《Ocean Engineering》：A wind force prediction method for autonomous sailboats based on an improved TCN-LSTM model
编辑推荐：
自主帆船风能利用效率优化研究提出改进的TCN-LSTM混合模型，集成小波多尺度去噪、物理-统计特征增强及多头注意力机制，解决传统模型特征提取不足和噪声敏感问题。通过时空解耦架构和贝叶斯超参优化策略提升建模能力，实验验证风速预测均方误差0.0249，风向预测准确率58.58%，且跨区域数据验证了模型泛化鲁棒性。
刘世轩|于宗豪|宋淼淼|傅晓|陈世哲|赵鹏辉|严星奎
中国山东省科学院齐鲁工业大学海洋仪器研究所物理海洋学国家重点实验室，青岛
摘要
为了提高自主帆船风能利用的效率，本研究提出了一种改进的TCN-LSTM混合模型，该模型结合了基于小波的多尺度去噪、物理统计特征增强和多头注意力机制。该方法通过K最近邻插值重构时间序列数据，并从气象分析中提取变化特征，解决了特征提取和噪声鲁棒性的问题。设计了一种时间和空间解耦的TCN-LSTM架构，采用循环残差连接来捕捉周期性的风向模式和长期依赖性。为了进一步提高性能，采用了二阶贝叶斯超参数优化策略，结合动态学习率调度和自适应提前停止机制，以加速收敛并提高泛化能力。实验结果表明，风速的均方误差为0.0249，平均绝对误差为0.1163；风向的角余弦平均误差为0.1035，方向精度为58.58%。重要的是，在跨区域数据集上的新的时空泛化实验验证了该模型在多样化海洋环境中的鲁棒性。所提出的方法显著优于传统基线方法，提供了高精度的预测，并为智能帆船观测系统的发展提供了关键技术支持。
引言
作为海洋观测的一个新兴平台，无人帆船主要依赖风能，这具有低排放和长续航时间等优点（Yu等人，2018年）。在实际应用中，海洋风场的不确定性要求帆船的智能控制系统持续监测风速和风向。系统必须动态调整帆角将风能转化为推力，同时调整航向以确保高效稳定的航行（Huang等人，2021年）。值得注意的是，风向的变化会重塑船体的受力分布（图1），而风速的波动直接影响推进效率。因此，开发具有物理可解释特征的高精度风预测模型对于提高航行性能和推进智能自主路径规划至关重要（Zhao等人，2010年）。
当前的风预测技术主要应用于能源领域，特别是风电场管理（Liu等人，2024年）。然而，海洋风场的强非线性和随机变异性导致风速和风向具有高度波动和弱周期性，这对传统模型捕捉其动态行为构成了重大挑战。现有的预测方法大致可以分为三类：物理模型、统计模型和基于人工智能（AI）的模型。物理模型，如数值天气预报（NWP）和中尺度谱模型（MSM），基于严格的物理理论，但依赖于高分辨率的气象数据和密集的计算，这限制了它们在实时场景中的适用性（Zhu等人，2018年）。统计模型，包括自回归移动平均（ARMA）、自回归积分移动平均（ARIMA）和马尔可夫链（MC）方法，在捕捉线性趋势方面有效，但在模拟突变和湍流变化方面存在不足（Chen等人，2019年）。相比之下，基于AI的方法发展迅速，并通过数据驱动建模显示出学习复杂风场模式的强大潜力（LeCun等人，2015年）。
在深度学习领域，时间卷积网络（TCNs）、长短期记忆（LSTM）网络和自注意力机制已被广泛应用于风能预测和海洋气象建模。Lee等人（2021年）分析了韩国釜山海岸线的风分布，强调了实时和高质量观测数据的必要性（Lee等人，2021年）。Klemm等人（2023年）证明TCNs在波高预测方面优于循环神经网络（RNNs）和LSTMs，因为它们在模拟长距离依赖性方面具有更强的能力（Klemm等人，2023年）。Li等人（2023年）引入了一种优化的N-BEATS架构，提高了预测精度，并进一步证明了TCNs在时间预测任务中的适用性（Li等人，2023a）。LSTM网络在模拟非线性时间序列数据方面也表现出强大的能力。Jankauskas等人（2023年）验证了双向LSTM在风能预测中的有效性，强调了特征选择和超参数优化的重要性（Jankauskas等人，2023年）。Ding等人（2023年）将经验模态分解（EMD）与LSTM结合，以减少风向预测误差（Ding等人，2023年）。Li等人（2021年）将自注意力和ConvLSTM结构集成到设备寿命预测模型中，为风预测的多尺度特征提取提供了见解（Li等人，2021年）。Fan等人（2023年）开发了一个多变量深度学习框架，捕捉了风速、方向和温度之间的耦合，强调了联合建模的重要性（Fan等人，2024年）。混合架构，如3DTCN-CBAM-LSTM和CNN-LSTM，展示了模块化融合在多变量预测中的优势（Du等人，2024年）。例如，Farhangi等人（2023年）使用CNN-LSTM模型进行海表温度预测（Farhangi等人，2023年），而Zhang等人（2023年）将变分模态分解与SSA-TCN-BiGRU结合，以提高短期风预测的准确性（Zhang等人，2023年）。
