2.模型分析

本次建模使用镇海站 2019 年、吕四站 2018年和海门站 2020年的全年潮汐数据作为实测数据集，每个全年潮汐数据集有 8760 组潮位数据，采样间隔为 1 h，采用上述模型，进行长短期两次预测对比，长期数据模型使用前十月数据建模，后两月数据分析比较；短期数据模型使用前两月数据建模，后十月数据分析比较，而后使用模型预测300 h 潮位的结果绘图。

2.1长期数据模型预测对比

采用经典调和分析模型的潮位预测结果如图2 - 图 4 所显示，图中蓝色实线为实际的潮位数据值，橙色点划线为调和分析模型的预测数据值，得出结论，在数据量足够的情形下，经典调和分析模型可以比较好的预测出潮位走势，只是在部分波峰波谷处有微小的误差。

采用深层神经网络LSTM模型的预测结果，可以得出，LSTM 模型的损失基本接近0，图形拟合的情况十分令人满意，这表示在大量数据的支持下的 LSTM 模型的预测精度很高。