潮汐是海洋环境中最重要的组成部分之一,潮汐预报在港口的船舶运输方面起着重要的作用。在实际的生产生活中,港口码头为了保障海上交通运输安全和提高航运效率,通常需要在沿岸设置尽可能多的潮汐观测站,从而获得准确的潮汐水位信息,避免船只发生搁浅事故,并充分利用港口水深资源以提高船舶周转率和增加船舶货载。而创建更多潮汐观测站,需要花费更多的人力、物力以及财力。为了减少成本并保证潮汐水位预报精度,我们引入区域性潮汐预报的概念,基于特定区域内有限潮汐验潮站的水位信息,预测该区域之内其它验潮站的潮汐水位信息。从而减少该区域内不必要的潮汐测量站,节约成本。首先,潮汐是由于地球上的海水受到天体的引力作用而引起的周期性运动。潮汐预报的主要方法是调和分析法,预报的平均误差为20～30cm该方法是把潮汐表达成若干分潮的组合,利用调和分析方法确定各个分潮的参数。但是调和分析法在进行潮汐预测时,仅考虑了潮汐天文潮部分的影响,而忽略了潮汐所受到的风、气压、水温、降水等时变因素的影响。在实际的应用中,将机器学习算法用于预测领域是近年以来出现的一种新的研究方向,其中,支持向量机具有很强的学习和表达复杂的非线性映射关系的能力,本文将支持向量机应用于潮汐预测,有利于提高潮汐预报的精度。其次,建立区域性潮汐预报模型,利用支持向量机建立映射,选取特定区域内有限数量的验潮站水位信息作为输入,另外选择在同一区域之内其它验潮站水位信息作为预测目标输出。通过训练支持向量机模型,使得模型充分学习并掌握在该选定区域之内的验潮站与目标验潮站之间的潮汐水位关系,选择特定区域之内若干实测验潮站水位信息进行拟合,拟合结果与传统的自回归(Autoregressive Models,AR)线性模型的拟合结果进行对比,证明支持向量机的区域性潮汐预报模型的拟合精度要高于传统AR线性模型。最后,进一步扩大区域性潮汐预报的范围,比较不同站点的潮汐预报精度,通过仿真结果,随着区域性潮汐预报范围的扩大,潮汐预报的精度在逐渐下降,因此,在较大水域范围内要取得较高精度的预测结果,仍需要保证足够多的测量点位。另外,为了满足实际的潮汐预报需求,进行不同站点的多步预测,实验结果证明,本文提出的基于支持向量机的区域性潮汐预报模型在潮汐预报中具有稳定性与可靠性,具有实际应用价值。