CN111680784A - 基于时空多维影响力的海面温度深度学习预测方法 - Google Patents
基于时空多维影响力的海面温度深度学习预测方法 Download PDFInfo
- Publication number
- CN111680784A CN111680784A CN202010461315.1A CN202010461315A CN111680784A CN 111680784 A CN111680784 A CN 111680784A CN 202010461315 A CN202010461315 A CN 202010461315A CN 111680784 A CN111680784 A CN 111680784A
- Authority
- CN
- China
- Prior art keywords
- surface temperature
- sea surface
- time
- deep learning
- space
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000013135 deep learning Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 238000012935 Averaging Methods 0.000 claims abstract description 11
- 238000011002 quantification Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 22
- 241000288105 Grus Species 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 4
- PRQROPMIIGLWRP-UHFFFAOYSA-N N-formyl-methionyl-leucyl-phenylalanin Chemical compound CSCCC(NC=O)C(=O)NC(CC(C)C)C(=O)NC(C(O)=O)CC1=CC=CC=C1 PRQROPMIIGLWRP-UHFFFAOYSA-N 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 241001522296 Erithacus rubecula Species 0.000 claims 1
- 238000004364 calculation method Methods 0.000 claims 1
- 125000004122 cyclic group Chemical group 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 9
- 230000003442 weekly effect Effects 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了基于时空多维影响力的海面温度深度学习预测方法。本发明方法包含三个步骤:1、量化空间影响力:利用目标观测点的邻居观测点海面温度数据量化它所受到的空间影响力,并且在目标海域上构建多维时空海面温度数据集。2、数据补全处理:使用邻居数据均值法对数据集进行数据补全处理。3、建立预测模型:结合GRU、CNN和MLP等深度学习技术,建立基于时空多维影响力的海面温度深度学习预测模型,即卷积门控循环单元多层感知机(Convolutional GRU with Multilayer Perceptron,CGMP)。该方法融合了时空多维影响力,结合了深度学习技术的方式,建立了一种精度高的海面温度预测模型,并且可以被广泛地应用到不同海域和不同尺度的海面温度预测中。
Description
技术领域
本发明涉及一种海面温度预测方法。
背景技术
海面温度(Sea Surface Temperature,SST),又称海表温度,是指接近海洋表面的水温。海面的确切含义会根据使用的测量方法而有所不同,但通常在海面以下1毫米至20米之间。海面温度在海洋和大气之间的能量交换中起着基础性的作用,它也是海洋动力学过程和气候变化中一个非常重要的参数。海面温度的微小变化对全球气候、海洋生态***甚至海洋生物会产生深远的影响,众所周知的厄尔尼诺现象和拉尼娜现象就是由海面温度异常(SST Anomalies,SSTA)变化引起的。由观测或模拟的海面温度或海面温度异常驱动的气候模型经常被用作季节性气候预测的标准工具。海面温度还经常被用作研究海洋生态***和海洋生物的关键因素。因此,对海面温度进行精准有效的观测和预测具有重要意义。它不仅能使人类更好地了解全球气候和海洋生态***,它还是海洋相关领域应用的重要组成部分,如极端天气预报、季节性气候预报、海洋生物研究和可持续发展渔业等。然而,各种物理因素和环境因素(热通量、辐射和海面附近的日风)都会影响海面温度的变化,使其具有高度的随机性和不确定性。因此,提出一种精度高的海面温度预测方法仍是一项挑战。
