魏強(qiáng)強(qiáng)，李 欣，李新超，盧文月

(1. 上海交通大學(xué) 海洋工程國(guó)家重點(diǎn)實(shí)驗(yàn)室,上海 200240; 2. 上海交通大學(xué) 三亞崖州灣深?？萍佳芯吭?海南 三亞 572024; 3. 海洋石油工程股份有限公司,天津 300461)

近年來(lái)，隨著海洋工程逐步向深海進(jìn)發(fā)，半潛平臺(tái)作業(yè)環(huán)境變得越來(lái)越惡劣，平臺(tái)的耦合運(yùn)動(dòng)響應(yīng)特性變得十分復(fù)雜，這種平臺(tái)運(yùn)動(dòng)的不規(guī)則性和隨機(jī)性對(duì)平臺(tái)作業(yè)、棧橋(Gangway)控制以及直升機(jī)起落等造成極大的不確定和未知風(fēng)險(xiǎn)，對(duì)半潛平臺(tái)的運(yùn)動(dòng)響應(yīng)預(yù)報(bào)可有效規(guī)避這些風(fēng)險(xiǎn)，具有重要的工程意義[1-3]。

對(duì)浮體運(yùn)動(dòng)響應(yīng)的極短期預(yù)報(bào)國(guó)內(nèi)外都做了一定的研究工作[2-3]，概括起來(lái)有流體力學(xué)方法、時(shí)間序列分析法和基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型。對(duì)于流體力學(xué)方法，一般需要假設(shè)波浪運(yùn)動(dòng)和平臺(tái)運(yùn)動(dòng)是各態(tài)歷經(jīng)的平穩(wěn)隨機(jī)過(guò)程，且浮體為線性系統(tǒng)，基本適用于小振幅波浪引起的運(yùn)動(dòng)響應(yīng)，對(duì)非線性效應(yīng)明顯的深水半潛平臺(tái)運(yùn)動(dòng)響應(yīng)的預(yù)測(cè)效果不太理想。與之相比，統(tǒng)計(jì)學(xué)方法僅需要平臺(tái)本身運(yùn)動(dòng)響應(yīng)的歷史數(shù)據(jù)進(jìn)行分析尋求規(guī)律并進(jìn)行預(yù)報(bào)。

1949年，Wiener[4]提出了一種平穩(wěn)的統(tǒng)計(jì)預(yù)報(bào)方法，但該方法需要知道預(yù)報(bào)信號(hào)的功率譜，實(shí)際應(yīng)用中有諸多限制。Kaplan[5]提出利用卷積法對(duì)艦船運(yùn)動(dòng)進(jìn)行預(yù)報(bào)。但由于缺少合適的核函數(shù)，因此實(shí)際應(yīng)用中效果較差。

1994年，Broome等[6]采用ARMA方法對(duì)海試數(shù)據(jù)進(jìn)行預(yù)報(bào)，對(duì)橫搖的有效預(yù)報(bào)時(shí)間達(dá)到10 s。彭秀艷[7]提出遞推最小二乘法對(duì)AR模型參數(shù)進(jìn)行自適應(yīng)估計(jì)，有效預(yù)報(bào)時(shí)間達(dá)10 s。Wei等[8]基于ARMA模型對(duì)艦載直升機(jī)平臺(tái)升沉位移進(jìn)行多步預(yù)測(cè)。楊震[9]采用基于改進(jìn)支持向量機(jī)(SVR)的方法對(duì)船舶橫搖運(yùn)動(dòng)姿態(tài)進(jìn)行預(yù)報(bào)，提升了預(yù)報(bào)模型的自適應(yīng)性。吳爽等[10]提出了基于小波變換的遞推最小二乘的估計(jì)算法對(duì)艦船橫搖運(yùn)動(dòng)進(jìn)行預(yù)報(bào)，很好地解決了橫搖運(yùn)動(dòng)在線自適應(yīng)預(yù)報(bào)問(wèn)題。唐剛等[11]提出Newton-ARMA模型提高了船舶升沉運(yùn)動(dòng)的預(yù)測(cè)精度。

