基于多周期学习的潮汐流速预测模型
机器学习
2026-03-03 v4 人工智能
摘要
潮汐能是增加可再生能源渗透率的关键因素。高潮汐能渗透率至关重要，取决于准确的潮汐流速预测。模型不准确会阻碍预测精度。以往的研究主要使用物理模型预测潮汐流速，但潮汐流速变动受到天体轨道周期的影响，使得准确的物理建模具有挑战性。针对潮汐的多周期性问题，本文提出了一种基于多周期学习的 Wavelet-Enhanced 卷积网络方法。该框架将单个一维潮汐流速数据的周期内变化嵌入行，周期间变化嵌入列，形成二维张量。随后，二维序列可由卷积核处理。我们将时频分析方法集成到该框架中，以进一步处理局部周期特征。此外，为增强框架的稳定性，我们使用 Tree-structured Parzen Estimator 对框架的超参数进行优化。该提议框架捕获了潮汐数据的多周期依赖关系。数值结果显示，10 步平均平均绝对误差为 0.025，至少比其他基线方法降低 1.44%。进一步的消融研究表明，在人工添加周期波动的数据上，平均绝对百分比误差降低 1.4%。
引用
@article{arxiv.2410.09718,
title = {A Tidal Current Speed Forecasting Model based on Multi-Periodicity Learning},
author = {Tengfei Cheng and Yangdi Huang and Ling Xiao and Yunxuan Dong},
journal= {arXiv preprint arXiv:2410.09718},
year = {2026}
}