海面温度预测方法可以被归纳为两类。一类是数值方法,另一类是数据驱动方法。传统的数值方法因为需要较多的海洋和大气领域知识,以及通常在海洋甚至全球尺度上以相对较低的分辨率预测海面温度,所以它不容易建立模型来描述海面温度的变化。相比于数值方法,数据驱动方法,特别是深度学习方法,则需要较少的海洋和大气领域知识,并且能够在较小的尺寸上以高分辨率预测海面温度,因此,它更容易建立模型来精准预测目标海域的海面温度。然而基于时间影响力的海面温度深度学习预测方法通常通过增强处理时间信息的能力来提高预测性能,这类方法往往专注于捕获历史海面温度的时间影响力,却忽视了目标海域对目标观测点的整体空间影响,所以这类方法存在明显的性能瓶颈。
发明内容
本发明通过融合时空多维影响力,以及结合循环神经网络(Recurrent NeuralNetwork,RNN)、卷积神经网络(Convolution Neural Network,CNN)和多层感知机(Multilayer Perceptron,MLP)等深度学习技术的方式,建立基于时空多维影响力的海面温度深度学习预测模型,以此来解决上述的性能瓶颈问题,从而进一步提高海面温度预测的准确度。
本发明通过以下技术方案得以实现:
一种基于时空多维影响力的海面温度深度学习预测方法,通过融合时空多维影响力,以及结合深度学习技术的方式,建立一种精度高的海面温度预测模型,即卷积门控循环单元多层感知机(Convolutional GRU with Multilayer Perceptron,CGMP)。该模型可以克服基于时间影响力的海面温度深度学习预测模型的性能瓶颈,并且可以进一步提高海面温度预测的准确度。具体步骤如下:
A.量化空间影响力:利用目标观测点的邻居观测点海面温度数据量化它所受到的空间影响力,并且在目标海域上构建多维时空海面温度数据集;
B.数据补全处理:使用邻居数据均值法对数据集进行数据补全处理;
C.建立预测模型:结合GRU、CNN和MLP等深度学习技术,建立基于时空多维影响力的海面温度深度学习预测模型,即卷积门控循环单元多层感知机CGMP。
所述步骤A的利用目标观测点的邻居观测点海面温度数据量化它所受到的空间影响力,并且在目标海域上构建多维时空海面温度数据集,具体步骤如下:
A1:根据经度、纬度以及分辨率信息,海面可以被划分为一个个网格。一个网格就是一个海面温度观测点。海面温度预测任务可以被简单地表述为在目标海面温度观测点上,使用历史海面温度数据去预测未来海面温度数据。为了定量量化目标海面温度观测点的空间影响力,假设目标观测点的空间影响力全部来自于与其相邻的八个海面温度观测点,称作邻居点,因此,在目标海域上可以构建多维时空海面温度数据集,即海面温度(日均值/周均值/月均值)完整数据集和海面温度(日均值/周均值/月均值)海洋数据集,完整数据集包含了空间信息缺失的数据,海洋数据集则排除了空间信息缺失的数据。
所述步骤B的使用邻居数据均值法对数据集进行数据补全处理,具体步骤如下:
B1、使用邻居数据均值法对完整数据集进行数据补全处理。对于一些靠近海岸的目标观测点而言,它们的部分邻居点可能位于陆地区域,因此,在这些邻居点上没有海面温度观测数据,这些邻居点称作陆地点。所以为了统一和标准化预测模型的输入,对位于陆地区域的陆地点进行了数据补全处理。对于陆地点来说,补全的海面温度数据就是其八个邻居点的真实海面温度观测数据的平均值,即邻居数据均值法。这种数据补全方法的优势在于实用性强,并且适用于所有不同的缺失情况。若其八个邻居点中有其他陆地点,则剔除后求剩余海面点的平均值。
所述步骤C的结合GRU、CNN和MLP等深度学习技术,建立基于时空多维影响力的海面温度深度学习预测模型,即卷积门控循环单元多层感知机CGMP,具体步骤如下:
C1、CGMP是一个端到端的海面温度预测模型,模型的输入是历史SST序列,模型的输出是预测的未来SST序列。其中,历史SST序列包含了目标海面温度观测点的邻居信息和历史信息。CGMP首先通过一个卷积层在空间维度上处理目标观测点的邻居信息,得到中间向量,即时空SST序列。CGMP随后通过一个GRU在时间维度上处理时空SST序列的历史信息,得到隐藏状态向量。最后,多层感知机将隐藏状态向量映射到预测结果上,即未来SST序列。卷积层善于处理类似网格结构数据,GRU善于处理序列数据,因此,卷积层和GRU的组合搭配可以充分有效地在时空维度上挖掘邻居和历史信息。其中:
C11、历史SST序列X是一个维度为k×3×3的张量,包含了目标海面温度观测点的k个时间单位的邻居信息(维度为3×3的矩阵)和历史信息。因为卷积神经网络善于处理类似网格结构数据,所以CGMP首先通过一个卷积层在空间维度上处理目标观测点的邻居信息。卷积层的深度为1,卷积核K的尺寸为3×3,步长为1,填充为0。X经过卷积运算之后,得到维度为k×1的时空SST序列S,运算过程定义如下:
S=(s1,s2,...,sk)
si=Xi★K+bs,i∈{1,2,...,k}
其中,si表示经过处理得到的时空历史信息,★表示二维卷积运算,wk,1–wk,9表示卷积核K的权重,bs表示相应的偏置。
C12、时空SST序列S包含了目标海面温度观测点的k个时间单位的历史信息。因为GRU善于处理序列数据,所以CGMP随后通过一个GRU在时间维度上处理目标观测点的历史信息。GRU在每个时间步上接收两个输入:一个是来自时空SST序列S的时空历史信息si,另外一个是来自上一个时间步的隐藏状态向量H(i-1)或者是初始隐藏状态向量H0。历史信息经过处理之后,GRU在每个时间步上还会生成一个新的隐藏状态向量Hi。所以GRU一共会生成k个隐藏状态向量,即H1–Hk。处理过程定义如下:
ri=σ(Wrssi+WrHH(i-1)+br)
zi=σ(Wzssi+WzHH(i-1)+bz)
ni=tanh(Wnssi+bns+ri*(WnHH(i-1)+bnH))
Hi=(1-zi)*ni+zi*H(i-1)
其中,Hi表示GRU在时间步i时的隐藏状态向量,si表示时间步i时的时空历史信息,H(i-1)表示时间步i-1时的隐藏状态向量或者表示在时间步0时的初始隐藏状态向量,ri、zi和ni分别表示GRU的重置门、更新门和新门。σ表示sigmoid函数,*表示Hadamard积。W表示相应的权重,b表示相应的偏置。
最后,CGMP通过一个多层感知机将隐藏状态向量Hk映射到预测结果上,即未来SST序列Y。映射过程定义如下:
Y=fMLP(WYHk+bY)
其中,WY表示相应的权重,bY表示相应的偏置。
本发明的有益效果在于:
1.传统的基于时间影响力的海面温度深度学习预测方法往往专注于捕获历史海面温度的时间影响力,却忽视了目标海域对目标观测点的整体空间影响,所以这类方法存在明显的性能瓶颈。新提出的基于时空多维影响力的海面温度深度学习预测方法通过融合时空多维影响力,以及结合RNN、CNN和MLP等深度学习技术的方式,解决上述的性能瓶颈问题,并且进一步提高海面温度预测的准确度。
2.该方法利用目标观测点的邻居观测点海面温度数据量化它所受到的空间影响力。该方法使用邻居数据均值法对空间信息进行数据补全处理。
3.通过融合时空多维影响力,以及结合深度学习技术的方式,建立一种精度高的海面温度预测模型。该模型可以克服基于时间影响力的海面温度深度学习预测模型的性能瓶颈,并且可以被广泛地应用到不同海域和不同尺度的海面温度预测中。
附图说明
图1是本发明的基于时空多维影响力的海面温度深度学习预测方法的总流程图。
图2是图1中步骤A所述的,利用目标观测点的邻居观测点海面温度数据量化它所受到的空间影响力的原理示意图。
图3是图1中步骤B所述的,使用邻居数据均值法对数据集进行数据补全处理的原理示意图。
图4是图1中步骤C所述的,卷积门控循环单元多层感知机CGMP的模型原理示意图。
图5列出了CGMP、NGMP、CLMP和NLMP在渤海海面温度日均值完整数据集上的性能对比情况。
图6列出了CGMP、NGMP、CLMP和NLMP在渤海海面温度周均值完整数据集上的性能对比情况。
图7列出了CGMP、FC-LSTM和GED在渤海海面温度完整数据集上的性能对比情况。
图8列出了CGMP、FC-LSTM和GED在渤海海面温度海洋数据集上的性能对比情况。
图9列出了CGMP、FC-LSTM和GED在南海海面温度完整数据集上的性能对比情况。
图10列出了CGMP、FC-LSTM和GED在南海海面温度海洋数据集上的性能对比情况。
具体实施方式
以下结合附图对本发明的优选实施例进行详细说明。
本发明的构思是:首先量化目标海面温度观测点所受到的空间影响力,并且在目标海域上构建多维时空海面温度数据集。然后对数据集进行数据预处理以及数据补全处理。最后结合RNN(LSTM或GRU)、CNN和MLP等深度学习技术,建立基于时空多维影响力的海面温度深度学习预测模型。