豐雁等[12]采用對(duì)角回歸神經(jīng)網(wǎng)絡(luò)模型對(duì)船舶縱搖進(jìn)行預(yù)報(bào)。蓋曉娜等[13]提出了復(fù)合的小波_SVR組合方法應(yīng)用于平臺(tái)運(yùn)動(dòng)的極短期預(yù)報(bào)，對(duì)非平穩(wěn)時(shí)間序列進(jìn)行分解。劉煜城[14]結(jié)合LSTM神經(jīng)網(wǎng)絡(luò)提出基于自相關(guān)函數(shù)的定階方法對(duì)船舶升沉數(shù)據(jù)做出了有效預(yù)測(cè)。

從頻譜分析可以知曉縱蕩和橫蕩響應(yīng)以低頻的自振周期的頻率為主，而波頻的運(yùn)動(dòng)響應(yīng)成分較少。而垂蕩、橫搖和縱搖運(yùn)動(dòng)響應(yīng)周期與波浪相近，低頻的運(yùn)動(dòng)響應(yīng)成分較少，屬于波頻運(yùn)動(dòng)[15-16]。但在波浪作用下會(huì)發(fā)生垂蕩、縱搖和橫搖的非線性耦合效應(yīng)，特別是當(dāng)波浪頻率接近垂蕩和縱搖固有頻率之和時(shí)，會(huì)引起平臺(tái)較強(qiáng)的非線性耦合運(yùn)動(dòng)，而且平臺(tái)浮力和恢復(fù)力的周期性變化也會(huì)引起平臺(tái)的非線性響應(yīng)[17]。因此半潛平臺(tái)運(yùn)動(dòng)響應(yīng)具有較高的時(shí)間相關(guān)性和較強(qiáng)的非線性。為了解決運(yùn)動(dòng)響應(yīng)的復(fù)雜特性和復(fù)雜的頻域信息，信號(hào)分解必不可少，而上述文獻(xiàn)中的方法沒(méi)有很好地處理這個(gè)問(wèn)題，因此采用經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)[18]算法將復(fù)雜的非線性時(shí)間序列分解為平穩(wěn)的不同分量，再結(jié)合長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)[19]處理長(zhǎng)時(shí)間序列的能力，提出一種復(fù)合的EMD-LSTM預(yù)報(bào)方法，對(duì)在水池模型試驗(yàn)的半潛平臺(tái)運(yùn)動(dòng)響應(yīng)數(shù)據(jù)進(jìn)行仿真預(yù)報(bào)，并通過(guò)對(duì)比證明該方法的有效性。

1 基本原理

1.1 EMD算法原理

經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition，簡(jiǎn)稱EMD)[20]算法是一種新的信號(hào)處理時(shí)頻分析方法，尤其適用于非線性、非平穩(wěn)性時(shí)間序列的處理。不同于傅里葉變化和小波變化，EMD算法可以在不需要知道任何先驗(yàn)知識(shí)的情況下，依據(jù)自身時(shí)間尺度特征來(lái)進(jìn)行信號(hào)分解處理，EMD被認(rèn)為是對(duì)以線性和平穩(wěn)假設(shè)為基礎(chǔ)的傅立葉分析和小波變換等傳統(tǒng)時(shí)頻分析方法的重大突破[21]。EMD算法可將時(shí)間序列分解成有限個(gè)本征模函數(shù)(intrinsic mode function，簡(jiǎn)稱IMF)和一個(gè)趨勢(shì)項(xiàng)(殘差)，分解出的IMF分量反映了原時(shí)間序列的不同時(shí)間尺度的波動(dòng)信息。

EMD的分解過(guò)程是：對(duì)給定的時(shí)間序列x(t)，先確定所有極值點(diǎn)，再分別對(duì)極大值點(diǎn)和極小值點(diǎn)通過(guò)插值擬合得到上下包絡(luò)線xmax和xmint，其均值記為m(t)，將原時(shí)間序列減去該平均值，得到一個(gè)新的時(shí)間序列h(t)：

h(t)=x(t)-m(t)

(1)

如果h(t)滿足IMF分量的兩個(gè)條件：一是信號(hào)零點(diǎn)數(shù)和極值點(diǎn)數(shù)相同或最多相差一個(gè)；二是信號(hào)是零均值，則h(t)是IMF分量，否則用h(t)代替原時(shí)間序列繼續(xù)篩選，直到滿足兩個(gè)約束條件。每得到一個(gè)IMF分量就從原時(shí)間序列中移去，重復(fù)以上篩選步驟，直到得到單調(diào)序列或者常值序列Rn，則EMD分解過(guò)程結(jié)束。原時(shí)間序列x(t)的EMD分解表達(dá)式為：

