Bayesian optimization of a hybrid system for robust ocean wave features prediction

Abstract

En los últimos años, la optimización bayesiana (BO) ha surgido como una herramienta práctica para la selección de parámetros de alta calidad en sistemas de predicción. Los métodos BO son útiles para optimizar funciones objetivas de caja negra que carecen de una expresión analítica o que son muy costosas de evaluar. En este artículo, mostramos que BO se puede utilizar para obtener los parámetros óptimos de un sistema de predicción para problemas relacionados con la predicción de las características de las olas del océano. Específicamente, proponemos la optimización bayesiana de un algoritmo genético de agrupación híbrido para la selección de atributos combinado con un enfoque de máquina de aprendizaje extremo (GGA-ELM) para la predicción. El sistema utiliza datos de estaciones vecinas (generalmente boyas) para predecir la altura significativa de las olas y el flujo de energía de las olas en una instalación de estructura marina objetivo. La metodología BO propuesta se ha probado en un problema real con datos de boyas en la costa occidental de los EE. UU., mejorando el rendimiento del GGA-ELM sin un enfoque BO.

In the last years, Bayesian optimization (BO) has emerged as a practical tool for high-quality parameter selection in prediction systems. BO methods are useful for optimizing black-box objective functions that either lack an analytical expression, or are very expensive to evaluate. In this paper, we show that BO can be used to obtain the optimal parameters of a prediction system for problems related to ocean wave features prediction. Specifically, we propose the Bayesian optimization of a hybrid Grouping Genetic Algorithm for attribute selection combined with an Extreme Learning Machine (GGA-ELM) approach for prediction. The system uses data from neighbor stations (usually buoys) in order to predict the significant wave height and the wave energy flux at a goal marine structure facility. The proposed BO methodology has been tested in a real problem involving buoys data in the Western coast of the USA, improving the performance of the GGA-ELM without a BO approach.