本实施例中,实验全部在上海大学机器学***台有两块IntelXeon Gold 6130CPU、192GB RAM、四块Nvidia Tesla V100 GPU和十八块Nvidia TeslaP100 GPU。在建立模型方面,CGMP和对比模型均基于开源的深度学***均绝对误差(MeanAbsolute Error,MAE)来评估模型的海面温度预测性能。模型得到的均方误差或平均绝对误差越小,代表它的预测性能越好。MSE和MAE的详细定义如下:
其中,Y表示预测的未来SST序列,Y′表示相应的观测SST序列,y表示预测的未来SST,y′表示相应的真实值,l表示预测尺度的大小。
本发明的基于时空多维影响力的海面温度深度学习预测方法,如图1-图4所示,包含以下步骤:
A.量化空间影响力:利用目标观测点的邻居观测点海面温度数据量化它所受到的空间影响力,并且在目标海域上构建多维时空海面温度数据集。具体步骤包括:
A1、根据经度、纬度以及分辨率信息,海面可以被划分为一个个网格。一个网格就是一个海面温度观测点。海面温度预测任务可以被简单地表述为在目标海面温度观测点上,使用历史海面温度数据去预测未来海面温度数据。为了定量量化目标海面温度观测点的空间影响力,假设目标观测点的空间影响力全部来自于与其相邻的八个海面温度观测点,称作邻居点,因此,在渤海和南海海域上可以构建多维时空海面温度数据集,即渤海海面温度(日均值/周均值/月均值)完整数据集、渤海海面温度(日均值/周均值/月均值)海洋数据集、南海海面温度(日均值/周均值/月均值)完整数据集和南海海面温度(日均值/周均值/月均值)海洋数据集。完整数据集包含了空间信息缺失的数据,海洋数据集则排除了空间信息缺失的数据。
B.数据补全处理:使用邻居数据均值法对数据集进行数据补全处理。具体步骤包括:
B1、使用邻居数据均值法对完整数据集进行数据补全处理。对于一些靠近海岸的目标观测点而言,它们的部分邻居点可能位于陆地区域,因此,在这些邻居点上没有海面温度观测数据,这些邻居点称作陆地点。所以为了统一和标准化预测模型的输入,本章对位于陆地区域的陆地点进行了数据补全处理。对于陆地点来说,补全的海面温度数据就是其八个邻居点的真实海面温度观测数据的平均值,即邻居数据均值法。这种数据补全方法的优势在于实用性强,并且适用于所有不同的缺失情况。
C.建立预测模型:结合GRU、CNN和MLP等深度学习技术,建立基于时空多维影响力的海面温度深度学习预测模型,即卷积门控循环单元多层感知机CGMP。具体步骤包括:
C1、CGMP是一个端到端的海面温度预测模型,模型的输入是历史SST序列,模型的输出是预测的未来SST序列。其中,历史SST序列包含了目标海面温度观测点的邻居信息和历史信息。CGMP首先通过一个卷积层在空间维度上处理目标观测点的邻居信息,得到中间向量,即时空SST序列。CGMP随后通过一个GRU在时间维度上处理时空SST序列的历史信息,得到隐藏状态向量。最后,多层感知机将隐藏状态向量映射到预测结果上,即未来SST序列。卷积层善于处理类似网格结构数据,GRU善于处理序列数据,因此,卷积层和GRU的组合搭配可以充分有效地在时空维度上挖掘邻居和历史信息。其中:
C11、历史SST序列X是一个维度为k×3×3的张量,包含了目标海面温度观测点的k个时间单位的邻居信息(维度为3×3的矩阵)和历史信息。因为卷积神经网络善于处理类似网格结构数据,所以CGMP首先通过一个卷积层在空间维度上处理目标观测点的邻居信息。卷积层的深度为1,卷积核K的尺寸为3×3,步长为1,填充为0。X经过卷积运算之后,得到维度为k×1的时空SST序列S,运算过程定义如下:
S=(s1,s2,...,sk)
si=Xi★K+bs,i∈{1,2,...,k}
其中,si表示经过处理得到的时空历史信息,★表示二维卷积运算,wk,1–wk,9表示卷积核K的权重,bs表示相应的偏置。
C12、时空SST序列S包含了目标海面温度观测点的k个时间单位的历史信息。因为GRU善于处理序列数据,所以CGMP随后通过一个GRU在时间维度上处理目标观测点的历史信息。GRU在每个时间步上接收两个输入:一个是来自时空SST序列S的时空历史信息si,另外一个是来自上一个时间步的隐藏状态向量H(i-1)或者是初始隐藏状态向量H0。历史信息经过处理之后,GRU在每个时间步上还会生成一个新的隐藏状态向量Hi。所以GRU一共会生成k个隐藏状态向量,即H1–Hk。处理过程定义如下:
ri=σ(Wrssi+WrHH(i-1)+br)
zi=σ(Wzssi+WzHH(i-1)+bz)
ni=tanh(Wnssi+bns+ri*(WnHH(i-1)+bnH))
Hi=(1-zi)*ni+zi*H(i-1)
