《Applied Ocean Research》:A review of AI models for time-series prediction in ocean engineering applications: From classical neural networks to modern transformer architectures
编辑推荐:
人工智能(AI)模型在海洋工程时间序列预测中的应用已从根本上改变了该领域的研究范式。最早可追溯至1998年对有效波高(Hs)的预测研究,研究人员早期主要采用前馈神经网络(FFNNs)。然而,受限于循环神经网络(RNNs)的梯度消失问题,长短期记忆(LSTM)网
人工智能(AI)模型在海洋工程时间序列预测中的应用已从根本上改变了该领域的研究范式。最早可追溯至1998年对有效波高(Hs)的预测研究,研究人员早期主要采用前馈神经网络(FFNNs)。然而,受限于循环神经网络(RNNs)的梯度消失问题,长短期记忆(LSTM)网络因其门控机制在捕捉长期时间依赖性方面展现出显著优势。近年来,基于Transformer的架构,特别是Informer、iTransformer等变体,因其在处理长序列和多元依赖关系中的高效性而逐渐占据主导地位。相比之下,尽管N-HiTS和TSMixer等纯多层感知机(MLP)架构在通用基准测试中表现优异,但其在海洋工程领域的应用仍相对有限,仅有极少数研究将其用于波浪预测。此外,以Chronos和Lag-Llama为代表的时间序列基础模型虽已初步应用于海表温度预测,但其在海洋环境中的泛化能力仍需进一步验证。值得注意的是,混合模型因其能整合不同架构的互补优势,正成为该领域的研究热点。一项重要发现是,2025至2026年间发表的相关研究中有85.5%来自中国机构,反映了该地区在海洋AI预测技术上的领导地位。尽管AI预测模型发展迅速,但海洋工程应用中的预测时域通常远短于通用时间序列基准,24至48小时即被视为长期预测,这要求领域内应重新审视预测时域的定义并重视外生变量的整合。此外,物理信息神经网络(PINNs)在数据稀缺情况下提供了融合物理约束的有效途径。最后,模型的适用性应依据具体的工程问题特征而非其架构的时间新颖性来判断,权衡预测精度、计算效率、数据需求及物理一致性等多方面因素。
### 论文解读:海洋工程时间序列预测AI模型的演进与挑战
**研究背景与问题**
时间序列预测是海洋工程领域的核心基础,精准预报有效波高(Hs)、船舶运动、波浪荷载等动态参数对于海上作业安全、航运规划、可再生能源管理及海洋结构物设计至关重要。传统的预测方法依赖于统计模型和物理数值模型,在面对高度非线性、非平稳的海洋动力过程时,往往面临计算成本高、适应性差等局限。自20世纪90年代末,以人工神经网络(ANNs)为代表的人工智能技术开始介入该领域,展示了捕捉海洋数据复杂非线性关系的巨大潜力。然而,随着应用场景的深化,早期的前馈神经网络(FFNNs)难以有效处理时间序列中的长程依赖问题。尽管长短期记忆(LSTM)网络和门控循环单元(GRUs)等循环架构在21世纪第二个十年中叶得到广泛应用,但面对日益增长的长期预报和多元变量建模需求,其性能仍显不足。近年来,源自通用时序建模领域的Transformer架构及其变体,因其卓越的长程依赖建模能力,为海洋预报带来了新的契机。然而,该领域是否已全面吸收这些最先进架构?不同架构在海洋工程各子领域的适用性如何?以及当前研究发展态势存在哪些特点与不足?本综述正是基于这些问题,旨在系统梳理AI模型在海洋工程时序预测中的演进脉络,并重点剖析现代架构的应用现状。
