一个改进的子搜索算法和CNN-BiLSTM神经网络用于预测海平面高度

科学领域:

• 环境科学 环境科学
• 数据科学数据科学数据科学
• 人工智能的人工智能

背景情况:

• 准确的海平面高度预测对于沿海风险管理至关重要.
• 由于非线性,时间变化和不确定的特征,海平面数据存在挑战.
• 现有的预测模型难以应对海平面变化数据的复杂性.

研究的目的:

• 开发一个更准确,更强大的海平面预测模型.
• 为了优化综合神经网络的性能,使用一种新的群集智能算法.
• 改善沿海地区海平面风险的评估.

主要方法:

• 一个新的混合算法,Sine-Cosine Cauchy Sparrow Search Algorithm (SCSSA),是通过将SSA与正弦-正弦和Cauchy变化策略集成而开发的.
• 使用SCSSA算法优化了卷积神经网络与双向长短期记忆 (CNN-BiLSTM) 神经网络相结合的参数.
• 拟议的SCSSA-CNN-BiLSTM模型是使用来自中国沿海七个潮站的时间序列数据进行训练和验证的.

主要成果:

• 与标准CNN-BiLSTM模型相比,SCSSA-CNN-BiLSTM模型在SHANWEI站的所有评估指标上表现出更高的性能.
• 在六个站点中,SCSSA-CNN-BiLSTM模型实现了RMSE值从20.9217到27.8427毫米,MAE从9.4770到17.8603毫米,MAPE从0.1322%到0.2482%,R2从0.9119到0.9759.
• 该模型始终在所有测试站提供有效的预测,优于其他评估的神经网络模型.

结论:

• 该SCSSA-CNN-BiLSTM模型代表了海平面变化预测的重大进展.
• 拟议的模型具有很高的准确性和稳定性,使其成为沿海风险评估的宝贵工具.
• 尽管模型复杂性增加,但增强的预测能力证明其在关键环境监测中的应用是合理的.