CN115359338A - 一种基于混合学习模型的海表温度预测方法及*** - Google Patents
一种基于混合学习模型的海表温度预测方法及*** Download PDFInfo
- Publication number
- CN115359338A CN115359338A CN202211283375.4A CN202211283375A CN115359338A CN 115359338 A CN115359338 A CN 115359338A CN 202211283375 A CN202211283375 A CN 202211283375A CN 115359338 A CN115359338 A CN 115359338A
- Authority
- CN
- China
- Prior art keywords
- sst
- data
- learning model
- hybrid learning
- surface temperature
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000007246 mechanism Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims description 15
- 239000011800 void material Substances 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000004215 lattice model Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 9
- 230000002123 temporal effect Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 230000003442 weekly effect Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 101100149325 Escherichia coli (strain K12) setC gene Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003503 early effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于混合学习模型的海表温度预测方法及***，该方法包括：采用多组HDC模型对SST二维图数据进行空间特征提取；采用BiGRU模型捕获每组HDC模型输出结果的时间特征，获取提取多尺度空间时间特征的SST图数据；通过注意力机制对提取多尺度空间时间特征的SST图数据分配权重；将SST二维图数据与注意力机制处理后的SST图数据耦合，通过编码获取向量数据；对向量数据进行解码，获取混合学习模型；将SST二维图数据输入至混合学习模型中，获取SST预测结果并评估。本发明基于混合学习模型获取的预测结果保证了对空间特征及时间特征的充分提取，并具有较高的预测精度，可实现一周内SST数据的精准预测。
Description
技术领域
本发明涉及海表温度预测技术领域，具体涉及一种基于混合学习模型的海表温度预测方法及***。
背景技术
全球超过三分之二的面积被海洋覆盖，因此海洋是地球生态***的重要组成部分之一，也是实现人类生存与可持续发展的重中之重。在海洋研究领域，海表温度（seasurface temperature,SST）的研究在各项海洋参数的研究任务中有着举足轻重的地位，如厄尔尼诺效应、全球变暖等全球性的气候异常与海水温度的变化有着不可分割的联系。具有时空分布特性的SST预测对海洋天气和气候预报、近海活动（如渔业发展和海上矿产）和海洋环境保护等领域具有重要意义。
目前的SST预测分为数值预测和数据驱动两类方法。数值预测方法基于一系列复杂的物理方程来构建模型，该过程需要大量的复杂计算。而数据驱动方法是从SST时间序列数据中学习其变化规律，基于数据构建预测模型，并利用学习到的模式预测未来的SST。其包括线性回归、支持向量机和神经网络等。这些方法主要基于传统的机器学习方法，适用于处理小型规模数据，通常用于单个观测点的SST值预测。随着深度学习技术的发展，一些深度学习的方法应用到SST预测领域。有技术人员提出一种基于LSTM的SST预测模型，该方法考虑了SST的时间依赖关系。另有技术人员提出基于CFCC-LSTM的SST预测模型。该模型在LSTM网络的基础上，应用卷积神经网络提取SST的空间信息，计算了观测点之间的空间相关性。也有技术人员提出一种基于经验模态分解和反向传播神经网络的SST预测方法。经验模态分解后的每个基本模态分量作为反向传播神经网络模型的输入数据，每个系列的预测结果相加得到SST的预测值。
发明内容