**研究结论与意义**
本研究遵循PRISMA指南,对Web of Science数据库中的138篇相关研究进行了系统性回顾。研究得出几点核心结论:第一,该领域的发展在2025至2026年间进入爆发期,两年内贡献了约60篇文献(占总数43%),其中源自中国机构的研究占比高达85.5%,显示出显著的地域集中性。第二,Transformer架构(特别是Informer和iTransformer)已成为当前海洋预报研究的主导模型,占据了大量研究,验证了处理长序列和多元交互方面的能力。第三,尽管N-HiTS和TSMixer等现代MLP架构在通用领域表现优异,其海洋应用寥寥可数(各仅1篇),反映出最新AI算法在该领域的扩散具有明显迟滞。第四,混合模型(结合CNN、LSTM、注意力机制、分解技术与优化算法)正成为解决复杂海洋工程问题的主流策略。第五,研究指出海洋工程中“长期预报”的时域定义(通常为24-48小时)与通用基准存在显著差异。本研究的意义在于,不仅描绘了AI海洋预报技术的演进路线图,还基于工程问题特征提供了模型选择的实用指导,强调相较于追求架构新颖性,从实际问题出发选择合适的模型并重视物理可解释性(如通过物理信息神经网络PINNs)更为关键。
**关键技术方法**
本研究为系统综述,未开展实证实验。其方法论核心为遵循PRISMA流程的文献筛选与分析。研究人员从Web of Science数据库检索,通过设定涵盖核心AI架构(如RNN、LSTM、TCN、Transformer、PatchTST、iTransformer等)的特定关键词组合,并限制在Oceanography类目下,经过识别、筛选、合格性评估和纳入四个阶段,最终纳入138篇符合标准的文献。研究主要采用归纳分析、数理统计(如按时间周期、工程子学科统计文献数量并绘制图表)和比较分析法,对文献涉及的AI模型、预测变量、应用领域等关键信息进行编码与分类,进而分析不同时期模型演进规律、各工程分支对模型的采用偏好及当前的研究热点与空白。
**研究结果详述**
* **早期发展阶段(1998-2020年):** 该时期共有23篇研究,其中19篇采用最基础的FFNNs,主要应用于Hs预测。这类模型依赖其非线性映射能力,结构相对简单。直到2017年,LSTM网络才开始被探索用于波浪预测,标志着从静态前馈网络向能显式捕捉时间依赖架构的过渡。这一时期的模型架构较为单一,预测变量也多限于Hs。
* **Transformer引入期(2021-2024年):** 本阶段共分析45篇文献。LSTM及其混合模型仍占据主导(约25篇),但卷积架构TCN及Transformer变体(如Informer)开始出现,用于风暴潮、船舶运动预报等。预测变量范围显著扩展,涵盖了谱峰周期(Tp)、船舶轨迹、系泊张力等。研究范围也从单纯的气象水文预报拓展至数字孪生、海上风机结构分析等领域,展现出向工程应用导向的转变。
* **现代架构爆发期(2025-2026年):** 此时期研究数量猛增至60篇,成为整个演进中最活跃的阶段。研究发现,Transformer或注意力机制被应用于23项研究中,其中iTransformer在7项研究中得到应用,显示出学界对其捕捉多元变量依赖能力的高度关注。混合模型的应用更是达到30项,成为主流范式。相比之下,N-HiTS和TSMixer的应用极为罕见(各1例),基础模型的应用也仅限于2项(LagLlama和Chronos)。
* **按工程问题分类:** 研究指出,气象水文与波浪参数预测是最成熟的应用,历经了FFNN到LSTM再到Transformer的完整演进。船舶运动预测是第二大应用领域,自2023年起研究数量激增,且正从循环网络转向Transformer与混合架构。波浪诱导荷载与离岸工程的研究多用CNN-LSTM及注意力机制的混合模型。而数字孪生、结构健康监测等方向虽起步较晚,但正积极拥抱Transformer、PINNs等先进技术,处于成长期。
**讨论与结论**
讨论部分着重指出,海洋工程预测时域的独特性要求学界深化对“短期”、“长期”的定义,并重视融入风、气压、洋流等外生变量。文章最终总结认为,AI模型在海洋工程技术中的选择并非“一刀切”,而应基于具体工程问题的特性(如非线性程度、数据可得性、物理约束强度)来决策。FFNNs适用于简单关系,LSTM/GRUs擅长时序动态,Transformer在长序列与多变量场景中表现突出,PINNs是数据稀缺时的可靠选择,而混合与集成方法则在应对复杂多元场景时具有显著优势。这一结论为研究者根据实际应用场景选择最适宜的AI架构提供了系统性指引。