其中,Hi表示GRU在时间步i时的隐藏状态向量,si表示时间步i时的时空历史信息,H(i-1)表示时间步i-1时的隐藏状态向量或者表示在时间步0时的初始隐藏状态向量,ri、zi和ni分别表示GRU的重置门、更新门和新门。σ表示sigmoid函数,*表示Hadamard积。W表示相应的权重,b表示相应的偏置。
最后,CGMP通过一个多层感知机将隐藏状态向量Hk映射到预测结果上,即未来SST序列Y。
映射过程定义如下:
Y=fMLP(WYHk+bY)
其中,WY表示相应的权重,bY表示相应的偏置。
参照图5和图6,示出了CGMP、NGMP、CLMP和NLMP在渤海海面温度日均值和周均值完整数据集上的性能对比情况。在实验中,卷积层与全连接层进行了空间信息提取性能的对比,GRU与LSTM进行了时间信息提取性能的对比。因此,除了CGMP之外,实验还有其它三种相应的对比方法,分别是邻居全连接门控循环单元多层感机(Neighbor Full-Connected GRUwith Multilayer Perceptron,NGMP)、卷积长短期记忆多层感知机(Convolutional LSTMwith Multilayer Perceptron,CLMP)以及邻居全连接长短期记忆多层感机(NeighborFull-Connected LSTM with Multilayer Perceptron,NLMP)。与此同时,实验还探讨了多层感知机的深度对预测性能的影响。对比CGMP和NGMP的实验结果可以看出,在相同的多层感知机深度的下,CGMP的MSE和MAE均要小于NGMP的,也就是说CGMP在渤海海面温度日均值完整数据集上的预测性能要优于NGMP。这也间接说明了卷积层在空间维度上捕获空间影响力的能力要优于全连接层。对比CGMP和CLMP的实验结果可以发现,在相同的多层感知机深度的下,CGMP的MSE和MAE均要小于CLMP的,也就是说CGMP在渤海海面温度日均值完整数据集上的预测性能要优于CLMP。这也间接说明了GRU在时间维度上处理历史信息的能力要优于LSTM。一起对比这四种方法的实验结果可以发现,同时使用了卷积层和GRU的CGMP在多层感知机深度为3上表现出了最优的预测性能。综上所述,卷积层相比于全连接层可以更加有效地在空间维度上捕获空间影响力,以及GRU相比于LSTM可以更加有效地在时间维度上处理历史信息。
参照图7和图8,示出了CGMP、FC-LSTM和GED在渤海海面温度完整和海洋数据集上的性能对比情况。从表中可以明显地看出,相比于FC-LSTM和GED,CGMP的预测性能在日、周和月均值海面温度预测中均保持最优
参照图9和图10,示出了CGMP、FC-LSTM和GED在南海海面温度完整数和海洋据集上的性能对比情况。从表中可以明显地看出,相比于FC-LSTM和GED,CGMP的预测性能在日、周和月均值海面温度预测中均保持最优。
综上所述,本发明的基于时空多维影响力的海面温度深度学习预测方法,通过融合时空多维影响力,以及结合深度学习技术的方式,建立一种精度高的海面温度预测模型。该模型可以克服基于时间影响力的海面温度深度学习预测模型的性能瓶颈,并且可以被广泛地应用到不同海域和不同尺度的海面温度预测中。
本文结合说明书附图和具体实施例进行阐述只是用于帮助理解本发明的方法和核心思想。本发明所述的方法并不限于具体实施方式中所述的实施例,本领域技术人员依据本发明的方法和思想得出的其它实施方式,同样属于本发明的技术创新范围。本说明书内容不应理解为对本发明的限制解为对本发明的限制。
Claims (7)
1.一种基于时空多维影响力的海面温度深度学习预测方法,其特征在于包括:
A.量化空间影响力:利用目标观测点的邻居观测点海面温度数据量化它所受到的空间影响力,并且在目标海域上构建多维时空海面温度数据集;
B.数据补全处理:使用邻居数据均值法对数据集进行数据补全处理;
C.建立预测模型:结合卷积运算、门控循环单元和多层感知机等深度学习技术,建立基于时空多维影响力的海面温度深度学习预测模型,即卷积门控循环单元多层感知机,简称CGMP。
2.根据权利要求1所述基于时空多维影响力的海面温度深度学习预测方法,其特征在于:在步骤A中,根据经度、纬度以及分辨率信息,将海面划分为一个个网格,一个网格就是一个海面温度观测点,目标观测点相邻的八个海面温度观测点称作邻居点,在目标海域上可以构建这九个点的多维时空海面温度数据集。
3.根据权利要求2所述基于时空多维影响力的海面温度深度学***均值作为缺失点,若缺失点的邻居点也存在数据缺失,则在计算时排除该点。
