Predicción a Corto Plazo de la Altura del Conducto de Evaporación Basada en la Optimización de Hiperparámetros Bayesiana
Autores: Wu, Ye-Wen; Zhang, Yu; Fan, Zhi-Qiang; Chen, Han-Yi; Zhang, Sheng-Lin; Zhang, Yu-Qiang
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Altura del ducto de evaporación
Red neuronal
Optimización bayesiana
Pronóstico
LSTM
Ajuste de hiperparámetros
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 6
Citaciones: Sin citaciones
Predecir con precisión la altura del ducto de evaporación (EDH) es una tecnología crucial para habilitar la comunicación y la detección de radar más allá del horizonte en el mar. Para abordar los problemas de sobreajuste en el entrenamiento de redes neuronales y la baja eficiencia de la sintonización manual de hiperparámetros en la predicción convencional de la altura del ducto de evaporación (EDH), este estudio propone la aplicación de técnicas de aprendizaje profundo basadas en optimización bayesiana (BO) para la previsión de EDH. Específicamente, desarrollamos un novedoso modelo híbrido BO-LSTM para mejorar la precisión predictiva de EDH. Primero, basándonos en los datos de reanálisis CFSv2 de 2011 a 2020, empleamos el modelo NPS para calcular la altura del ducto de evaporación (EDH) horaria sobre la región del arrecife Yongshu en el Mar de China Meridional. Luego, se emplearon el método de Mann-Kendall (M-K) y la prueba de Dickey-Fuller aumentada (ADF) para analizar la tendencia general y la estacionariedad de la serie temporal de EDH en el área del arrecife Yongshu. Los resultados indican una tendencia a la baja significativa en EDH en los últimos años, y la serie temporal es estacionaria. Esto sugiere que los datos pueden mejorar la velocidad de convergencia y la estabilidad de predicción de los modelos de redes neuronales. Finalmente, se utilizó el modelo BO-LSTM para la previsión a corto plazo de 24 h de la serie temporal de EDH. Los resultados demuestran que BO-LSTM puede predecir efectivamente los valores de EDH para las próximas 24 h, con la precisión de la predicción disminuyendo gradualmente a medida que se extiende el horizonte de pronóstico. Específicamente, la previsión a 1 h logra un error cuadrático medio (RMSE) de 0.592 m, un error absoluto medio (MAE) de 0.407 m y un ajuste del modelo () de 0.961. En contraste, la previsión a 24 h muestra un RMSE de 2.393 m, un MAE de 1.808 m y de solo 0.362. Un análisis comparativo entre BO-LSTM y LSTM revela que BO-LSTM exhibe una precisión marginalmente superior sobre LSTM para pronósticos de 1 a 15 h, con su ventaja de rendimiento volviéndose cada vez más pronunciada para horizontes de pronóstico más largos. Esto confirma que el método de sintonización de hiperparámetros basado en optimización bayesiana mejora significativamente la precisión de predicción del modelo.
Descripción
Predecir con precisión la altura del ducto de evaporación (EDH) es una tecnología crucial para habilitar la comunicación y la detección de radar más allá del horizonte en el mar. Para abordar los problemas de sobreajuste en el entrenamiento de redes neuronales y la baja eficiencia de la sintonización manual de hiperparámetros en la predicción convencional de la altura del ducto de evaporación (EDH), este estudio propone la aplicación de técnicas de aprendizaje profundo basadas en optimización bayesiana (BO) para la previsión de EDH. Específicamente, desarrollamos un novedoso modelo híbrido BO-LSTM para mejorar la precisión predictiva de EDH. Primero, basándonos en los datos de reanálisis CFSv2 de 2011 a 2020, empleamos el modelo NPS para calcular la altura del ducto de evaporación (EDH) horaria sobre la región del arrecife Yongshu en el Mar de China Meridional. Luego, se emplearon el método de Mann-Kendall (M-K) y la prueba de Dickey-Fuller aumentada (ADF) para analizar la tendencia general y la estacionariedad de la serie temporal de EDH en el área del arrecife Yongshu. Los resultados indican una tendencia a la baja significativa en EDH en los últimos años, y la serie temporal es estacionaria. Esto sugiere que los datos pueden mejorar la velocidad de convergencia y la estabilidad de predicción de los modelos de redes neuronales. Finalmente, se utilizó el modelo BO-LSTM para la previsión a corto plazo de 24 h de la serie temporal de EDH. Los resultados demuestran que BO-LSTM puede predecir efectivamente los valores de EDH para las próximas 24 h, con la precisión de la predicción disminuyendo gradualmente a medida que se extiende el horizonte de pronóstico. Específicamente, la previsión a 1 h logra un error cuadrático medio (RMSE) de 0.592 m, un error absoluto medio (MAE) de 0.407 m y un ajuste del modelo () de 0.961. En contraste, la previsión a 24 h muestra un RMSE de 2.393 m, un MAE de 1.808 m y de solo 0.362. Un análisis comparativo entre BO-LSTM y LSTM revela que BO-LSTM exhibe una precisión marginalmente superior sobre LSTM para pronósticos de 1 a 15 h, con su ventaja de rendimiento volviéndose cada vez más pronunciada para horizontes de pronóstico más largos. Esto confirma que el método de sintonización de hiperparámetros basado en optimización bayesiana mejora significativamente la precisión de predicción del modelo.