares，2017）。然而，航运规模的扩大加上气候变化的影响，导致极端天气事件的频率增加，对航行安全构成了严重挑战（Bitner-Gregersen等，2018）。根据国际海事组织的数据，2015-2020年间因恶劣海况引起的海上事故数量比2000-2010年增加了约25%（Chirosca和Rusu，2022）。因此，在船舶航线层面开发高精度、实时和动态的波浪预测技术已成为提高航行安全和智能决策的关键要求（Kadhafi，2024；Rawson等，2021）。
目前，有三种主要技术用于船舶海洋环境感知：
(1) 基于观测浮标和沿海海洋站的离散数据收集系统（Di等，2025）。例如，Mishra等人（Mishra等，2023）开发了一种基于微机电系统（MEMS）技术的浮动浮标，并结合物联网（IoT）模块来收集实时波浪运动数据。通过应用k-最近邻（K-NN）和支持向量机（SVM）等机器学习算法，他们的系统实现了较高的海浪高度预测精度。然而，由于空间部署密度和观测覆盖范围的限制，仍难以有效捕捉动态波场的连续空间变化；
(2) 卫星遥感技术（例如合成孔径雷达（SAR）和散射计）能够检测大面积波场（Kou等，2022）。Wan等人（Yong等，2023）证明使用Sentinel-1和高分3号SAR数据进行波谱反演符合遥感应用标准。尽管如此，复杂的数据处理和卫星重访周期以及云层覆盖的干扰引入了显著的延迟，阻碍了实际应用；
(3) 数值模拟方法，如WAVEWATCH III和Simulating WAves Nearshore（SWAN）通过解物理模型方程提供高分辨率海洋数据（Zou等，2023）。Xu等人（Xu等，2025）对几内亚湾的涌浪特征和来源进行了数值模拟研究，使用双层嵌套SWAN模型有效捕捉了跨流域的涌浪传播和季节性变化。虽然该模型成功识别了远距离涌浪的起源和传播模式，但仍需要大量的计算资源，限制了在大规模区域进行实时预测的能力。
现有技术无法同时优化数据的时效性、空间分辨率和计算效率，使得船舶难以及时获取完整的动态波场信息。
近年来，基于神经网络的海洋学取得了快速进展，包括数据驱动的预测、数值模型的误差校正以及用于复杂动态的学习型替代方法（Durand等，2024；Liu等，2025；Ma等，2023）。对于波浪、洋流、海表温度和海平面异常等海洋变量，已经越来越多地采用各种架构，包括卷积神经网络（CNN）/循环神经网络（RNN）变体、Transformer风格的注意力模型、时空图学习和混合物理-机器学习（ML）设计，以从异构观测中学习多尺度依赖性（Chen等，2024；Sunil等，2025；Zhang等，2025；Zhao等，2024）。在操作环境中，这些模型通常用作独立的预测器、减少数值模拟系统偏差的后处理模块，或者作为计算效率高的模拟器来近似物理模型的昂贵组件。
与此同时，人工智能（AI）越来越多地应用于更广泛的海洋和海事工程领域，如船舶操作、海洋传感和决策支持（Kontzinos等，2023；Lisowski，2022），进一步推动了以船舶为中心的、面向决策的预测应用。在这种情况下，预测不仅需要准确，还需要及时、适应性强且可操作，以便在航行过程中随着海况的变化和观测环境的改变而进行调整。这种观点自然要求模型能够融合多源测量数据，并明确表示与航线对齐的时空依赖性，从而支持主动的风险意识航线规划和船上决策。
在这些进展的基础上，深度学习也被越来越多地用于船舶相关的波浪预测，旨在支持在变化的海况下的船上感知和导航决策。当前的研究主要遵循两种方法：
(1) 使用LSTM等时间模型的固定点波浪预测（Lou等，2023；Lu等，2025）。例如，Upreti等人（Upreti等，2023）提出了一个基于基尼杂质指数的双向LSTM模型，该模型利用选定的海洋环境变量来提高海浪高度预测精度。然而，尽管取得了这些进展，模型的静态训练框架和平稳性假设可能限制了其对动态海洋条件的适应性，例如变化的洋流模式或漂移的浮标轨迹，其中观测点远离训练位置，学到的时空关系不再成立，从而影响实时预测的稳健性；
(2) 使用船上传感器数据从船舶的六自由度运动响应中反演波浪参数（Cheng等，2019）。Sidarta等人（Sidarta等，2020）开发了一种基于人工神经网络（ANN）的反演模型，在规则波和不规则波下都显示出了较小的重建误差，验证了其工程可行性。然而，这种方法受到当前船舶位置运动数据的空间限制，无法获取航行路线前方动态波浪信息。
这些时空适应性和预见性的限制限制了智能导航系统的环境感知能力。
为了解决上述挑战，我们提出了一种基于SeaGraph深度学习模型的动态船上波浪预测方法。通过整合历史船舶轨迹的多源时间数据和目标航点的时空特征，我们设计了一种自适应的时空编码机制，并构建了一个动态图网络架构来模拟波场传播规律。所提出的方法通过结合自注意力和图网络的优势，突破了静态建模的约束，增强了模型预测船舶航线前方波场演变的能力，从而支持在复杂海况下的智能导航。以下是主要贡献：
我们提出了SeaGraph，一种基于船舶中心的、与航线对齐的时空海浪预测框架。与将预测视为固定点预测问题的既往方法不同，SeaGraph将船舶轨迹概念化为一个动态图，其中节点代表历史位置，边编码时空关系。关键创新包括：
(1) 一种自适应的时空编码机制，它联合处理来自船舶轨迹和目标航点的多源序列数据；
(2) 一个节点重要性建模模块，考虑了在不同海况下历史位置的异构贡献；
(3) 一个考虑轨迹的注意力架构，明确模拟了相对于船舶运动的波浪传播模式。这些创新使SeaGraph能够克服现有方法的静态建模限制，并提供专门为导航决策优化的准确波浪预测。

