来源：期刊VIP网 时间：
作者：张睿;孟帅;张小卿;刘震;封培元;
单位：上海交通大学海洋工程国家重点实验室;中国船舶及海洋工程设计研究院上海市船舶工程重点实验室;
摘要：[目的]为减少Transformer模型复杂度和推理时间，提高船舶运动极短期预报精度，[方法]提出将传统LSTM模型和改进的LSTM-OneShot模型进行预训练，借用梯度提升决策树（GBDT）算法和集成学习思路，基于Transformer模型引入注意力机制来修正预报残差。采用某远洋船在三级海况下时历数据进行试验。[结果]研究发现：1）在船舶运动曲线预报方面，Transformer修正可显著提高LSTM模型预报精度。在预报时长2 s时，拟合优度系数R~2可从0.807提高到0.940;Transformer修正在一定程度上可提高LSTM-OneShot模型预报精度。在预报时长2s时，R~2可从0.938提高到0.941;Transformer修正的LSTM-OneShot模型整体表现最佳。2）在船舶运动包络线预报方面，包络线的周期性在可行的输入序列时间不显著，多层感知机提取的历史特征成为干扰信息，导致LSTM-OneShot模型预报结果明显不如传统LSTM模型。在预报时长2 s时，R~2从0.938降低至0.881；注意力机制修正可以显著提高传统的LSTM模型预报精度。在预报时长2s时，R~2从0.938提高到0.963；注意力机制修正在一定程度上可提高LSTM-OneShot模型的预报精度，但是无法从根本上去除多层感知机带来的干扰信息。在预报时长2 s时，R~2可从0.881提高到0.887;Transformer修正的传统LSTM模型整体表现最佳。[结论]研究成果可为船舶运动极短期预报提供一定参考。
关键词：船舶运动;;极短期预报;;长短期记忆循环神经网络;;Transformer模型;;注意力机制
基金资助：国家自然科学基金面上项目（51879161,52271335）
