一种基于两阶段分解和BiGRU的自适应潮汐高度预测模型

《Ocean Engineering》：An adaptive tidal height prediction model based on two-stage decomposition and BiGRU

　　潮汐高度预测对港口调度、船舶导航及水资源管理至关重要。本文提出一种融合自适应参数优化与BiGRU的两阶段分解预测模型，通过CEEMDAN初步分解去除噪声，SSA优化VMD二次分解消除复杂模式干扰，结合双向门控循环单元捕获多尺度时间依赖。模型在芦潮港2022年小时数据集上验证，RMSE=0.0841，MAE=0.0713，MAPE=2.0515，R2=0.9956，优于谐波分析及7种基线深度学习模型。台风期测试及5个不同地点泛化实验均显示其鲁棒性和高精度，为潮汐预测及时间序列任务提供新框架。

　　潮汐高度预测在沿海地区的港口调度、船舶航行和水资源管理中起着至关重要的作用。随着对精确潮汐预报需求的增加，现有的预测方法在极端天气条件下的准确性和鲁棒性仍然存在一定的局限性。本文提出了一种基于两阶段分解的潮汐高度预测模型，该模型结合了自适应参数优化和双向门控循环单元（BiGRU），以提升预测的准确性。该模型使用上海鹿沼港的每小时潮汐高度数据（2022年）进行验证，并与谐波分析和七种深度学习模型进行了比较。实验结果表明，该模型在均方根误差（RMSE）为0.0841、平均绝对误差（MAE）为0.0713、平均绝对百分比误差（MAPE）为2.0515以及决定系数（R2）为0.9956的情况下，表现优于所有基准模型。此外，模型在台风期间的数据测试中展现了其在极端天气条件下的稳定性和鲁棒性。通过在五个不同地点进行泛化测试，也验证了该模型在多种环境下的预测能力。本文提出的模型为潮汐高度预测提供了一种可靠且自适应的解决方案，同时也为时间序列预测任务提供了一个新颖的框架，推动了海岸工程、海上运营和环境监测领域的进步。

潮汐高度作为海洋水文观测的重要参数之一，对于全球许多沿海国家而言，其观测和预测技术具有极高的重要性。这些国家通常会部署大量潮汐观测站，以实现对潮汐数据的长期观测和预测。沿海地区不仅人口密集，而且经济活动频繁，潮汐的变化对这些区域的经济活动和生态环境具有深远的影响。例如，在海洋灾害的预防和应对、海洋资源的开发、海上运输的安排以及港口管理等方面，潮汐预测都发挥着关键作用。此外，随着全球气候变化的加剧，特别是海平面上升的加速，对精确潮汐预测的需求也变得更加迫切。联合国政府间气候变化专门委员会（IPCC）第六次评估报告指出，全球海平面的上升速度正在加快，且不同地区的上升幅度存在显著差异，这进一步凸显了潮汐预测在支持适应性海岸管理中的重要性。

在现代航运中，对潮汐高度信息的精度要求不断提高。特别是在大型船舶进出港口时，提供高精度的潮汐数据有助于降低船舶搁浅、桥梁碰撞等事故的发生率。同时，精确的潮汐预测也为沿海生态系统的保护提供了重要支持。例如，潮汐动态在很大程度上影响着低pH值水体的传输和混合过程，从而对易受酸化影响的钙化生物和珊瑚礁系统构成潜在威胁。因此，对潮汐变化的研究不仅有助于提升航运安全，也为环境保护和生态修复提供了科学依据。

目前，潮汐高度预测主要依赖于两种方法：经典物理模型和机器学习方法。经典物理模型通常基于潮汐动力学原理，通过模拟潮汐、洋流和波浪等物理现象来进行预测。这类模型适用于长期复杂环境的模拟以及极端条件下的研究。例如，Tajfirooz等人（2018）使用MIKE 21软件分析了一年的每小时潮汐观测数据，并对阿曼海和波斯湾的三个站点进行了潮汐预测。Fleming等人（2007）则利用ADCIRC模型预测了2007年飓风季节期间新奥尔良湖南岸的潮汐数据。这些模型通过数学公式拟合潮汐运动的周期性模式，从而实现对潮汐高度的预测。

谐波分析是潮汐预测中最经典的算法之一，它通过将潮汐数据分解为多个谐波分量，并根据特定频率和振幅叠加这些分量来预测潮汐变化。Thomson最早提出了谐波分析用于潮汐预测，Darwin随后提出了平衡潮理论，而Doodson则通过最小二乘法拟合实测潮汐数据，确定了谐波分析的常数。尽管谐波分析在理论上具有坚实的依据，但在实际应用中，它仍然需要结合现代数据处理技术进行优化和改进。例如，Byun等人（2019）利用谐波分析方法计算了罗伯茨角的潮汐谐波常数，并进行了长期预测。