2. 模型和方法
SeaGraph是一种基于Transformer和图网络的模型，旨在利用历史船舶轨迹的多源序列数据（包括纬度、经度、时间、风速和海浪高度）以及目标航点的时空特征来感知船舶前方的波浪特征。模型结构如下：
2.1. 输入特征编码
(1) 节点特征编码
船舶航行轨迹上的每个点都被视为图中的一个节点。在时间步骤t，节点特征向量定义为
xi=[Loni, Lati, Windi, SWHi, ti]∈Rd
其中Loni、Lati、Windi和SWHi分别表示第i个轨迹点的纬度、经度、风速和海浪高度，ti是相应的时间戳；d是特征维度（在本工作中为5）。
(2) 中心性编码
为了捕捉船舶轨迹中关键节点的重要性，应用了中心性编码。靠近目标航点或位于复杂海况下的节点可能更为重要。根据每个节点的重要性分配一个可学习的嵌入向量zimportance(vi)并将其添加到其特征h中：
hi(0) = xi + zimportance(vi)
(3) 空间编码
为了编码轨迹中节点之间的空间关系，我们引入了一个基于节点对之间几何关系的空间偏差项。对于每对(vi,vj)，在softmax归一化之前将一个可学习的标量偏差bdistance(vi,vj)添加到注意力logits中，引导自注意力具有空间意识：
Aij = (hiWQ)(hjWK)TdK + bdistance(vi,vj)
(4) 时间编码
为了捕捉节点之间的时间依赖性，我们进一步结合了来自节点对之间时间间隔的时间偏差。与空间偏差类似，在softmax之前将一个可学习的标量btime(vi,vj)添加到注意力logits中，使模型能够根据时间接近度调节注意力：
Aij = (hiWQ)(hjWK)TdK + btime(vi,vj) + bdistance(vi,vj)
Attn(hi) = ∑j=1n softmax(Aij)(hjWV)
然后将所有头的输出连接起来并线性变换，以产生最终的多头注意力（MHA）输出：
MHA(hi) = Concat(Attn(1)(hi),…, Attn(k)(hi))WO
其中Aij表示衡量节点νi和节点νj之间相关性的注意力logit；WQ、WK和WV是将输入表示映射到查询、键和值空间的可学习投影矩阵；dk表示每个注意力头的查询和键向量的维度；bdistance(νi,νj)和btime(νi,νj)是编码节点对之间空间和时间关系的可学习标量偏置项。在多头设置中，Attn(k)(·)表示第k个注意力头的输出（由其自身的投影参数化），Concat(·)沿特征维度连接所有头的输出，Wo是一个将连接表示映射回模型维度的可学习输出投影矩阵。
2.2. SeaGraph层
SeaGraph层基于经典的Transformer编码器实现。在MHA和前馈网络（FFN）之前应用了层归一化（LN）。计算过程如下：
hi′(l) = MHA(LN(hi(l?1)) + hi(l?1)
hi(l) = FFN(LN(hi′(l)) + hi′(l)
向量hi(l)表示第l层的嵌入。hi′(l)是经过MHA模块后的中间表示，带有残差连接。
2.3. 输出层
使用图表示，输出层预测船舶前方的波浪特征。输出层是一个全连接网络：
y = FC(H)
其中H=[h1, h2, …, hn]表示最终SeaGraph层产生的节点表示矩阵。
通过这种结构，SeaGraph有效地整合了多源序列数据和目标航点特征，捕捉了轨迹节点之间的复杂空间和时间关系，实现了对船舶前方波浪条件的准确感知（图1）。