4.根据权利要求2或3所述基于时空多维影响力的海面温度深度学习预测方法,其特征在于:在步骤C中,CGMP是一个端到端的海面温度预测模型,模型的输入是历史SST序列,模型的输出是预测的未来SST序列,其中,历史SST序列包含了目标海面温度观测点及邻居点的历史海面温度数据,CGMP首先通过一个卷积层在空间维度上处理目标观测点的邻居信息,得到中间向量,即时空SST序列,CGMP随后通过门控循环单元在时间维度上处理时空SST序列的历史信息,得到隐藏状态向量,最后,利用多层感知机将隐藏状态向量映射到预测结果上,即未来SST序列。
6.根据权利要求5所述基于时空多维影响力的海面温度深度学习预测方法,其特征在于:门控循环单元简称GRU,GRU在每个时间步上接收两个输入:一个是来自时空SST序列S的时空历史信息si,另外一个是来自上一个时间步的隐藏状态向量H(i-1)或者是初始隐藏状态向量H0,历史信息经过处理之后,GRU在每个时间步上还会生成一个新的隐藏状态向量Hi,GRU一共会生成k个隐藏状态向量,即H1–Hk,处理过程定义如下:
ri=σ(Wrssi+WrHH(i-1)+br)
zi=σ(Wzssi+WzHH(i-1)+bz)
ni=tanh(Wnssi+bns+ri*(WnHH(i-1)+bnH))
Hi=(1-zi)*ni+zi*H(i-1)
其中,Hi表示GRU在时间步i时的隐藏状态向量,si表示时间步i时的时空历史信息,H(i-1)表示时间步i-1时的隐藏状态向量或者表示在时间步0时的初始隐藏状态向量,ri、zi和ni分别表示GRU的重置门、更新门和新门,σ表示sigmoid函数,*表示Hadamard积,W表示相应的权重,b表示相应的偏置。
7.根据权利要求6所述基于时空多维影响力的海面温度深度学习预测方法,其特征在于:CGMP通过一个多层感知机将隐藏状态向量Hk映射到预测结果上,即未来SST序列Y,映射过程定义如下:
Y=fMLP(WYHk+bY)
其中,WY表示相应的权重,bY表示相应的偏置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010461315.1A CN111680784B (zh) | 2020-05-27 | 2020-05-27 | 基于时空多维影响力的海面温度深度学习预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010461315.1A CN111680784B (zh) | 2020-05-27 | 2020-05-27 | 基于时空多维影响力的海面温度深度学习预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680784A true CN111680784A (zh) | 2020-09-18 |
CN111680784B CN111680784B (zh) | 2023-10-24 |
Family
ID=72434400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010461315.1A Active CN111680784B (zh) | 2020-05-27 | 2020-05-27 | 基于时空多维影响力的海面温度深度学习预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680784B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465203A (zh) * | 2020-11-19 | 2021-03-09 | 中国石油大学(华东) | 基于门控循环单元神经网络的海平面高度智能预测预报***、计算机设备、存储介质 |
CN117633712A (zh) * | 2024-01-24 | 2024-03-01 | 国家卫星海洋应用中心 | 一种基于多源数据的海表高度数据融合方法、装置及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180336460A1 (en) * | 2017-05-22 | 2018-11-22 | Sap Se | Predicting wildfires on the basis of biophysical indicators and spatiotemporal properties using a convolutional neural network |
