|本期目录/Table of Contents|

基于VMD-CNN-LSTM模型和迁移学习框架的风暴潮预测研究(PDF)

灾害学[ISSN:1000-811X/CN:61-1097/P]

期数:
2023年04期
页码:
195-203
栏目:
探索．青年与灾害
出版日期:
2023-10-20

文章信息/Info

Title:
-
作者:
王甜甜; 鲁云蒙; 刘铁忠
Author(s):
-
关键词:
风暴潮预测; 时间序列; 变分模态分解; 卷积神经网络; 长短期记忆网络; 迁移学习
分类号:
X43；X915.5；P731.23
DOI:
-
文献标识码:
A
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。

参考文献/References

备注/Memo

备注/Memo:
更新日期/Last Update: 2023-11-07