3. 数据集构建
本研究的数据集包括船舶轨迹数据和环境参数，如图2所示。数据来源和处理步骤如下：
(1) 船舶轨迹数据
我们从2018年到2021年收集了830条主要全球航线的AIS数据，包括时间戳（UTC）、经度和纬度。原始轨迹点的采样频率从0.5小时到3小时不等。对于超过3小时的数据间隔，使用以下公式进行线性插值来重建轨迹：
P(t) = Pi + (t?ti)·(Pi+1?Pi)
其中Pi和Pi+1是相邻有效轨迹点的位置（纬度和经度），ti?t?ti+1是时间间隔。
(2) 环境参数
环境数据来自ECMWF通过Copernicus气候数据存储提供的气象重新分析数据集（https://cds.climate.copernicus.eu/datasets/reanalysis-era5-single-levels），时间分辨率为1小时，包括10米风速和海浪高度。具体来说，10米风数据的空间分辨率为0.25° × 0.25°，而SWH数据的空间分辨率为0.5° × 0.5°。环境数据使用双线性插值与船舶轨迹点匹配：f(x,y)=∑k=14wkf(xk,yk)，其中(x,y)是船舶位置，(xk,yk)是ERA5中最接近的四个网格点，权重wk由距离的倒数平方确定。(3) 数据处理对原始数据进行了时间和空间对齐及归一化处理。轨迹数据以1小时为间隔重新采样以确保时间对齐。风速和SWH数据使用Z分数标准化进行归一化：Xnorm=X?μσ，其中μ是从训练集中计算出的均值，σ是标准差。处理后，所有路线根据其起始时间戳（每条路线中第一个AIS点的时间戳）按升序排列。为了保留足够的数据进行模型训练，我们没有进一步分离独立的测试集。按时间顺序排列的路线的前80%用于训练，剩余的20%用于验证。这种时间分割方法是为了避免时间泄露。此外，训练集和验证集严格按路线分开，没有重叠的路线。尽管在本研究中没有明确分离独立的测试集，但相同的分割策略一致应用于所有基准模型和提出的模型，以确保公平比较。当有更多数据可用时，应采用标准的三部分划分方法（训练集、验证集和测试集）进行更严格的评估。

4. 结果与讨论
首先，我们进行了多维敏感性实验，以分析不同输入特征对模型在1小时预测范围内SWH预测性能的差异（见图3）。在全特征设置下，模型的平均绝对误差（MAE）约为0.0625米。通过依次移除不同的特征，我们评估了它们对预测准确性的贡献。

当移除位置特征时，1小时前的SWH预测MAE急剧增加到约0.0715米，增加了27.3%，表明空间位置在波浪传播建模中起着关键作用，并与波浪分布特性密切相关。移除历史SWH数据后，1小时前的MAE增加到0.0660米（增加了15.0%），这表明过去的波浪状态提供了重要的记忆效应，有助于预测动态波浪演变。消除风速导致的MAE增加较小，约为0.0650米（增加了9.9%），这意味着在我们的模型架构中，风速信息可能已经部分嵌入到其他特征交互或潜在表示中。相比之下，移除时间特征使1小时前的MAE增加到0.0700米，增加了23.5%，突显了模型对时间连贯性的高敏感性及其对学习时空波浪传播模式的依赖性。总体而言，这些结果表明模型对不同输入的依赖程度不同。位置和历史SWH最为关键，而风速和时间特征也对能量注入和时间结构学习有显著贡献。

为了评估不同模型适应这项任务的能力，我们比较了ANN、LSTM、Transformer和SeaGraph在1小时预测范围内的SWH预测误差（见表1）。ANN产生的MAE和MSE最高（分别为0.0749米和0.0142米）。LSTM通过利用其序列记忆机制将MAE和MSE降低到0.0567米和0.0097米。Transformer的性能与LSTM相当，误差略低（MAE = 0.0554米，MSE = 0.0095米），表明自注意力在这方面的效果至少与循环建模一样好。然而，SeaGraph的表现优于所有基准模型，实现了最低的MAE（0.0511米）和MSE（0.0086米），比Transformer分别提高了约7.8%（MAE）和9.5%（MSE）。SeaGraph的优越准确性归因于其架构：自注意力机制能够捕捉长距离依赖性，而图网络能有效模拟节点间的交互。此外，SeaGraph结合了节点特征编码、中心性编码、空间编码和时间编码，使其能够全面表示重要的时空动态。