(2)

1.2 長(zhǎng)短期記憶(LSTM)神經(jīng)網(wǎng)絡(luò)

長(zhǎng)短期記憶(long short-term memory,簡(jiǎn)稱LSTM)[19-22]神經(jīng)網(wǎng)絡(luò)是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)，解決了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)的梯度消失和爆炸問(wèn)題，對(duì)時(shí)間序列具有較強(qiáng)的學(xué)習(xí)能力，因此，長(zhǎng)短期記憶(LSTM)神經(jīng)網(wǎng)絡(luò)可以處理復(fù)雜的非線性長(zhǎng)時(shí)間序列[23-24]。在LSTM體系結(jié)構(gòu)中，有三種特殊的結(jié)構(gòu)賦予了其在長(zhǎng)時(shí)間序列中處理相關(guān)性的能力，它們分別是“遺忘門”“輸入門”和“輸出門”。以一個(gè)記憶單元為例，LSTM模型的結(jié)構(gòu)示意如圖1。

圖1 長(zhǎng)短時(shí)記憶單元(LSTM)結(jié)構(gòu)示意Fig. 1 LSTM structure diagram

在LSTM神經(jīng)網(wǎng)絡(luò)是記憶單元中，“遺忘門”ft可控制上一記憶單元狀態(tài)Ct-1被遺忘的程度，“遺忘門”ft由上單元的輸出ht-1與本單元的輸入xt經(jīng)激活函數(shù)得到，其值域?yàn)閇0,1]，“0”表示完全遺忘，“1”表示完全保留?！斑z忘門”ft表示為：

ft=σ(Wxfxt+Whfht-1+bf)

(3)

式中：Wxf、Whf為“遺忘門”的權(quán)重系數(shù)，bf為“遺忘門”的偏置系數(shù)，σ為“sigmoid”激活函數(shù)。

it=σ(Wxixt+Whiht-1+bi)

(4)

(5)

(6)

式中：W為權(quán)重系數(shù)，b為偏置系數(shù)，σ為“sigmoid”激活函數(shù)，符號(hào)“·”表示點(diǎn)乘積。

在LSTM神經(jīng)網(wǎng)絡(luò)是記憶單元中，“輸出門”可控制記憶單元的輸出，記憶單元的最終輸出由tanh函數(shù)激活更新后的單元狀態(tài)Ct，并通過(guò)“輸出門”，用數(shù)學(xué)表達(dá)式如下：

Ot=σ(Wxoxt+Whoht-1+bo)

(7)

ht=Ot·tanh(Ct)

(8)

式中：Wxo、Who為“輸出門”的權(quán)重系數(shù)，bo為“輸出門”的偏置系數(shù)，σ為“sigmoid”激活函數(shù)，符號(hào)“·”表示點(diǎn)乘積。

1.3 EMD-LSTM模型

海面平臺(tái)在復(fù)雜的海洋環(huán)境下，由于波浪力和其他干擾力的存在，平臺(tái)運(yùn)動(dòng)姿態(tài)的時(shí)間序列普遍具有復(fù)雜特性，對(duì)于這種非平穩(wěn)、非線性預(yù)報(bào)問(wèn)題，通過(guò)對(duì)EMD算法和LSTM模型的研究，提出了基于EMD-LSTM的預(yù)測(cè)模型[25]，用以實(shí)現(xiàn)平臺(tái)的極短期預(yù)報(bào)，整體的流程圖如圖2。

圖2 EMD-LSTM模型流程圖Fig. 2 EMD-LSTM flow chart

基于EMD-LSTM模型的預(yù)測(cè)步驟：

步驟一：先將待分析的時(shí)間序列進(jìn)行預(yù)處理，即降低原始數(shù)據(jù)的采樣頻率，減少數(shù)據(jù)量，選取合適大小的數(shù)據(jù)集，在保證預(yù)測(cè)精度的前提下，降低訓(xùn)練時(shí)間；

步驟二：將處理過(guò)的時(shí)間序列通過(guò)EMD分解算法，分解得到n個(gè)本征模函數(shù)(IMF1，IMF2，……，IMFn)和殘差(Rn)；

