一种高精度的短期潮汐预报模型

柳成　尹建川

摘要：

为提高潮汐预报的精度，提出一种基于支持向量机（Support Vector Machine，SVM）的模块化潮汐实时预报模型. 将潮汐分为受天体引潮力影响的天文潮和受环境因素和其他因素影响的非天文潮，分别使用调和分析法和改进的SVM对天文潮和非天文潮进行预报， 结合两种方法的输出构造最终的潮汐预报结果. 在对非天文潮的预测中，将SVM与灰色模型相结合，并利用粒子群优化（Particle Swarm Optimization，PSO）算法对SVM的参数进行优化以提高预报精度. 利用火奴鲁鲁港口的实测潮汐数据进行实时潮汐预报仿真.仿真结果表明该方法具有较高的短期预报精度.

关键词：

潮汐预报； 模块化方法； 调和分析法； 支持向量机（SVM）； 灰色模型； 粒子群优化（PSO）

0引言

潮汐（海面周期升降运动[1]）预报直接关系到船舶航行安全和港口营运效率，对军事、渔业、港口和近岸工程以及其他沿海生产活动都有重要的影响. 潮汐一直是船舶航行计划制定和港口作业调度的重要因素：准确的潮汐预报是航行安全的重要保障，并有利于港口水深资源的充分利用；相反，不准确的或误差较大的潮汐预报，则很可能导致船舶搁浅或撞桥等海上交通事故的发生.

传统的潮汐预报方法是调和分析法.它以潮汐静力学和动力学为基础，经过多年发展，已经能够实现对潮汐进行稳定、长期预报，但需要大量、长期的潮位观测数据才能得出准确的调和分析模型，且其平均预报误差约为20～30 cm，在许多场合达不到对潮汐预报……