来源：期刊VIP网 时间：
作者：康永红;贺小星;
单位：华东交通大学交通运输工程学院;江西理工大学土木与测绘工程学院;
摘要：针对基于变分模态分解(VMD)和长短时记忆网络(LSTM)的混合深度学习长时间序列预测模型中存在的参数难以确定问题，该文通过优化VMD获取最优参数，提出信噪比(SNR)优化变分模态分解与长短时记忆网络模型的海洋环境参数长时序混合预测新模型(SVMD-LSTM)。以海洋环境参数28 a的长时间序列作为模型特征，对比实验验证SVMD-LSTM模型的有效性和稳定性。实验结果表明，SNR能有效优化VMD分解的最优参数，且SVDM-LSTM模型大幅度减少了VMD-LSTM模型带来的预测偏差，海底温度、海水温度、盐度及海面高的均方根误差(RMSE)值平均降低了22.28%、27.43%、23.39%及35.00%,海底温度、海水温度、盐度及海面高的平均绝对误差(MAE)值平均降低了31.73%、29.30%、39.52%及20.00%。SVMD-LSTM模型与原始时间序列拟合度强，可以更好地预测和监测海洋环境变化，该预测方法可应用于海洋环境参数长时间序列的精准预测。
关键词：海洋环境参数;;深度学习;;时间序列预测;;VMD;;LSTM
基金资助：国家自然科学基金项目(42364002);; 江西省主要学科学术和技术带头人培养计划项目(20225BCJ23014);; 江西理工大学高层次人才科研启动项目(205200100564)