本发明的目的在于提供一种基于混合学习模型的海表温度预测方法及***，以解决现有技术中对空间特征的提取并不充分，无法获取海表温度在较大范围上的空间变化趋势，以及不能充分挖掘时序特征的依赖性。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明公开了一种基于混合学习模型的海表温度预测方法，包括：
采用多组HDC模型对SST二维图数据进行空间特征提取；
采用BiGRU模型捕获每组HDC模型输出结果的时间特征，获取提取多尺度空间时间特征的SST图数据；
通过注意力机制对提取多尺度空间时间特征的SST图数据分配权重；
将SST二维图数据与注意力机制处理后的SST图数据耦合，通过编码获取向量数据；
对所述向量数据进行解码，获取混合学习模型；
将SST二维图数据输入至混合学习模型中，获取SST预测结果并评估。
进一步地，对所述向量数据进行解码包括：
采用多组不同尺度的HDC模型提取所述向量数据的空间特征；
采用BiGRU模型对提取空间特征的向量数据提取时间特征；
采用注意力机制对提取空间时间特征的向量数据分配权重。
进一步地，所述HDC模型有三组，每组所述HDC模型由三层不同空洞率的空洞卷积构成，三层空洞卷积的空洞率分别为1、2和5。
进一步地，所述SST二维图数据的获取方法包括：
将原始SST数据处理成二维图格式；
对二维图格式的SST数据进行最大最小归一化处理，获得SST二维图数据。
进一步地，所述SST二维图数据包括60%的训练数据集、10%的验证数据集和30%的测试数据集。
进一步地，将SST二维图数据输入至混合学习模型中，获取SST预测结果并评估包括：
将SST二维图数据输入至混合学习模型中，得到数据预测结果；
对所述数据预测结果进行反归一化处理，得到未来一周的SST预测结果；
使用A_MSE、A_RMSE、A_MAE和A_MAPE作为评价指标对未来一周的SST预测结果进行评估。
进一步地，所述A_MSE、A_RMSE、A_MAE和A_MAPE的表达式分别为：
其中，A_MSE表示空间样本上的均方误差均值，A_RMSE表示空间样本上的均方根误差均值，A_MAE表示空间样本上的平均绝对误差均值，A_MAPE表示空间样本上的平均绝对百分比误差均值，i、j表示空间格点坐标，K表示测试样例总数，I表示纬向总格点数，J表示经向总格点数；
表示对应空间格点模型预报的SST值，
表示对应空间格点的SST观测值。
进一步地，所述权重的计算公式为：
其中，Y表示经过BiGRU模型所捕获的特征矩阵；M表示Y经过tanh函数处理后的结果；
是经过训练的参数向量，
表示
的转置；映射结果
的取值为(0,1)；A为注意力机制分配权重后的结果。
进一步地，所述HDC模型的表达式为：
其中, 
表示输出的特征图大小，
表示空洞卷积的大小，
为填充的大小，
是卷积时的步长大小，
为卷积核的大小，
是空洞卷积中空洞率的大小。
第二方面，本发明公开了一种基于混合学习模型的海表温度预测***，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行上述任一项所述方法的步骤。
根据上述技术方案，本发明的实施例至少具有以下效果：本发明在编码器部分，首先利用多组HDC模型对SST二维图数据进行空间特征提取，HDC能够有效增大感受野，使空间信息提取更加充分；再利用BiGRU模型对HDC模型的输出进行时间特征提取，BiGRU具有训练参数少的特点，能够在有效提取时间信息的前提下加快训练速度；然后再通过注意力机制对BiGRU层输出信息分配不同的权重，给予重要信息更高的关注度，从而提高预测精度；然后对编码的数据进行解码获取混合学习模型，基于混合学习模型获取的预测结果保证了对空间特征及时间特征的充分提取，并具有较高的预测精度，可实现一周内SST数据的精准预测。
附图说明
图1为本发明混合学习模型的结构示意图；
图2为本发明中BIGRU模型的结构图；
图3a为不同模型在东海研究区域的周预测误差统计柱状图；
图3b为不同模型在南海研究区域的周预测误差统计柱状图；
图4a为不同模型在东海研究区域周预测的每日A_RMSE指标结果；
图4b为不同模型在南海研究区域周预测的每日A_RMSE指标结果；
图5a为不同模型在东海研究区域周预测的每日绝对误差的可视化结果；
图5b为不同模型在南海研究区域周预测的每日绝对误差的可视化结果；
图6为本发明的预测方法流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
经研究发现，大部分预测方法只考虑SST的时间特征，仅有少部分预测工作将空间特征和时间特征相结合，且其中对空间特征的提取并不充分，无法获取SST在较大范围上的空间变化趋势。
为了充分挖掘SST的空间和时间特性，实现提高SST预测精度的目的，本发明利用混合空洞卷积（HDC模型）有效增大感受野，捕捉更大空间范围上数据的空间相关性。同时利用双向门控循环神经网络（BiGRU模型）能充分考虑数据的时序特征，提出基于注意力机制的HDC-BiGRU的二维SST预测模型（混合学习模型），根据30天历史观测SST数据实现未来7天内的SST预测。混合学习模型包括编码和解码两部分，该结构考虑了输出的序列依赖性，将输入序列映射到一个具有可变长度的输出序列中，适用于多步预测。
