基于EEMD及BP神经网络的区域海平面多尺度预测研究

基于时间序列的统计预测模型是现阶段海平面高度预测的主要手段之一,然而海平面变化机理复杂,传统方法对于非平稳非线性的时间序列预测存在较大局限性,预测精度有待进一步提高。本文基于闸坡站长时间(1959～2011年)月均验潮序列,结合集合经验模态分析(Ensemble Empirical Mode Decomposition,简称EEMD)与BP(Back Propagation)神经网络方法,提出一种改进的区域海平面变化趋势预测方法——EEMD-BP建模。本研究首先利用EEMD方法对原始序列进行分解,根据验潮序列中隐含的各个信号的不同频谱特征生成多个本征模函数(Intrinsic Mode Function,简称IMF),达到将时间序列平稳化,提高信噪比的效果。然后由各IMF作为BP神经网络的输入因子,分别预测各IMF的未来变化趋势,最后将输出结果重建得到原始序列的预测值。结果显示,EEMD能有效提取序列中隐含的多时间尺度信号,神经网络能较好地预测海平面未来变化趋势,相对于直接使用BP神经网络进行海平面变化时间序列预测(R=0.76,RMSE=36.74mm,ME=-3.46),EEMD-BP建模预测精度有显著提高(R=0.89,RMSE=28.16mm,ME=2.31)。说明EEMD-BP建模首先对非平稳非线性时间序列进行平稳化、降噪等处理,再分别对分解后序列进行预测,有利于提高预测精度。该方法为相关区域海平面变化趋势预测研究提供现实参考意义。