LCGNet：一种用于多步船舶纵摇预测的轻量级上下文感知全局-局部网络

《Applied Soft Computing》：LCGNet: A lightweight context-aware global-local network for multi-step ship heave prediction

　　

# 摘要

船舶升沉运动在主动升沉补偿系统的控制性能中起着关键作用，对其精确保测是降低补偿误差和拓展安全作业窗口的必要条件。然而，由随机波浪激励驱动的升沉信号表现出显著的多尺度时间特性和强非平稳性。现有深度学习方法通常依赖大规模参数量和计算复杂度来建模这些特性，这限制了其在舰载或平台级系统中实时部署的适用性。为解决这一问题，本文提出了一种轻量级上下文感知全局-局部网络（LCGNet），用于多步船舶升沉预测。该模型首先引入了一种上下文感知分块嵌入模块，通过逐步压缩时间轴并聚合跨子段的时序依赖关系，实现高效上下文表示。随后，设计了一种双路径多尺度特征提取模块，通过全窗口统计再校准捕获全局演化趋势，通过局部多尺度形态建模捕捉短期动态变化。所得互补特征随后进行融合，生成预测表示。在仿真数据上的实验结果表明，对于1.6秒的预测时程，所提模型实现了0.0085米的均方根误差（RMSE）、0.0058米的平均绝对误差（MAE）、4.9283%的对称平均绝对百分比误差（SMAPE）和0.9998的决定系数（R2），同时仅需0.17M FLOPs、30,625个参数和0.12 MB的模型大小。在真实舰载数据上，经过10次不同随机种子的独立微调运行，模型实现了平均0.0111±0.0003米的RMSE和0.0081±0.0002米的MAE，表明在所研究的数据集上具有稳定的仿真到实物的适应性。此外，量化后的模型仅占用0.08 MB，在RV1126边缘计算平台上实现了26.1±0.8微秒的单样本推理时间，证明了在舰载或平台级系统中实时边缘推理的可行性。

# 引言

随着海洋资源的持续开发，货物转运、海上油气钻探和大型海洋安装等海上作业日益频繁。在风、浪、流等复杂环境载荷作用下，浮动平台和作业船舶不可避免地产生显著的升沉运动[1]，这对作业效率、定位精度和系统整体安全产生不利影响。为缓解升沉运动造成的工程挑战，实践中已开发出多种升沉补偿技术，可大致分为被动升沉补偿（PHC）[2]和主动升沉补偿（AHC）[3]。

PHC通常可被建模为布置在船体与载荷之间的弹簧-阻尼隔离系统[4]。凭借结构简单、可靠性高且无需外部能量输入等优势，PHC在早期工程实践中得到了广泛应用。然而，由于海洋环境激励具有显著的随机性和宽带特性，PHC在复杂海况下的补偿精度本质上受到限制，难以满足高精度作业的需求。相比之下，AHC通过构建闭环控制系统，实时测量船体升沉并主动驱动执行器进行动态补偿，显著提升了升沉抑制性能[5]。在典型AHC系统中，升沉运动作为关键受控变量，控制性能高度依赖于升沉信号的测量精度和系统响应速度。然而，AHC的实际实现受到传感器测量延迟、信号处理延迟和执行器动力学等因素的制约，阻碍了理想补偿性能的实现。因此，开发高精度、低延迟的船舶升沉预测方法，以提前提供短期未来升沉信息，已成为提升AHC性能和拓展安全海上作业窗口的关键技术途径[6]。

现有船舶运动预测方法大致可分为三类：物理模型、统计预测模型和数据驱动模型[7]。物理方法通常基于水动力理论和船舶运动方程构建。代表性方法包括基于响应算子或脉冲响应函数的卷积预测方法[8,9]，以及基于状态空间的在线估计和短期预测方法，其中卡尔曼滤波及其非线性扩展应用广泛[10,11,12,13,14]。这些方法具有清晰的物理解释性，但对波浪激励描述、水动力参数辨识和模型不确定性较为敏感。因此，由于参数获取困难和实施成本高昂，其在复杂海况下的实时应用仍面临挑战[15]。

