.png){kind=icon}
返回
SeaGraph: A spatiotemporal onboard wave forecasting method
.png){kind=icon}
OA
AI
DOI：10.1016/j.apor.2026.105062.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统波浪预报方法在船舶导航中常因数据延迟、分辨率限制和计算约束而难以建模动态时空过程。现有深度学习方法在预测船舶前方波浪条件时也面临困难，主要由于静态建模假设与其与时间变化导航轨迹的错配。为解决这些挑战，我们提出SeaGraph，一种时空在船有效波高（SWH）预报框架，该框架整合了历史船舶轨迹的多源时间信息与目标航点的时空特征。具体而言，我们设计了一种自适应时空编码机制以捕捉节点间的复杂交互和长程依赖。实验结果表明，SeaGraph持续优于序列基线模型，包括长短期记忆网络（LSTM）和Transformer，在SWH预报中实现最低误差，1小时预报的绝对平均误差（MAE）为0.0511 m，均方误差（MSE）为0.0086 m，分别比Transformer提升约7.8%和9.5%。此外，在6小时预测范围内，SeaGraph将误差增长限制在29.6%，表明其在长期预报中具有更优的鲁棒性。这些结果说明SeaGraph有效增强了时空特征整合与适应性，为船舶导航安全提供准确的波浪预报支持。
Keyword:
Deep learning
Wave forecasting
SeaGraph
Spatiotemporal encoding
Ship navigation safety
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.4
论文数:
4.2K
被引数:
1.3W
机构
引用论文
Real-time wave model error correction via coupled neural networks and WAM under extreme weather通过耦合神经网络和WAM的实时波浪模型误差校正极端天气.png)
Ocean Modelling
Ocean ModellingIF2.9
PREAI
分享收藏分享收藏Evolution Wave Condition Using WAVEWATCH III for Island Sheltered Area in the South China Sea使用WAVEWATCH III模拟南海岛群掩护区的波浪演变条件
PREAI
分享收藏Characteristics of the Wind and Wave Climate along the European Seas Focusing on the Main Maritime Routes欧洲海域风浪气候特征及其主要海运航线分析
OAAI
OAAI分享收藏Analyzing the effectiveness of MEMS sensor and IoT in predicting wave height using machine learning models利用机器学习模型分析MEMS传感器和物联网在预测波高方面的有效性
PREAI
分享收藏An innovative deep learning model for accurate wave height predictions with enhanced performance for extreme waves一种用于准确波高预测的创新深度学习模型，其在极端波浪预测方面性能更优OCEAN ENGINEERING
OCEAN ENGINEERINGIF5.5
PREAI
分享收藏
查看更多内容