US20180336452A1 (en) * | 2017-05-22 | 2018-11-22 | Sap Se | Predicting wildfires on the basis of biophysical indicators and spatiotemporal properties using a long short term memory network |
CN109685767A (zh) * | 2018-11-26 | 2019-04-26 | 西北工业大学 | 一种基于聚类融合算法的双模态脑肿瘤mri分割方法 |
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN110176309A (zh) * | 2019-05-28 | 2019-08-27 | 上海大学 | 一种用于预测心血管疾病的医疗数据处理方法 |
CN110321603A (zh) * | 2019-06-18 | 2019-10-11 | 大连理工大学 | 一种用于航空发动机气路故障诊断的深度计算模型 |
-
2020
- 2020-05-27 CN CN202010461315.1A patent/CN111680784B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180336460A1 (en) * | 2017-05-22 | 2018-11-22 | Sap Se | Predicting wildfires on the basis of biophysical indicators and spatiotemporal properties using a convolutional neural network |
US20180336452A1 (en) * | 2017-05-22 | 2018-11-22 | Sap Se | Predicting wildfires on the basis of biophysical indicators and spatiotemporal properties using a long short term memory network |
CN109685767A (zh) * | 2018-11-26 | 2019-04-26 | 西北工业大学 | 一种基于聚类融合算法的双模态脑肿瘤mri分割方法 |
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN110176309A (zh) * | 2019-05-28 | 2019-08-27 | 上海大学 | 一种用于预测心血管疾病的医疗数据处理方法 |
CN110321603A (zh) * | 2019-06-18 | 2019-10-11 | 大连理工大学 | 一种用于航空发动机气路故障诊断的深度计算模型 |
Non-Patent Citations (3)
Title |
---|
CHANGJIANG XIAO: "A spatiotemporal deep learning model for sea surface temperature field prediction using time-series satellite data" * |
YUTING YANG等: "A CFCC-LSTM Model for Sea Surface Temperature Prediction" * |
姜英超: "基于深度学习的海表温度遥感反演模型" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465203A (zh) * | 2020-11-19 | 2021-03-09 | 中国石油大学(华东) | 基于门控循环单元神经网络的海平面高度智能预测预报***、计算机设备、存储介质 |
CN117633712A (zh) * | 2024-01-24 | 2024-03-01 | 国家卫星海洋应用中心 | 一种基于多源数据的海表高度数据融合方法、装置及设备 |
CN117633712B (zh) * | 2024-01-24 | 2024-04-19 | 国家卫星海洋应用中心 | 一种基于多源数据的海表高度数据融合方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111680784B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Missing value imputation for traffic-related time series data based on a multi-view learning method | |
