文章标题：基于VMD-PE-GWO-LSTM的海浪波高预测模型

文章作者：冷春花, 张文正
关 键 字：变分模态分解;排列熵;南海波高预测;长短时记忆神经网络
文章摘要：复杂的海洋环境下，船舶航行安全受波高显著影响，波高与船舶运动状态密切相关，需构建基于深度学习的波高预测模型以保障航行安全。由于海浪波高具有非平稳的特性，传统预测方法效果欠佳。本文创新提出基于灰狼优化算法下最优参数的海浪波高特征预报复合模型，采取灰狼算法（Grey Wolf Optimization，GWO）优化变分模态分解（Variational Mode Decomposition，VMD）参数中模态分量数K和惩罚因子$ \alpha $处理数据后提取波高序列固有模态函数（Intrinsic Mode Functions，IMF），以排列熵（Permutation Entropy，PE）为标准筛选信号，并将有效的模态分量作为长短时记忆神经网络（Long-Short Term Memory Network，LSTM）模型输入；构建VMD-PE-GWO-LSTM复合模型。经南海实测数据验证，该模型将波高数据分解为8个趋势项序列，预报精度达到R²=0.9857，能更精准地预报波高数据从而保障航行中的船舶安全。