原文传递
基于BiLSTM-ARIMA混合模型的潮汐预测研究
| 论文题名： | 基于BiLSTM-ARIMA混合模型的潮汐预测研究 |
| 关键词： | 潮汐预测;BiLSTM-ARIMA混合模型;差分自回归移动平均模型;双向长短时记忆神经网络 |
| 摘要： | 精准的潮汐预测信息对于海上船舶的安全航行、进出口靠离泊和码头装卸货等活动有着十分重要的作用。现在对吃水深度测量的精度要求越来越高，所以对于潮位信息的精度要求也是在不断提高。在大型船舶穿过桥梁和船舶搁浅事故中，潮位信息的重要性也是十分明显的。 传统的潮汐预测方法主要是调和分析法，该方法是基于历年来大量的观测记录而获取潮汐数据，以此获取调和分析预报模型。但是传统的调和分析法在进行潮汐分析时考虑的因素较少，主要是天体之间引力所产生的引潮力，忽视了非线性因素如风速、气压、降水量等一系列水文因素产生的影响。潮汐水位经过这些影响因素也会出现一定的变化，所以传统的调和分析模型无法满足更高精度潮汐水位的要求。通过充分阅读国内外文献，不断归纳潮汐预测方法，本文总结了预测研究方法和发展趋势。 随着计算机网络水平的飞速发展，深度学习技术和神经网络在预测研究中心的表现日益突出。神经网络通过对数据进行表征学习的算法，运用了它的非线性、自适应性、自学习能力来得到更加精准且有实时性的预测结果。通过研究学习，选择了差分自回归移动平均模型(AutoregressiveIntegratedMovingAverageModel，ARIMA)和双向长短时记忆神经网络（Bi-directionalLongShort-TermMemory，BiLSTM）为本文主要研究方法。综合考虑潮汐水位的非线性和线性因素，提出了一种混合模型：BiLSTM-ARIMA。本文运用BiLSTM神经网络强大的非线性拟合能力，BiLSTM能够有效并且高速地获取来自于潮汐水位受到非线性影响的特征因素，再根据这些因素进行建模。通过模型得到BiLSTM的初步预测结果，再经过计算处理得到误差序列，将误差序列使用ARIMA模型提取线性因素进行预测。最终会得到经过BiLSTM模型非线性因素和ARIMA模型线性因素综合计算考量的最终预测结果。通过评价标准原则的评价指标，综合考虑得出混合模型比单一模型更好，效果最优。 |
| 作者： | 周天新 |
| 专业： | 交通运输工程 |
| 导师： | 章文俊 |
| 授予学位： | 硕士 |
| 授予学位单位： | 大连海事大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
