基于自适应特征提取时频网络的显著性波浪高预测新框架

精确预测显著性波浪高（Hs）对于波力发展和利用至关重要。预测 Hs 面临的挑战源于其非线性和非平稳特性。分解预处理与机器学习模型的组合在 Hs 预测中已显示出显著有效性，通过提取数据特征。然而，对测试集中未知数据进行分解会导致数据泄漏问题。为同时实现数据特征提取和防止数据泄漏，提出了一种 novel 自适应特征提取时频网络（Adaptive Feature Extraction Time-Frequency Network, AFE-TFNet），以提高预测精度和稳定性。它是一种 encoder-decoder 滚动框架。编码器包含两个阶段：特征提取和特征融合。在特征提取阶段，通过结合小波变换（Wavelet Transform, WT）和傅里叶变换（Fourier Transform, FT），提取全局和局部频域特征，并利用 Inception 块执行多尺度频率分析。在特征融合阶段，通过占主导谐波序列能量加权（Dominant Harmonic Sequence Energy Weighting, DHSEW）集成时域和频域特征。解码器采用先进的长短期记忆（LSTM）模型。将小时测量的风速（Ws）、主导波浪周期（DPD）、平均波浪周期（APD）和 Hs 来自三站点的数据用作数据集，并采用四个指标评估预测性能。结果表明，AFE-TFNet 在预测精度方面显著优于基准方法。特征提取显著提高了预测精度。DHSEW 在中期至长期预测中显著提高了准确率。AFE-TFNet 的预测精度随滚动时间窗口大小变化而不显著变化。总体而言，AFE-TFNet 在处理复杂信号预测方面显示出强大的潜力。