步驟三：對(duì)所有的IMF分量和殘差分別建立LSTM模型，對(duì)所有分量進(jìn)行預(yù)測(cè)，將預(yù)測(cè)結(jié)果累加得到最終預(yù)測(cè)結(jié)果。

2 試驗(yàn)分析

2.1 模型試驗(yàn)

陵水17-2半潛式平臺(tái)位于南海北部西部大陸架瓊東南盆地北部，作業(yè)水深為1 220 m到1 560 m，為了研究陵水17-2半潛平臺(tái)的性能，在深水試驗(yàn)池中完成模型試驗(yàn)。選定模型縮尺比為1∶60，模型示意如圖3，平臺(tái)主尺度如表1。

圖3 陵水17-2半潛平臺(tái)模型示意Fig. 3 Sketch of the LS17-2 semi-submersible platform model

表1 平臺(tái)主尺度

深水試驗(yàn)池尺寸為50 m×40 m×10 m(長(zhǎng)×寬×深)，模型的系泊錨鏈超過(guò)水池最大長(zhǎng)度，因此采用等效截?cái)嘞挡聪到y(tǒng)代替原型，模型實(shí)物圖如圖4所示。試驗(yàn)中采用電阻式浪高儀測(cè)量波浪波高、周期以及波面相對(duì)升高，采用非接觸式光學(xué)六自由度運(yùn)動(dòng)測(cè)量系統(tǒng)測(cè)量平臺(tái)模型重心處的六自由度運(yùn)動(dòng)。在波浪試驗(yàn)過(guò)程中，為了避免瞬態(tài)效應(yīng)，數(shù)據(jù)采集系統(tǒng)在模型運(yùn)動(dòng)達(dá)到穩(wěn)態(tài)后才開(kāi)始采集所需的數(shù)據(jù)信號(hào)，穩(wěn)態(tài)后的采樣持續(xù)時(shí)間大于23.24分鐘(對(duì)應(yīng)實(shí)際3小時(shí))，采樣頻率為60 Hz[26]。試驗(yàn)內(nèi)容包括：靜水衰減試驗(yàn)；白噪聲不規(guī)則波試驗(yàn)；不規(guī)則波風(fēng)浪流試驗(yàn)。選取陵水17-2半潛平臺(tái)在4種不同波浪條件(如表2)下的垂蕩運(yùn)動(dòng)數(shù)據(jù)進(jìn)行分析預(yù)測(cè)。

圖4 陵水17-2半潛平臺(tái)模型Fig. 4 LS17-2 semi-submersible platform model

表2 波浪條件

2.2 數(shù)據(jù)預(yù)處理

模型試驗(yàn)中獲得的初始數(shù)據(jù)采樣頻率為60 Hz，根據(jù)采樣定理[27]在完整保留信號(hào)的情況下降低采樣頻率至12 Hz，處理后的數(shù)據(jù)換算成實(shí)船的采樣時(shí)間間隔為0.65 s，選取垂蕩數(shù)據(jù)中10 000個(gè)數(shù)據(jù)點(diǎn)，并預(yù)測(cè)之后的50個(gè)時(shí)間步，即預(yù)測(cè)之后的32 s，在Matlab中利用經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)算法將時(shí)間序列分為4個(gè)IMF分量和一個(gè)殘差分量，選取1號(hào)工況部分?jǐn)?shù)據(jù)進(jìn)行分解結(jié)果展示，如圖5。

圖5 經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)果Fig. 5 Empirical modal decomposition results

2.3 結(jié)果與討論

每個(gè)工況都選取預(yù)處理后的垂蕩時(shí)間序列數(shù)據(jù)中的10 000個(gè)數(shù)據(jù)點(diǎn)，對(duì)經(jīng)過(guò)分解的所有的IMF分量和殘差分別建立LSTM模型，因此，每個(gè)LSTM模型的數(shù)據(jù)集為10 000個(gè)數(shù)據(jù)點(diǎn)，共計(jì)20個(gè)數(shù)據(jù)集。所有IMF分量和殘差的LSTM模型訓(xùn)練集和測(cè)試集按4∶1劃分，每個(gè)訓(xùn)練集為8 000個(gè)數(shù)據(jù)點(diǎn)，測(cè)試集為2 000個(gè)數(shù)據(jù)點(diǎn)。隱藏層維度設(shè)置為250，迭代次數(shù)為100。