CN110705457B (zh) | 一种遥感影像建筑物变化检测方法 | |
CN110490249B (zh) | 基于属性类别关系和少样本元学习的结构损伤识别方法 | |
Braakmann-Folgmann et al. | Sea level anomaly prediction using recurrent neural networks | |
CN113496104B (zh) | 基于深度学习的降水预报订正方法及*** | |
CN111680784B (zh) | 基于时空多维影响力的海面温度深度学习预测方法 | |
CN110796634A (zh) | 大坝状态检测方法、装置、计算机设备和可读存储介质 | |
CN114399073A (zh) | 一种基于深度学习的海洋表面温度场预测方法 | |
Chen et al. | WSN sampling optimization for signal reconstruction using spatiotemporal autoencoder | |
Kim et al. | Scalable learning with a structural recurrent neural network for short-term traffic prediction | |
Abubakr et al. | Application of deep learning in damage classification of reinforced concrete bridges | |
CN114004428A (zh) | 一种基于蜂窝网格集成机制与时空Transformer的渔情预测方法及*** | |
Xie et al. | An evolving sea surface temperature predicting method based on multidimensional spatiotemporal influences | |
CN115545334A (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
Saffari et al. | Robust wind speed forecasting: A deep spatio-temporal approach | |
Karlbauer et al. | A distributed neural network architecture for robust non-linear spatio-temporal prediction | |
Srivastava et al. | Application of deep-learning architecture for image analysis based corrosion detection | |
CN117575111A (zh) | 一种基于迁移学习的农业遥感图像时空序列预测方法 | |
Wang et al. | Optimized lightweight CA-transformer: Using transformer for fine-grained visual categorization | |
CN114399628A (zh) | 复杂空间环境下的绝缘子高效检测*** | |
CN114676887A (zh) | 一种基于图卷积stg-lstm的河流水质预测方法 | |
Duan et al. | Deep spatio-temporal attention model for grain storage temperature forecasting | |
Champenois et al. | Real-time reconstruction of 3D ocean temperature fields from reanalysis data and satellite and buoy surface measurements | |
CN117909719B (zh) | 基于自主学习算法的终端物联设备监控预警方法及*** | |
Sergeev et al. | On the hybrid models of soil contaminants concentrations predicting in subarctic region |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |