STL-FFT-STFT-TCN-LSTM：一种融合时频域特征的有效波高高精度预测模型
信号处理
2025-09-25 v1 机器学习
摘要
随着传统能源消耗加剧及其对环境的不利影响日益显著，波浪能因其高能量密度、稳定性、广泛分布和环境友好性，成为可再生能源家族中极具前景的一员。其发展的关键在于有效波高（Significant Wave Height, WVHT）的精确预测。然而，波浪能信号表现出强非线性、突变性、多尺度周期性、数据稀疏性和高频噪声干扰；此外，波浪能预测的物理模型计算成本极高。为应对这些挑战，本研究提出了一种结合 STL-FFT-STFT-TCN-LSTM 的混合模型。该模型利用基于 Loess 的季节-趋势分解（STL）、快速傅里叶变换（FFT）、短时傅里叶变换（STFT）、时序卷积网络（TCN）和长短期记忆网络（LSTM）技术，旨在优化多尺度特征融合、捕捉极端波高，并解决高频噪声和周期信号相关问题，从而实现有效波高的高效、精确预测。使用 NOAA 41008 和 41047 站点 2019 年至 2022 年的小时数据进行了实验。结果表明，与其他单一模型和混合模型相比，STL-FFT-STFT-TCN-LSTM 模型在捕捉极端波高和抑制高频噪声方面取得了显著更高的预测精度，MAE 降低了 15.8%-40.5%，SMAPE 降低了 8.3%-20.3%，R 提高了 1.31%-2.9%；在消融实验中，该模型也证明了每个组件步骤的不可或缺性，验证了其在多尺度特征融合方面的优越性。
引用
@article{arxiv.2509.19313,
title = {STL-FFT-STFT-TCN-LSTM: An Effective Wave Height High Accuracy Prediction Model Fusing Time-Frequency Domain Features},
author = {Huipeng Liu and Zhichao Zhu and Yuan Zhou and Changlu Li},
journal= {arXiv preprint arXiv:2509.19313},
year = {2025}
}
备注
17 page, 13 figures; references added