基于VMD-CNN-LSTM模型和迁移学习框架的风暴潮预测研究

摘要

针对数值风暴潮预测模型耗时长及可操作性差的问题,基于“分解-预测-集成”的思想,融合变分模态分解算法(VMD)、“点-窗”采样模型、卷积神经网络(CNN)、长短期记忆网络(LSTM)及数值集成方法,构建了风暴潮组合预测模型。首先,采用VMD分解风暴潮增水时序数据,得到多个分量;其次,利用“点-窗”采样模型对分量数据进行采样,构建输入矩阵;之后,将输入矩阵输入到CNN-LSTM组合预测框架中进行预测;最后,集成各分量预测结果,得到风暴潮最终预测结果。实证结果表明,VMD-CNN-LSTM预测模型与目前广泛采用的单一模型和其他组合预测模型相比,具有更高的预测精度。为了将模型更好地运用于实际工程中,采用迁移学习方法,将大数据训练模型“迁移”到小数据领域,结果表明:即使新样本数据量较少,迁移后的模型仍具有较好的泛化能力。