如图6所示，本发明公开了一种基于混合学习模型的海表温度预测方法，包括采用多组HDC模型对SST二维图数据进行空间特征提取；采用BiGRU模型捕获每组HDC模型输出结果的时间特征，获取提取多尺度空间时间特征的SST图数据；通过注意力机制对提取多尺度空间时间特征的SST图数据分配权重； 将SST二维图数据与注意力机制处理后的SST图数据耦合，通过编码获取向量数据； 对向量数据进行解码，获取混合学习模型； 将SST二维图数据输入至混合学习模型中，获取SST预测结果并评估。本发明基于混合学习模型获取的预测结果保证了对空间特征及时间特征的充分提取，并具有较高的预测精度，可实现一周内SST数据的精准预测。下面通过具体的实施例对本申请进行说明。
实施例1
本申请提供的基于混合学习模型的海表温度预测方法，包括如下步骤：
步骤10、 输入海表温度SST数据。
本发明可使用美国国家海洋和大气管理局提供的全球日均最佳插值海面温度数据集，该数据集是通过将不同平台(卫星、船舶、浮标)的偏差调整后的观测数据在全球常规网格上进行组合，并通过插值法填补空白。
对全球SST数据进行截取。从全球范围日均海表温度数据中截取中国东海和中国南海范围SST数据。
步骤20、对输入的SST数据进行预处理。该步骤的具体处理过程如下：
步骤21、对全球SST数据进行截取。从全球范围日均海表温度数据中截取中国东海和中国南海范围SST数据。
步骤22、将原始SST数据处理成二维图的格式。
步骤23、对处理后的SST二维图数据进行最大最小归一化处理，获得SST二维图数据。将原始数据转换到[0,1]的范围，以提高模型预测精度，并加快模型收敛速度。最大最小归一化计算公式如下：
其中，
表示原始SST数据，
表示样本数据中的最大值，
表示样本数据中的最小值，
表示经过最大最小归一化后的SST二维图数据。
步骤30、将SST二维图数据进行划分，SST二维图数据划分为60%的训练数据集、10%的验证数据集和30%的测试数据集。
根据预先设定的预测时间步对SST二维图数据进行分组，根据预先设定的预测时间间隔设定训练标签，确定模型的训练方向及相关参数。
模型参数包括需要设置HDC层数，HDC的卷积核大小，过滤器个数，HDC的空洞率，BiGRU层数，BiGRU的神经单元个数，丢弃率等。
步骤40、采用训练数据集训练混合学习模型，并用验证数据集对预测模型进行验证。
步骤41、将SST二维图数据输入编码器。在编码部分，首先采用三组HDC模型对SST二维图数据进行空间特征提取，每组HDC模型由三层不同空洞率的空洞卷积构成，三层空洞卷积的空洞率分别为1、2和5。编码器中卷积核大小为
，HDC模型中过滤器个数分别为6、12和18，空洞率分别为1、2和5。混合空洞卷积通过扩大感受野，从而对空间信息提取的更加充分。
在该步骤中，HDC神经网络的数学模型为：
其中, 
表示输出的特征图大小，
表示空洞卷积的大小，
为填充的大小，
是卷积时的步长大小，
为卷积核的大小，
是空洞卷积中空洞率的大小。
步骤42、随后每组HDC经过1个BiGRU模型捕获SST二维图数据的时间特性，接着通过注意力机制对输出信息分配不同的权重，获取重要信息关注度更高的SST图数据。
BiGRU模型考虑双向信息流作用，充分提取时序数据关联信息的特征，提高模型预测精度。BiGRU模型的神经元个数设置为所选海域范围的空间格点数，Dropout设置为0.2，丢弃20%的神经元以增加模型的泛化能力，防止过拟合。接着通过注意力机制对输出信息分配不同的权重。
在该步骤中，BiGRU模型在GRU模型的基础上进行改进，增加了一个反向的GRU层，预测结果为正向GRU和反向GRU预测结果的结合，使预测结果更为准确。在SST的预测任务中，应用BiGRU模型能够增强序列数据长期的依赖关系，从而提取SST的时间变化趋势，BIGRU模型的结构图如图2所示。
GRU神经网络的数学模型为：
其中，式中：
和
分别表示更新门和重置门，更新门控制前一时刻的状态信息被带入到当前状态中的程度，重置门控制前一状态有多少信息被写入到当前的候选集
上；
为
时刻的输入；
为
时刻GRU神经单元的输出；
是sigmoid函数；
和
分别是更新门、重置门和候选隐层状态的权重矩阵；
和
分别是更新门、重置门和侯选隐层状态的偏置项。
在本步骤中，注意力机制的数学模型为：
其中，Y表示经过BiGRU模型所捕获的特征矩阵；M表示Y经过tanh函数处理后的结果；
是经过训练的参数向量，
表示
的转置；映射结果
的取值为(0,1)；A为注意力机制分配权重后的结果。
步骤43、为了避免历史信息的丢失，将SST二维图数据与多尺度特征提取的SST图数据进行耦合，实现编码。
步骤44、在解码部分，利用3层HDC模型提取空间特征后，经1层BiGRU提取时间特征，再经过注意力机制，给BiGRU层输出信息加权重系数，最后训练出混合学习模型，混合学习模型的结构示意图如图1所示。