此外，我们比较了不同模型的训练损失曲线（见图4）。收敛行为与模型的相对复杂性和表示能力大致一致。由于ANN具有简单的前馈结构，它显示出最快的初始收敛速度，但它过早地收敛到一个较高的损失区域，导致相对较差的准确性。LSTM和Transformer显示出相似的训练动态，并收敛到较低的损失，Transformer在最后阶段略胜一筹。相比之下，SeaGraph结合了Transformer风格的自注意力与图神经网络，因此是所有方法中最复杂的架构。因此，它的收敛速度最慢，需要更多的训练周期才能稳定；然而，它最终达到了最低的损失并实现了最佳的最终准确性。

为了进一步说明SeaGraph的预测性能，我们使用核密度估计（KDE）图和散点密度图比较了1小时前SWH的预测值和真实值（见图5）。预测和实际SWH的KDE曲线大部分重叠，表明模型的预测分布与实际分布高度一致。KDE图中的负轴是由于平滑处理造成的，这导致核扩展超出了实际数据范围。

图6展示了不同预测范围内的MAE趋势。随着预测窗口从1小时扩展到6小时，所有模型的误差都在增加。具体来说，ANN的误差下降最为显著，MAE从0.075米增加到0.118米（+55.3%）。LSTM的误差从0.058米增加到0.082米（+40.8%），而Transformer的误差从0.059米增加到0.078米（+32.3%）。SeaGraph表现出最稳定的性能，MAE从0.052米增加到0.070米（+29.6%），表明其在较长预测范围内的鲁棒性更强。

SeaGraph在所有时间间隔内始终提供最低的MAE，这凸显了其在捕捉长距离时间依赖性和模拟复杂特征交互方面的优势。ANN的误差增长最快，可能是因为其在模拟序列动态方面的能力有限。LSTM和Transformer都受益于序列建模，随着预测范围的增加，Transformer的误差增长控制略优于LSTM；然而，两者仍然不如SeaGraph有效，尤其是在长期预测方面。图7展示了在海浪极端事件下1小时前SWH预测的模型性能，此时SWH会出现激增然后衰减。在关键上升阶段（用红色高亮显示），SeaGraph（蓝线）保持了最稳定的MAE，峰值约为0.20米，而Transformer的峰值约为0.23米，其次是LSTM（约0.27–0.30米）和ANN（约0.40米）。这表明SeaGraph在处理突然的波高变化方面最为稳健，Transformer虽然有所改进，但在极端阶段仍落后于SeaGraph。

图7右侧的箱线图进一步突出了在极端条件下1小时前显著波高（SWH）预测的性能。SeaGraph表现出最低的中位数MAE和最紧凑的四分位数范围，表明误差分布更集中和稳定。Transformer也比LSTM显示出更紧密的分布，而LSTM和尤其是ANN的分布更广，异常值更多，反映了较弱的鲁棒性。总体而言，这些结果证实了SeaGraph在捕捉波浪极端情况方面的有效性，得益于其结合了Transformer风格注意力和基于图的关系建模的混合设计。

5. 结论
本研究提出了一种基于SeaGraph深度学习的动态船载波浪预测方法，旨在解决波浪场的动态时空演变与现有海上预测方法静态建模框架之间的不兼容性问题。通过整合来自船舶轨迹的多源序列数据以及目标航点的时空特征，SeaGraph模型有效地捕捉了轨迹节点之间的复杂时空关系，实现了对船舶前方波浪条件的高精度感知。实验结果表明，与传统的ANN以及基于序列的基线模型（LSTM和Transformer）相比，SeaGraph在MAE和MSE方面均表现出持续的优越性能。具体而言，在1小时预测范围内，SeaGraph将MAE降低到0.0511米，MSE降低到0.0086米，分别比LSTM提高了约9.9%（MAE）和11.3%（MSE），比Transformer分别提高了约7.8%（MAE）和9.5%（MSE）。此外，SeaGraph在更长预测范围和极端波浪情景下表现出更高的稳定性和适应性，证明了其在动态海洋条件下的鲁棒性。

还应注意的是，本研究依赖于ERA5再分析数据，因为大规模的现场船舶测量数据难以获取。尽管ERA5在物理上是一致的，并通过数据同化进行了质量控制，但它可能会平滑某些极端事件。因此，所提出的模型可能会继承这一限制，可能无法完全捕捉到尖锐的极端情况。在未来的工作中，当现实世界的实验变得可行时，我们将使用现场传感器数据来验证该框架。此外，当前框架将从显著波高预测扩展到多变量波浪预测，包括波周期和波方向，以提供更全面的海洋状况描述。