預(yù)測(cè)方法采用滑窗預(yù)測(cè)，用前50個(gè)數(shù)據(jù)點(diǎn)預(yù)測(cè)后一個(gè)，再用預(yù)測(cè)出的數(shù)據(jù)代替第一個(gè)數(shù)據(jù)，即用xt-50、xt-49、……、xt-1預(yù)測(cè)xt，再用xt-49、xt-48、……、xt-1和預(yù)測(cè)出的xt預(yù)測(cè)xt+1，并依次向后滑動(dòng)預(yù)測(cè)。將預(yù)測(cè)結(jié)果累加得到最終預(yù)測(cè)結(jié)果，將所提出的EMD-LSTM模型的預(yù)測(cè)結(jié)果同LSTM模型和EMD-BP模型的預(yù)測(cè)結(jié)果進(jìn)行比較，比較結(jié)果如圖6。

圖6 不同模型預(yù)測(cè)結(jié)果對(duì)比Fig. 6 Comparison of prediction results of different models

從圖6中可以看到EMD-LSTM模型的預(yù)測(cè)曲線與實(shí)際值的變化趨勢(shì)基本相同，較其他模型預(yù)測(cè)誤差小，可以看出所提出模型的優(yōu)越性。從預(yù)測(cè)結(jié)果圖形上看，EMD-LSTM模型的有效預(yù)測(cè)時(shí)間達(dá)20 s，相比之下，LSTM模型和EMD-BP模型有效預(yù)測(cè)時(shí)間大概為5～10 s，所以在處理極短期運(yùn)動(dòng)響應(yīng)的預(yù)測(cè)問(wèn)題上，EMD-LSTM模型有較好的效果。

2.4 誤差分析

對(duì)傳統(tǒng)的LSTM模型預(yù)測(cè)結(jié)果通常使用兩個(gè)評(píng)價(jià)標(biāo)準(zhǔn)，即均方根誤差(RMSE)和平均絕對(duì)百分比誤差(MAPE)，其中均方根誤差衡量的是預(yù)測(cè)結(jié)果和事實(shí)的平均誤差，而平均絕對(duì)百分比誤差直觀的表示了誤差的百分比，其計(jì)算公式分別為：

(9)

(10)

由于此次使用的試驗(yàn)數(shù)據(jù)為平臺(tái)模型的垂蕩數(shù)據(jù)，實(shí)際值存在零點(diǎn)，所以無(wú)法使用平均絕對(duì)百分比誤差(MAPE)，即采用均方根誤差(RMSE)作為預(yù)測(cè)結(jié)果的整體評(píng)價(jià)標(biāo)準(zhǔn)。同時(shí)實(shí)際工程中對(duì)極值也是十分關(guān)心，而預(yù)報(bào)模型一般預(yù)測(cè)都偏保守，即對(duì)極值預(yù)測(cè)的絕對(duì)值都偏小，因此對(duì)極值預(yù)測(cè)結(jié)果的評(píng)價(jià)有利于判斷預(yù)測(cè)模型的好壞，本文采用均方根誤差(RMSE)和絕對(duì)百分比誤差(MAPE)對(duì)極值預(yù)測(cè)結(jié)果進(jìn)行評(píng)估。

計(jì)算不同方法的均方根誤差隨預(yù)測(cè)時(shí)間變化，得到如圖7的結(jié)果。計(jì)算各模型的5 s、10 s和20 s處的均方根誤差，加粗為每組最優(yōu)值，結(jié)果如表3所示。分別計(jì)算不同預(yù)測(cè)方法的前三個(gè)極值的均方根誤差和絕對(duì)百分比誤差，加粗為每組最優(yōu)值，結(jié)果如表4所示。

圖7 不同模型的均方根誤差Fig. 7 Root mean square error of different models

從圖7、表3和表4可以十分明顯地看出，提出的EMD-LSTM模型預(yù)測(cè)精度最高。分析結(jié)果表明：

1) 比較表3中EMD-LSTM和LSTM模型在各工況5 s、10 s和20 s處的均方根誤差，可以看出EMD-LSTM模型的預(yù)測(cè)誤差一直小于LSTM模型，這表明在LSTM直接預(yù)測(cè)中，由于運(yùn)動(dòng)響應(yīng)數(shù)據(jù)包含復(fù)雜的頻域信息，難以提取足夠多的信息，而EMD分解算法將組成原始信號(hào)的各尺度分量不斷從高頻到低頻進(jìn)行提取，有助于減輕原始時(shí)間序列的噪聲，平穩(wěn)的信號(hào)分量更有利于LSTM模型去預(yù)測(cè)，從而獲得更好地預(yù)測(cè)效果。

