A Dynamic Ensemble Deep Randomized Neural Network Using Deep Autoregressive Features for Wave Height Forecasting With Missing Values

doi:10.1109/JOE.2025.3565103

A Dynamic Ensemble Deep Randomized Neural Network Using Deep Autoregressive Features for Wave Height Forecasting With Missing Values

2025-08-20

0

PRE

AI

Ponnuthurai Nagaratnam Suganthan

K

Kum Fai Yuen

DOI：10.1109/JOE.2025.3565103

原文链接

原文求助

摘要

En 中文

波浪能是可持续能源的重要组成部分。精确的波高预测有助于波浪能转换器的可靠控制和发电的智能运行。然而，严酷和极端环境对精确的传感器记录构成了重大挑战，导致大量随机缺失值。缺失值存在于多个解释变量中，显著降低了传统机器学习模型的性能。本文旨在通过提出一个灵活的动态集成框架和一个集成深度随机神经网络，在数据不完善的情况下提高显著波高预测的准确性。首先，所提出的动态集成框架根据缺失值的数量将整个预测任务分解为多个子任务。对于每个子任务，由于动态集成框架的强灵活性，可以采用任何缺失值插补方法。本文提出了一种新颖的集成深度随机向量函数链接网络（DARedRVFL），其具有深度自回归特征，作为动态集成框架下的基学习器。深度自回归特征有助于提取时序特征。最后，结合所提出的动态集成和DARedRVFL实现了最小的平均排名。

Keyword:

Deep learning

ensemble learning

ocean energy

randomized neural networks

A Dynamic Ensemble Deep Randomized Neural Network Using Deep Autoregressive Features for Wave Height Forecasting With Missing Values

摘要

期刊

机构

引用论文