具体的，在解码器中，利用3层HDC模型提取空间特征，解码器中HDC的空洞率同样设置为1、2和5，卷积核大小为
，HDC中过滤器个数分别为32。经1层BiGRU提取时间特征，解码器中BiGRU的参数设置与编码器中BiGRU的参数设置相同。之后再经过注意力机制，给BiGRU层输出信息加权重系数。
步骤45、采用验证数据集对混合学习模型进行验证，以获得最终的混合学习模型。
步骤50、将测试数据集输入至混合学习模型中，获得测试集的SST预测结果。
步骤60、对SST预测结果进行反归一化，得到最终的未来一周的SST预测结果；
步骤70、使用A_MSE、A_RMSE、A_MAE和A_MAPE作为评价指标对SST预测结果进行评估。
在本步骤中，A_MSE、A_RMSE、A_MAE和A_MAPE的表达式分别为：
A_MSE表示空间样本上的均方误差均值，A_RMSE表示空间样本上的均方根误差均值，A_MAE表示空间样本上的平均绝对误差均值，A_MAPE表示空间样本上的平均绝对百分比误差均值，i、j表示空间格点坐标，K表示测试样例总数，I表示纬向总格点数，J表示经向总格点数；
表示对应空间格点模型预报的SST值，
表示对应空间格点的SST观测值。
A_MSE表示样本空间内每一时刻观测值和预测值之间差异程度的期望值；A_RMSE是在A_MSE的基础上进行开平方，反映了观测值和预测值的平均偏离程度；A_MAE表示样本空间内，每一时刻观测值与预测值的平均偏差；A_MAPE在A_MAE的基础上除以观测值。上述四种评价指标值越小，表明预测精度越高。
本申请基于混合学习模型的海表温度预测方法，该模型具有编码解码器结构。在编码器部分，首先利用三组HDC模型对SST图进行空间特征提取，HDC模型能够有效增大感受野，使空间信息提取更加充分。再利用BiGRU模型对HDC模型的输出进行时间特征提取，BiGRU模型具有训练参数少的特点，能够在有效提取时间信息的前提下加快训练速度。通过注意力机制对BiGRU模型输出信息分配不同的权重，给予重要信息更高的关注度，从而提高预测精度。在解码器部分，HDC模型提取空间信息，BiGRU模型提取时间信息，注意力机制关注重要信息，最后经过全连接层映射输出预测结果。试验结果表明本发明在周预测任务中达到了较高的预测精度。本申请利用HDC、BiGRU和注意力机制相结合的方式完成了中国东海和中国南海海域范围内的周SST预测，模型效果稳定，预测精度较现有方法进一步提升。
具体实施案例：
本发明采用1981年9月1日至2021年12月31日的全球日均海表温度数据，其空间分辨率0.25°×0.25°。本发明从上述数据集中截取中国东海部分区域和中国南海部分区域用于预测。截取东海范围23.125°N~32.875°N，122.625°E~129.875°E的40×30空间格点对应的区域，截取南海范围11.625°N~21.375°N，111.125°E~117.375°E的40×26空间格点对应的区域。
本发明设置的最大训练轮数设置为250轮。选择Adam优化器，学习率设置为0.001，A_MSE作为损失函数。批大小设置为100。
为证明本发明在SST预测任务中的有效性，并基于空间和时间特征提取，选择CFCC-LSTM、ConvLSTM、D2CL三个模型与本发明分别对东海和南海研究区域的SST数据建模，将本发明的预测结果与其他三种预测模型的预测结果进行比较，分析本发明的预测性能。
表1和表2分别展示了CFCC-LSTM、ConvLSTM、D2CL和HDC-BiGRU-AT（本发明中的混合学习模型） 四个模型在东海和南海SST测试集上的周预测误差统计。
表1
表2
从表1和表2中可以看出HDC-BiGRU-AT模型在所有四项评价指标方面均优于其他三个模型。因此可以得出结论，无论是在东海海域还是南海海域，本发明均具有一定优势。
图3a和图3b分别展示了不同模型在东海和南海测试集上的周预测误差统计柱状图，直观地表明了本发明的优越性。
进一步地，图4a和图4b分别展示了不同模型在东海和南海研究区域周预测的每日A_RMSE指标结果。对图4a和图4b的一周预测结果可以看出该模型在周预测中的预测性能最优。
为了进一步展示本发明的优势，分别在东海和南海研究区域SST数据集上对CFCC-LSTM、ConvLSTM、D2CL三个模型和本申请所提方法进行周预测绝对误差结果的可视化展示。图5a和图5b分别为在东海和南海研究区域随机选择一周的日预测绝对误差结果，其中选取的日期均为2019年12月31日至2020年1月6日。绝对误差计算公式如下：
其中， i、j表示空间格点坐标， 
表示对应空间格点模型预报的SST值，
表示对应空间格点的SST观测值。
从图5a和图5b中可以看出，与其他三种模型比较，所提出的HDC-BiGRU-AT模型绝对误差接近0 ℃的值最多，表明模型预测性能最优，验证了该方法的有效性。