2) 由表3中EMD-LSTM和EMD-BP模型在各工況5 s、10 s和20 s處的均方根誤差，可以看出除4號(hào)工況外，EMD-BP模型只在前10個(gè)時(shí)間步(5～10 s)預(yù)測(cè)效果尚可，但之后誤差陡增，這是BP網(wǎng)絡(luò)無(wú)法將信息在時(shí)間維度上從前往后的傳遞和積累，而LSTM網(wǎng)絡(luò)可以處理長(zhǎng)時(shí)間序列，完成時(shí)間維度上的長(zhǎng)期記憶問(wèn)題。

表3 不同模型均方根誤差比較

3) 在實(shí)際工程中十分關(guān)心的極值的預(yù)測(cè)，從表4可以看出在預(yù)測(cè)前三個(gè)極值時(shí)，EMD-LSTM模型也表現(xiàn)得最好。EMD-LSTM模型在各工況下的預(yù)測(cè)結(jié)果平均絕對(duì)百分比誤差(MAPE)分別為5.03%、3.47%、11.94%、5.80%，在每個(gè)工況下表現(xiàn)都為最優(yōu)；EMD-LSTM模型在各工況下的預(yù)測(cè)結(jié)果均方根誤差(RMSE)分別為0.1876、0.1968 、0.0427、0.0189，在每個(gè)工況都遠(yuǎn)好于另兩種模型，其中在1號(hào)工況下表現(xiàn)最為優(yōu)異，均方根誤差是LSTM模型預(yù)測(cè)結(jié)果的53%，是EMD-BP模型預(yù)測(cè)結(jié)果的13%。

表4 不同模型極值誤差比較

3 結(jié) 語(yǔ)

采用EMD分解算法將復(fù)雜的、非線性的平臺(tái)垂蕩運(yùn)動(dòng)響應(yīng)時(shí)間序列分解成平穩(wěn)的信號(hào)分量，隔離了不同尺度的垂蕩運(yùn)動(dòng)響應(yīng)數(shù)據(jù)之間的相互影響，而LSTM模型不同于以往的循環(huán)神經(jīng)網(wǎng)絡(luò)，其處理長(zhǎng)時(shí)間序列的能力十分突出，利用LSTM模型對(duì)不同分量分別建立預(yù)測(cè)模型，最后將各序列預(yù)測(cè)結(jié)果相加，得到最終預(yù)測(cè)。對(duì)比結(jié)果表明，將EMD算法和LSTM模型結(jié)合起來(lái)的復(fù)合方法大大提高了模型的預(yù)測(cè)能力與預(yù)測(cè)精度，相較于單一的LSTM模型、處理長(zhǎng)時(shí)間序列能力較弱的EMD-BP模型，對(duì)處理復(fù)雜的非平穩(wěn)非線性時(shí)間序列具有更好的效果，并且預(yù)測(cè)速度較快，具有實(shí)際工程意義。EMD-LSTM模型可以成功預(yù)測(cè)，本質(zhì)上利用了運(yùn)動(dòng)的連續(xù)性和運(yùn)動(dòng)不會(huì)突變的性質(zhì)，因此可以對(duì)運(yùn)動(dòng)響應(yīng)時(shí)間序列的歷史數(shù)據(jù)進(jìn)行訓(xùn)練，然后完成極短期預(yù)測(cè)。目前僅對(duì)試驗(yàn)?zāi)Ｐ蛿?shù)據(jù)進(jìn)行預(yù)報(bào)，下一步，將利用原型數(shù)據(jù)進(jìn)行預(yù)報(bào)比較誤差；同時(shí)從提取信號(hào)關(guān)鍵特征入手，提高預(yù)測(cè)模型的可靠性，進(jìn)一步優(yōu)化對(duì)非線性效應(yīng)明顯的情況下的運(yùn)動(dòng)響應(yīng)預(yù)測(cè)，并繼續(xù)研究屬于低頻運(yùn)動(dòng)的縱蕩和橫蕩，對(duì)其進(jìn)行分析預(yù)測(cè)。