近年来，随着人工智能的快速发展，深度学习模型如反向传播算法（BP）、支持向量机（SVM）、长短期记忆神经网络（LSTM）和门控循环单元（GRU）也被广泛应用于潮汐预测。Jian等人（2024）采用改进的BP神经网络对阿斯托里亚和弗里德天港的潮汐观测站进行预测，结果显示其预测精度优于传统模型。He等人（2012）提出了一种基于SVM的潮汐预测方法，并在厦门潮汐观测站的数据上进行了实验，结果表明该模型能够有效预测潮汐变化。LSTM作为一种改进的循环神经网络，能够选择性地记忆或遗忘信息，从而解决传统循环神经网络（RNN）中梯度消失和梯度爆炸的问题。Sari等人（2024）在雅加达海平面数据集上进行了LSTM的预测实验，验证了其相较于RNN等模型的优越性。

GRU则是RNN的一种改进版本，相较于LSTM的三门结构，GRU的两门结构更为简洁，参数更少，从而提高了计算效率和训练速度。Dharmawan等人（2024）测试了三种RNN变体（普通RNN、LSTM和GRU）在潮汐预测中的表现，结果表明GRU的预测精度优于其他两种模型。Pan等人（2020）则结合了GRU和卷积神经网络（CNN），构建了CNN-GRU潮汐预测模型。然而，GRU在处理时间序列的双向性方面存在一定的局限性，可能在某些任务中导致有价值上下文信息的丢失。为此，双向门控循环单元（BiGRU）应运而生，它通过双向传播机制引入前向和后向信息，从而更好地捕捉时间序列中的长期依赖关系。BiGRU在气象和金融等时间序列预测领域得到了广泛应用（Duan et al., 2023）。

潮汐变化受到多种因素的影响，表现出非平稳性和非线性特征。单一神经网络模型在训练过程中容易受到数据噪声的干扰，从而导致预测精度下降。为了解决这一问题，许多学者尝试将数据分解技术与神经网络模型相结合，以降低潮汐观测数据的复杂性并提高预测精度。Yin等人（2023）在应用神经网络模型之前，先使用经验模态分解（EMD）对潮汐时间序列数据进行分解，取得了更精确的预测结果。然而，EMD在分解过程中可能存在模态混叠和端点效应的问题，这会影响信号的重建质量。为此，Torres等人（2018）提出了自适应噪声完全集合经验模态分解（CEEMDAN）方法，该方法通过添加自适应白噪声来减少信号重建误差。CEEMDAN作为EMD的改进版本，能够更有效地处理复杂信号，减少模态混叠现象。

然而，在极端气象事件如台风的影响下，潮汐高度数据的变化变得更加复杂且充满不确定性。对于高频噪声或短期扰动，单一分解方法的去噪效果有限，可能导致特征提取不够细致，从而影响后续模型的预测精度和泛化能力。为了解决这一问题，本文提出了一种两阶段分解策略，即对具有最高复杂度的信号成分进行二次分解，以进一步消除噪声干扰并提取多层次的有效信息。变分模态分解（VMD）是一种能够将原始数据分解为有限带宽的K个模态成分的算法，每个成分具有中心频率α。Huang等人（2024）使用VMD对观测到的潮汐高度数据（包括天文潮和非天文因素）进行分解，并结合LSTM神经网络进行预测，实验结果表明该模型的预测精度优于单独使用LSTM的情况。

在实际应用中，VMD参数的设置往往具有一定的主观性，这可能导致在不同潮汐条件下模型性能不佳。因此，引入智能优化算法对VMD的参数K和α进行优化，可以提高其自适应性，使其根据不同数据集的特点自动调整参数，从而获得更优的分解结果。Sparrow Search Algorithm（SSA）是一种2020年提出的智能优化算法，具有高精度、快速收敛、稳定性和鲁棒性等优点，并在实验中被证明优于灰狼优化（GWO）、粒子群优化（PSO）和遗传算法（GSA）等优化算法（Xue and Shen, 2020）。基于SSA的优化能力，本文将SSA与VMD相结合，以实现对VMD参数的自适应优化，从而提升潮汐预测的准确性。

综上所述，尽管在潮汐预测领域已经取得了显著进展，但仍然存在一些关键挑战。现有的模型，无论是纯物理模型、数据驱动模型还是混合模型，往往难以应对潮汐信号的高度非平稳性和噪声干扰，特别是在极端气象条件下。单一神经网络模型容易受到噪声的影响，导致模型过拟合，并且难以捕捉多尺度时间依赖关系。此外，单阶段分解技术可能无法充分分离复杂信号成分，从而导致残余模态混叠和特征提取受限。而VMD参数的手动设置则容易引入主观偏差，影响模型在不同潮汐环境下的泛化能力。

