才迪 金宇悦 李志刚 孙晓川

摘要：针对海洋生态环境受多种因素共同影响，现存模型不能较好反映因素间的关联关系，需建立一个集分析与预测于一体的海洋环境数据预测模型。利用交叉递归理论对海洋数据进行综合分析，选取对海洋生态环境影响较大的因素。将选择结果作为集成学习模型的输入，进一步对海洋生态环境状态进行预测。仿真结果证明，该模型具有较高的准确率，可以应用到实际工程中。

关键词：海洋生态环境;数据分析;交叉递归理论;海洋序列预测;集成学习

中图分类号：TP391        文献标识码：A

文章编号：1009-3044（2021）17-0004-03

开放科学（资源服务）标识码（OSID）：

Comprehensive Prediction for Marine Environment Data based on CRT-EL

CAI Di， JIN Yu-yue， LI Zhi-gang， SUN Xiao-chuan

（North China University of Science and Technology， Tangshan 063210， China）

Abstract：Ocean ecological environment is affected by many factors， and the existing models cant reflect the correlation between factors. An ocean environmental data prediction model combining analysis and prediction is established for this problem. Cross recurrence theory is applied to comprehensively analyze ocean data， aimed at selecting the factors that have great influence on ocean ecological environment. The result is used as the input of the ensemble learning model to predict ocean ecological environment state. The simulation results show that this model has high accuracy， and is applied to practical projects.

Key words： ocean ecological environment; data analysis; cross recurrence theory; ocean sequence prediction; ensemble learning

1 引言

海洋生態环境是支撑经济发展与人类生活的重要支柱。近年来，海洋污染及海洋灾害频繁发生[1-2]。因此，实时预测海洋环境数据，对防治海洋污染及海洋灾害、保护海洋生态环境具有指导意义。海洋环境受多种因素共同影响，以往的数据预测研究中，大多数采用了单输入单输出的模式，未考虑影响海洋生态环境的多方面影响因素[3-4]。在海洋多因素预测领域的研究中，预测模型的精度还有待改善。交叉递归理论                       （Cross Recurrence Theory，CRT）可以用于分析多个数据之间的相关性，从多方面考虑与海洋环境具有相关性的因素[5-6]。此外，集成学习（Ensemble Learning，EL）由于其优良的预测性能，已被广泛应用于时间序列预测领域，通过融合多个机器学习模型来改善单一模型的精度[7-8]。鉴于此，本文基于CRT分析算法和EL预测算法的优势，提出了新型的海洋环境数据综合预测模型CRT-EL，并应用于多输入单输出的海洋环境数据预测方面。……