尽管深度学习在风建模方面取得了显著进展，但仍存在几个关键挑战。有限的特征提取能力限制了对风速和气象变量之间耦合的理解。对风向周期性的建模不足导致预测不稳定。此外，手动超参数调整由于效率低下而降低了模型的泛化能力。为了解决这些限制，本文提出了一种改进的TCN-LSTM框架，用于短期风预测，旨在促进自主帆船的导航和控制。本研究的主要贡献总结如下：
(1)提出了一种数据重构和去噪策略，该策略结合了K最近邻（KNN）插值和滑动窗口，应用多尺度小波去噪，并整合了物理和统计气象特征，构建了一个高质量的增强特征集。
(2)通过引入多头注意力机制和循环残差连接，开发了一种时间和空间解耦的TCN–LSTM架构，以增强风向的周期性建模和风速及方向的联合预测精度。
(3)引入了二阶贝叶斯优化策略，结合动态学习率调度和自适应提前停止，以提高超参数调整的效率和效果。
(4)在真实世界数据集上进行了比较实验和消融实验，以验证所提出模型在风速和方向预测方面的优越性。
本文的其余部分组织如下：第2节介绍海上风预测的总体框架；第3节描述数据预处理和特征增强方法；第4节介绍所提出的TCN-LSTM模型及其组件；第5节详细说明实验和分析；第6节总结研究并概述未来研究方向。
部分摘录
海上风速和方向预测方法的框架
所提出的海上风预测方法的总体框架旨在有效整合空间特征并进行高效的时间建模，以实现风速和方向的准确预测。它包括三个核心组件：数据预处理模块、时空特征融合和增强模块以及用于风速和方向的智能预测模块，如图2所示。
数据预处理模块处理原始多维数据
数据预处理和特征增强
为了提高模型在复杂海洋风场场景中的鲁棒性和泛化能力，本研究开发了一个全面的预处理和特征融合-增强流程，如图3所示。该流程包括缺失值填充、数据标准化、多尺度小波去噪和物理-统计特征增强。
在第一阶段，原始气象数据经过异常值去除和K最近邻插值处理
改进的TCN-LSTM预测模型和模块实现
为了实现对复杂海上风场的准确建模和预测，本研究提出了一种改进的TCN–LSTM混合深度神经网络，该网络结合了多尺度卷积、注意力机制和序列记忆单元。该模型利用时间卷积网络（TCNs）捕捉长距离时间依赖性的能力，以及长短期记忆（LSTM）网络处理非平稳序列的优势。此外，它还结合了多头
实验和结果分析
为了全面评估所提出的改进TCN-LSTM模型的风预测能力，我们建立了一个严格的实验框架，该框架整合了多个基线模型、统一的评估指标系统和在真实世界风场数据上的验证。
结论
本研究建立了一个基于理论的方法框架，用于海洋环境感知，弥合了深度学习的可解释性和自主航行物理约束之间的差距。时空解耦机制的验证为开发鲁棒、可边缘部署的智能观测系统提供了重要的理论基础，同时也为复杂动态环境中的时间序列建模提供了新的方法路径。
CRediT作者贡献声明
刘世轩：写作 – 审稿与编辑、监督、项目管理、资金获取。于宗豪：写作 – 审稿与编辑、原始草稿撰写、可视化、软件开发、概念化。宋淼淼：写作 – 审稿与编辑、监督、软件开发、项目管理。傅晓：监督、项目管理、资金获取、数据管理。陈世哲：监督、项目管理、数据管理、概念化。赵鹏辉：可视化
利益冲突声明
1. 利益声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。
2. 贡献
每位作者通过以下方式做出了实质性贡献：
(1) 研究的构思和设计，或数据获取，或数据分析和解释，(2) 文章的起草或对其重要内容的批判性修订，
请指明
致谢
本工作得到了泰山产业计划、齐鲁工业大学（山东省科学院）国家重点实验室建设重大科研项目（项目编号2025ZDGZ01）、山东省重点研发计划（项目编号2023ZLYS01）以及齐鲁工业大学（山东省科学院）科技教育生产融合创新试点项目（项目编号2023JBZ01）的支持。