为减轻精确水动力建模的负担，自回归和自回归移动平均等统计时间序列方法及其变体已被引入用于秒级的短期预测[16,17,18,19,20]。这些方法计算效率高，但通常依赖于线性和平稳性假设，限制了其充分捕捉真实海况下升沉响应所表现出的非线性、非平稳和时间变频谱特性的能力。

近年来，数据驱动方法逐渐成为船舶运动预测的主要研究方向。传统机器学习方法试图通过学习输入-输出映射来建模非线性动态关系，如用于短期运动预测的人工神经网络[21]，以及基于支持向量回归（SVR）的船舶运动或相关海况变量预测和系统辨识方法[22,23,24,25,26,27]。为增强对非平稳信号的处理能力，部分研究引入了信号分解或特征重构策略，例如结合经验模态分解与SVR以提升短期预测性能[28]，或利用贝叶斯优化实现自适应模型和参数调优以满足实时应用需求[29]。尽管这些方法在一定程度上提升了非线性建模能力，但仍高度依赖人工特征工程和参数选择，对噪声、缺失数据和工况迁移的鲁棒性有限。

得益于增强的端到端表征学习能力，深度学习方法在船舶运动预测方面展现了优越的建模潜力。循环神经网络（RNN）及其变体被广泛用于捕捉时序依赖关系，其中长短期记忆（LSTM）网络和门控循环单元（GRU）网络是最具代表性的架构。这些模型通常与信号分解或重构技术相结合以缓解非平稳性的影响[30,31,32,33,34]。为进一步改善局部模式提取和关键时序信息选择，研究者开始将卷积神经网络（CNN）与RNN结构相结合，以同时建模局部形态特征和时序依赖关系[35,36]。注意力机制也已被引入，有时与小波变换或位置编码相结合，以增强对关键时序片段的关注并提升噪声鲁棒性[37,38,39,40,41,42]。此外，CNN-Transformer混合架构已被应用于多步升沉预测并实现了较高的预测精度[43]。涉及多尺度特征表示、时序依赖建模和信息融合的类似思路也被应用于其他复杂非平稳工程信号的智能分析。在故障诊断和状态识别方面，TCN-BiLSTM架构被用于同时捕捉工业设备信号中的多尺度时序特征和双向依赖关系[44]，而基于相空间熵的方法通过表征多尺度动态复杂性增强了跨不同机械对象和有限样本条件的泛化能力[45]。多模态、多尺度和多级融合策略通过利用不同模态和层级特征之间的互补信息，进一步提升了复杂机械状态的识别能力[46]。在退化建模和健康 prognostics方面，通道-时间注意力机制被用于同时表征特征重要性和时序退化依赖关系以预测剩余使用寿命[47]，而基于退化信息和分段电压信号的锂离子电池健康状态估计则证明了整合局部退化特征与其时序演化的有效性[48]。

尽管深度学习方法在预测精度方面取得了显著进展，但基于RNN或Transformer构建的模型通常结构复杂，伴随大量参数和高计算成本。这对实际海洋工程应用构成关键限制，因为舰载或平台级控制系统的计算资源有限，并对实时性能、稳定性和能耗提出严格要求。因此，高参数、高复杂度的模型难以直接在边缘设备上部署，也难以集成到稳定的实时闭环AHC系统中。 consequently，如何在保持预测精度的同时有效降低模型参数规模和计算复杂度，从而构建适合工程部署的轻量级船舶升沉预测模型，仍是一项紧迫且尚未解决的挑战。

基于上述分析，本文提出了一种面向船舶升沉预测的轻量级深度学习模型，在模型设计中明确考虑了边缘部署约束，并从序列表示和特征提取两个角度进行设计。

在序列表示阶段，受PatchTST[49]分段建模思想的启发，引入了隐式分段嵌入机制。该机制不显式地将输入序列划分为分段，而是在网络内部采用逐步降采样方式，逐渐形成紧凑的子段表示单位，从而有效降低长序列建模带来的计算负担。然而，仅依赖基于降采样的局部聚合可能会削弱对表示单位之间时序依赖关系的建模。为解决这一问题，进一步设计了上下文感知分块嵌入（CPE）模块。通过逐步扩展膨胀感受野和高效的跨通道信息交互，CPE模块在轻量级约束下增强了表示单位之间的上下文建模，产生了更稳定且具有区分性的嵌入。

