基于最优分解的小样本海浪数据预测方法

《Journal of Ocean Engineering and Science》：Prediction method for small-sample ocean wave data based on optimal decomposition

　　

为了提升小样本条件下有效波高（Significant Wave Height, SWH）的预测能力，研究人员提出了一种融合改进能量谷优化（Improved Energy Valley Optimization, IEVO）算法与时间卷积网络-自注意力-双向长短期记忆网络（TCN-Self-attention-BiLSTM）的混合模型，从而增强对小样本海浪时间序列的预测能力。为增强能量谷优化（Energy Valley Optimization, EVO）算法种群的均匀性、提高解空间多样性并改善其全局搜索能力，研究人员通过优化种群初始化方式和更新规则对算法进行了改进。为增强小样本海浪数据的分解能力，采用IEVO的模型构建了将自适应变分模态分解（Variational Mode Decomposition, VMD）与能量熵相结合的适应度函数，从而量化分解质量并实现参数自动优化。为解决现有模型长期预测精度下降以及极值点估计欠佳的问题，该混合预测模型扩大小样本海浪数据的感受野，在96步预测中提高了预测精度和极值点跟踪能力。

该研究发表于《Journal of Ocean Engineering and Science》。海浪预测对海洋工程、航运安全和灾害预警具有重要意义。传统物理统计与数值预报方法依赖物理过程和大量观测数据，计算成本高；现有混合智能预测模型虽能提升精度，但通常依赖多变量时空关系和大样本训练数据。在远海观测站、应急监测和新工程初期等场景中，样本量小、数据来源单一、辅助变量缺乏，且没有有效物理规律可供利用，已有模型性能明显下降。针对上述问题，研究人员提出了IEVO-TCN-Self-Attention-BiLSTM混合预测模型，以实现小样本条件下的96步有效波高预测。

主要关键技术方法如下：研究人员采用山东科学院海洋仪器仪表研究所岸边实验站（36°3′1.25″N, 120°17′42.09″E）2021年12月1日至30日共711小时有效波高数据，以及美国国家数据浮标中心（National Data Buoy Center, NDBC）41025号浮标（35°1′32″N, 75°22′48″W）2026年2月16日至3月2日共711组大浪数据进行验证。方法上，用Halton序列与拉丁超立方采样（Latin Hypercube Sampling, LHS）改进EVO初始种群，结合邻近粒子平均、正态分布扰动和精英保留策略形成IEVO；以VMD分解各分量能量熵构造适应度函数，自动确定最优分解层数；按分解层数配置TCN-Self-Attention网络深度，并用双向长短期记忆网络（Bidirectional Long Short-Term Memory, BiLSTM）提取双向时序特征。

研究结果如下：

3.1 改进种群优化方法的验证：通过最近邻指数R、核密度分布、变异系数、空间覆盖率、峰值密度差和均匀性指数等指标，比较随机初始化、改进帐篷混沌映射（TentCM）、LHS和Halton-LHS四种方法。结果表明，Halton-LHS初始化的R值为1.894，显著大于1，说明种群呈均匀分布，均匀性、遍历性和低差异性均最优。

3.2 基于粒子优化更新与种群优化的优势验证：在Sphere、Schwefel、Rastrigin和Griewank四个经典测试函数上，IEVO的精度、稳定性和收敛效率均优于EVO。与随机初始化、TentCM和LHS相比，Halton-LHS初始化使IEVO在复杂多峰函数上具有更强的全局搜索能力，收敛所需评价次数显著减少。

4.1 海浪数据来源：小浪数据来自山东科学院岸边实验站的座底式波浪仪器，共711个小时有效波高样本；大浪数据来自NDBC 41025号浮标，共711组实测波浪数据。

4.2 有效波高的最优分解：IEVO结合VMD与能量熵适应度函数，确定小浪数据的最优分解层数为8层，得到8个固有模态函数（Intrinsic Mode Function, IMF）和1个残差分量。2至3层分解不充分，4至7层频带细节不足，9层出现频带重复提取；8层分解中心频率分离清晰，无模态混叠。

4.3 多类型优化算法与适应度函数的最优分解对比：在统一种群规模30、迭代100次的条件下，IEVO以能量熵为适应度函数时，分解层数最接近理论最优值8，运行时间约10秒，在精度和计算效率上均优于IVY、麻雀搜索算法（SSA）、灰狼优化器（GWO）等对比算法；能量熵适应度也优于奇异谱熵、功率谱熵、包络熵、排列熵、近似熵、样本熵和模糊熵。

4.4 有效波高最优分解的预测对比：采用输入窗口100步、预测窗口96步的滑动窗口划分样本。比较1至10个TCN-Self-Attention块时，9层配置的MAE为0.020767、MAPE为0.10413、MSE为0.00088832、RMSE为0.029805、R²为0.83385，五项指标均最优；10层时出现过拟合，性能明显下降。

4.5 所提模型与其他多类型预测模型的预测对比：与BiLSTM-GRU、CNN-LSTM、TCN-Attention、TCN-LSTM、TCN-BiLSTM-Attention相比，IEVO-TCN-Self-Attention-BiLSTM在低波高区间和峰值波高处的预测误差最小，R²