通过上述实施例可知，本申请提出混合学习模型，通过使用编码解码器结构、混合空洞卷积、BiGRU以及注意力机制几项技术点，实现对中国东海和中国南海海域子区域的海表温度预测，并将预测结果与现有技术进行比较，使用A_MSE、A_RMSE、A_MAE和A_MAPE四种评价指标对预测结果进行评估，并对预测结果的绝对误差进行可视化分析。试验结果表明，本申请所提方法具有一定的优势，模型效果稳定，与现有预测方法相比，预测误差更小，具有更高的预测精度。
实施例2
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
Claims (10)
1.一种基于混合学习模型的海表温度预测方法，其特征在于，包括：
采用多组HDC模型对SST二维图数据进行空间特征提取；
采用BiGRU模型捕获每组HDC模型输出结果的时间特征，获取提取多尺度空间时间特征的SST图数据；
通过注意力机制对提取多尺度空间时间特征的SST图数据分配权重；
将SST二维图数据与注意力机制处理后的SST图数据耦合，通过编码获取向量数据；
对所述向量数据进行解码，获取混合学习模型；
将SST二维图数据输入至混合学习模型中，获取SST预测结果并评估。
2.根据权利要求1所述的基于混合学习模型的海表温度预测方法，其特征在于，对所述向量数据进行解码包括：
采用多组不同尺度的HDC模型提取所述向量数据的空间特征；
采用BiGRU模型对提取空间特征的向量数据提取时间特征；
采用注意力机制对提取空间时间特征的向量数据分配权重。
3.根据权利要求1所述的基于混合学习模型的海表温度预测方法，其特征在于，所述HDC模型有三组，每组所述HDC模型由三层不同空洞率的空洞卷积构成，三层空洞卷积的空洞率分别为1、2和5。
4.根据权利要求1所述的基于混合学习模型的海表温度预测方法，其特征在于，所述SST二维图数据的获取方法包括：
将原始SST数据处理成二维图格式；
对二维图格式的SST数据进行最大最小归一化处理，获得SST二维图数据。
5.根据权利要求1所述的基于混合学习模型的海表温度预测方法，其特征在于，所述SST二维图数据包括60%的训练数据集、10%的验证数据集和30%的测试数据集。
6.根据权利要求1所述的基于混合学习模型的海表温度预测方法，其特征在于，将SST二维图数据输入至混合学习模型中，获取SST预测结果并评估包括：
将SST二维图数据输入至混合学习模型中，得到数据预测结果；
对所述数据预测结果进行反归一化处理，得到未来一周的SST预测结果；
使用A_MSE、A_RMSE、A_MAE和A_MAPE作为评价指标对未来一周的SST预测结果进行评估。
7.根据权利要求6所述的基于混合学习模型的海表温度预测方法，其特征在于，所述A_ MSE、A_RMSE、A_MAE和A_MAPE的表达式分别为：
其中，A_MSE表示空间样本上的均方误差均值，A_RMSE表示空间样本上的均方根误差均值，A_MAE表示空间样本上的平均绝对误差均值，A_MAPE表示空间样本上的平均绝对百分比误差均值，i、j表示空间格点坐标，K表示测试样例总数，I表示纬向总格点数，J表示经向总格点数；
表示对应空间格点模型预报的SST值，
表示对应空间格点的SST观测值。
8.根据权利要求1所述的基于混合学习模型的海表温度预测方法，其特征在于，所述权重的计算公式为：
其中，Y表示经过BiGRU模型所捕获的特征矩阵；M表示Y经过tanh函数处理后的结果；
是经过训练的参数向量，
表示
的转置；映射结果
的取值为(0,1)；A为注意力机制分配权重后的结果。
9.根据权利要求1所述的基于混合学习模型的海表温度预测方法，其特征在于，所述HDC模型的表达式为：
其中, 
表示输出的特征图大小，
表示空洞卷积的大小，
为填充的大小，
是卷积时的步长大小，
为卷积核的大小，
是空洞卷积中空洞率的大小。
10.一种基于混合学习模型的海表温度预测***，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1~9任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211283375.4A CN115359338A (zh) | 2022-10-20 | 2022-10-20 | 一种基于混合学习模型的海表温度预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211283375.4A CN115359338A (zh) | 2022-10-20 | 2022-10-20 | 一种基于混合学习模型的海表温度预测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115359338A true CN115359338A (zh) | 2022-11-18 |
Family
ID=84008014