在特征提取阶段，构建了双路径多尺度特征提取（DMFE）模块，从两个互补视角——全窗口统计重塑和局部多尺度形态补偿——对上下文嵌入进行进一步处理。随后采用轻量级融合策略生成更适合多步预测学习的特征表示。实验结果表明，所提模型在保持低参数量和计算成本的同时，实现了与更复杂模型相当或更优的预测精度，展现出有利于潜在实时部署的计算特性。本研究的贡献如下：

（1）提出了一种面向多步船舶升沉预测的轻量级上下文感知全局-局部网络，并考虑了边缘部署约束。该模型在保持高预测精度的同时显著降低了参数规模和计算复杂度，为可集成到AHC相关应用中的轻量级实时预测方案提供了可能。

（2）引入了一种上下文感知分块嵌入方法，通过逐步时间压缩和混合膨胀感受野实现了跨子段的上下文聚合。采用分组卷积和通道混洗打破通道隔离，在低参数约束下实现了高效的联合时序-通道建模。

（3）设计了一种双路径多尺度特征提取结构，从全窗口统计重塑和局部多尺度形态建模两个互补视角协同建模升沉响应，从而提升了复杂海况下多步预测的稳定性和鲁棒性。

（4）在多个仿真海况数据集上对所提方法进行了系统评估，并利用真实船舶升沉测量数据进一步检验了其初步的仿真到实物适应性。采用不同随机种子的重复微调实验表明，在所研究的真实船舶数据集上具有稳定的适应性能。

（5）实验结果表明，LCGNet仅需30,625个参数和0.17M FLOPs，模型大小为0.12 MB，经量化后可进一步压缩至0.08 MB。该模型推理速度极快，证明了其在舰载或平台级边缘计算系统上部署的可行性。

# 方法概述

所提轻量级船舶升沉预测网络的整体架构如图1(a)所示。鉴于波浪激励下的升沉响应表现出长程依赖、时间变相关和局部非平稳扰动等特性，该模型在序列表示、特征提取和预测输出三个关键阶段均采用轻量级设计，以在保持预测精度的同时控制参数量和计算规模。

# 数据集

为全面评估所提模型在不同海况下的预测性能和泛化能力，实验研究同时采用了数值仿真数据和真实舰载测量数据。

数值仿真数据使用海洋系统模拟器（MSS）生成，该模拟器能够精确计算波浪激励下的船舶运动响应，在船舶运动分析和海洋工程领域得到了广泛应用。

# 输入序列长度对预测性能的影响

为确定在固定预测时程下的最优输入序列长度，以输出时程固定为1.6秒为条件，对不同历史观测长度进行了系统性对比。表3展示了当输入长度从3.2秒增加到14.4秒时的预测误差和复杂度指标。

随着输入长度的增加，预测精度先提升随后趋于稳定。当输入长度从3.2秒增加到6.4秒时，RMSE、MAE、SMAPE……

# 结论与未来工作

本文针对AHC控制中对短期、多步、低延迟预测的工程需求，提出了一种用于船舶升沉运动预测的LCGNet模型。

通过引入CPE模块，长原始序列被映射为紧凑的子段表示，在严格的参数约束下，通过混合膨胀感受野和轻量级跨通道交互高效捕捉跨子段的时序依赖关系。此外，DMFE模块结合了…… 资金声明：本工作得到了中国国家自然科学基金[资助号52505065]、山东省自然科学基金[资助号ZR2025QA22]以及国家万人计划[资助号SQ2022QB08144]的支持。作者贡献声明：孙一恒——撰写初稿、验证、软件、方法学、概念化。陈萌——撰写审核与编辑、监督、调查研究、概念化。韩浩阳——调查研究、形式分析、概念化。王新元——软件、资源。李世珍——撰写审核与编辑、项目管理、资金获取。石文卓——撰写审核与编辑、项目管理、资金获取。利益冲突声明：作者声明不存在可能影响本文所报告工作的已知竞争性财务利益或个人关系。孙一恒|陈萌|韩浩阳|王新元|李世珍|石文卓，山东大学海洋科学与技术学院，中国青岛，邮编250100。