STL-FFT-STFT-TCN-LSTM：時間周波数領域特徴量融合による高精度波高予測モデル
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.19313v1発表論文：クロス
要旨：従来型エネルギー消費の増大と環境負荷の増大に伴い、波力エネルギーは高いエネルギー密度、安定性、広範な分布、環境への負荷が少ないことから、再生可能エネルギーとして非常に有望視されている。その開発の鍵は、有義波高（WVHT）の正確な予測にある。しかし、波力エネルギー信号は強い非線形性、急激な変化、多尺度周期性、データの疎性、高周波ノイズ干渉を示し、物理モデルによる波力予測は非常に高い計算コストを伴う。これらの課題に対処するため、本研究ではSTL-FFT-STFT-TCN-LSTMを組み合わせたハイブリッドモデルを提案する。このモデルは、ローエスの季節トレンド分解手順（STL）、高速フーリエ変換（FFT）、短時間フーリエ変換（STFT）、時間畳み込みネットワーク（TCN）、長短期記憶（LSTM）技術を活用する。本モデルは、多尺度特徴融合の最適化、極値波高の捕捉、高周波ノイズと周期信号に関する問題の解決を目指し、有義波高の効率的で正確な予測を実現する。2019年から2022年までのNOAAステーション41008と41047の hourly dataを用いて実験を実施した。その結果、他の単一モデルやハイブリッドモデルと比較して、STL-FFT-STFT-TCN-LSTMモデルは極値波高の捕捉と高周波ノイズの抑制において有意に高い予測精度を達成し、MAEは15.8％～40.5％減少、SMAPEは8.3％～20.3％減少、Rは1.31％～2.9％増加した。アブレーション実験でも、各構成要素の不可欠性を示し、多尺度特徴融合における優位性を検証した。
原文（英語）を表示
Title (EN): STL-FFT-STFT-TCN-LSTM: An Effective Wave Height High Accuracy Prediction Model Fusing Time-Frequency Domain Features
arXiv:2509.19313v1 Announce Type: cross
Abstract: As the consumption of traditional energy sources intensifies and their adverse environmental impacts become more pronounced, wave energy stands out as a highly promising member of the renewable energy family due to its high energy density, stability, widespread distribution, and environmental friendliness. The key to its development lies in the precise prediction of Significant Wave Height (WVHT). However, wave energy signals exhibit strong nonlinearity, abrupt changes, multi-scale periodicity, data sparsity, and high-frequency noise interference; additionally, physical models for wave energy prediction incur extremely high computational costs. To address these challenges, this study proposes a hybrid model combining STL-FFT-STFT-TCN-LSTM. This model exploits the Seasonal-Trend Decomposition Procedure based on Loess (STL), Fast Fourier Transform (FFT), Short-Time Fourier Transform (STFT), Temporal Convolutional Network (TCN), and Long Short-Term Memory (LSTM) technologies. The model aims to optimize multi-scale feature fusion, capture extreme wave heights, and address issues related to high-frequency noise and periodic signals, thereby achieving efficient and accurate prediction of significant wave height. Experiments were conducted using hourly data from NOAA Station 41008 and 41047 spanning 2019 to 2022. The results showed that compared with other single models and hybrid models, the STL-FFT-STFT-TCN-LSTM model achieved significantly higher prediction accuracy in capturing extreme wave heights and suppressing high-frequency noise, with MAE reduced by 15.8\%-40.5\%, SMAPE reduced by 8.3\%-20.3\%, and R increased by 1.31\%-2.9\%; in ablation experiments, the model also demonstrated the indispensability of each component step, validating its superiority in multi-scale feature fusion.
Published: 2025-09-24 19:00 UTC