为了解决上述问题，本文提出了一种新的潮汐高度预测模型（CEEMDAN-SSA-VMD-BiGRU），该模型结合了两阶段分解策略和BiGRU网络。首先，利用CEEMDAN对原始潮汐信号进行粗略分解，通过添加自适应白噪声来减少信号重建误差。随后，使用SSA优化后的VMD对分解后的高复杂度成分进行二次分解，进一步消除噪声干扰并提取多层次的有效信息。最后，将这些分解后的子序列输入到BiGRU网络中，利用其双向传播机制捕捉时间序列中的长期依赖关系，从而提升模型的学习能力和预测精度。这种多层次、自适应的预测方法不仅能够有效减少噪声和模态混叠的影响，还能在不同环境条件下保持较高的预测稳定性，为潮汐预测提供了一种更为可靠和高效的解决方案。

此外，本文的研究成果还具有重要的实际应用价值。在港口运营和船舶调度中，精确的潮汐预测能够帮助航运公司合理安排进出港时间，提高运营效率并降低事故风险。在环境监测方面，潮汐数据的精确预测有助于评估沿海生态系统的变化趋势，为海洋酸化、生物多样性保护和珊瑚礁系统的维护提供科学依据。在海岸工程领域，潮汐预测可以为海堤建设、防洪规划和海岸带管理提供重要的数据支持，从而减少自然灾害带来的经济损失。因此，本文提出的模型不仅在学术研究上具有创新性，而且在实际应用中也展现出广阔的发展前景。

本研究的创新点主要体现在以下几个方面。首先，通过引入两阶段分解策略，该模型能够更有效地处理潮汐数据中的复杂成分和噪声干扰，从而提高预测的准确性和鲁棒性。其次，将SSA算法与VMD相结合，实现了对VMD参数的自适应优化，避免了手动设置参数带来的主观偏差，提升了模型在不同数据集上的适应能力。第三，采用BiGRU网络作为预测核心，能够同时捕捉时间序列的前向和后向依赖关系，增强了模型对复杂模式的学习能力。这些创新点使得该模型在处理非平稳、非线性潮汐信号方面具有更强的适应性和泛化能力。

为了验证模型的有效性，本文使用了上海鹿沼港的每小时潮汐高度数据（2022年）进行实验。实验结果表明，该模型在RMSE、MAE、MAPE和R2等评价指标上均优于传统方法和现有的深度学习模型。同时，模型在台风期间的数据测试中表现出良好的稳定性，证明其在极端天气条件下的预测能力。此外，通过在五个不同地点进行泛化测试，进一步验证了该模型在多种地理环境下的适用性。这些实验结果不仅表明了模型在实际应用中的可行性，也为未来的研究提供了新的思路和方法。

从方法论的角度来看，本文的模型构建过程体现了跨学科融合的特点。首先，模型结合了数据分解技术和机器学习算法，实现了对复杂潮汐信号的多层次处理。其次，通过引入自适应优化算法，模型能够在不同数据集上自动调整参数，提高预测的适应性和准确性。最后，模型的结构设计充分考虑了时间序列的双向依赖关系，使其能够更全面地捕捉潮汐变化的动态特征。这种综合性的方法不仅提升了潮汐预测的精度，也为其他时间序列预测任务提供了可借鉴的框架。

在实际应用中，该模型的部署和运行需要考虑多个因素。例如，数据采集的频率和质量直接影响预测结果的准确性，因此需要建立高精度的潮汐观测系统。此外，模型的训练和优化过程需要大量的计算资源，这可能对实际应用中的硬件条件提出一定要求。为了提高模型的实用性，可以考虑将其部署在云计算平台或边缘计算设备上，以实现高效的计算和实时预测。同时，模型的可解释性也是一个重要的考量因素，特别是在涉及环境监测和生态研究的场景中，模型的透明度和可追溯性有助于提高用户的信任度和接受度。

从技术发展趋势来看，潮汐预测的研究正朝着更高精度、更强适应性和更广泛适用性的方向发展。随着传感器技术和数据采集能力的提升，未来的潮汐预测模型将能够处理更大规模和更高分辨率的数据，从而进一步提高预测的准确性。同时，人工智能技术的不断进步也将为潮汐预测提供更强大的计算能力和更丰富的模型选择。例如，集成学习、强化学习和联邦学习等新兴技术可能在未来的潮汐预测研究中发挥重要作用。此外，随着气候变化和海平面上升的加剧，对潮汐预测的长期性和稳定性要求也将不断提高，这将推动研究者探索更先进的模型结构和优化方法。

综上所述，本文提出的CEEMDAN-SSA-VMD-BiGRU模型在潮汐高度预测方面展现出显著的优势。通过两阶段分解策略和自适应参数优化，该模型能够有效减少噪声和模态混叠的影响，提高预测的准确性。BiGRU网络的引入进一步增强了模型对复杂时间依赖关系的捕捉能力，使其在多种环境条件下都能保持较高的预测性能。这些研究成果不仅为潮汐预测提供了新的方法，也为其他时间序列预测任务提供了有益的参考。在未来的研究中，可以进一步探索该模型在不同海域和不同气象条件下的适用性，并结合更多先进的数据处理和机器学习技术，推动潮汐预测领域的持续发展。