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211283375.4A Pending CN115359338A (zh) | 2022-10-20 | 2022-10-20 | 一种基于混合学习模型的海表温度预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115359338A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115876334A (zh) * | 2023-02-22 | 2023-03-31 | 瑞纳智能设备股份有限公司 | 红外热像室内测温方法、***和计算机可读存储介质 |
| CN116976149A (zh) * | 2023-09-22 | 2023-10-31 | 广东海洋大学 | 一种海表温度预测方法 |
| CN117617911A (zh) * | 2024-01-25 | 2024-03-01 | 长春理工大学 | 一种睡眠阶段分期方法、装置、设备及存储介质 |
| CN118133671A (zh) * | 2024-03-18 | 2024-06-04 | 夏萃慧 | 一种气候影响溯源模型构建方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112288193A (zh) * | 2020-11-23 | 2021-01-29 | 国家海洋信息中心 | 基于注意力机制的gru深度学习的海洋站表层盐度预测方法 |
| CN112801404A (zh) * | 2021-02-14 | 2021-05-14 | 北京工业大学 | 一种基于自适应空间自注意力图卷积的交通预测方法 |
| CN112862178A (zh) * | 2021-02-02 | 2021-05-28 | 国家海洋信息中心 | 一种基于深度学习的海洋站水位时空预测方法及装置 |
| CN113360848A (zh) * | 2021-06-04 | 2021-09-07 | 北京工商大学 | 一种时序数据预测方法及装置 |
| CN113705664A (zh) * | 2021-08-26 | 2021-11-26 | 南通大学 | 一种模型及训练方法、表面肌电信号手势识别方法 |
-
2022
- 2022-10-20 CN CN202211283375.4A patent/CN115359338A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112288193A (zh) * | 2020-11-23 | 2021-01-29 | 国家海洋信息中心 | 基于注意力机制的gru深度学习的海洋站表层盐度预测方法 |
| CN112862178A (zh) * | 2021-02-02 | 2021-05-28 | 国家海洋信息中心 | 一种基于深度学习的海洋站水位时空预测方法及装置 |
| CN112801404A (zh) * | 2021-02-14 | 2021-05-14 | 北京工业大学 | 一种基于自适应空间自注意力图卷积的交通预测方法 |
| CN113360848A (zh) * | 2021-06-04 | 2021-09-07 | 北京工商大学 | 一种时序数据预测方法及装置 |
| CN113705664A (zh) * | 2021-08-26 | 2021-11-26 | 南通大学 | 一种模型及训练方法、表面肌电信号手势识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| ASTON ZHANG等: "动手学习深度学习", 《动手学习深度学习》 * |
| LINA WANG等: "CNN-BiLSTM-Attention Model in Forecasting Wave Height over South-East China Seas", 《RESEARCHGATE数据库》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115876334A (zh) * | 2023-02-22 | 2023-03-31 | 瑞纳智能设备股份有限公司 | 红外热像室内测温方法、***和计算机可读存储介质 |
| CN116976149A (zh) * | 2023-09-22 | 2023-10-31 | 广东海洋大学 | 一种海表温度预测方法 |
| CN116976149B (zh) * | 2023-09-22 | 2023-12-29 | 广东海洋大学 | 一种海表温度预测方法 |
| CN117617911A (zh) * | 2024-01-25 | 2024-03-01 | 长春理工大学 | 一种睡眠阶段分期方法、装置、设备及存储介质 |
| CN117617911B (zh) * | 2024-01-25 | 2024-03-26 | 长春理工大学 | 一种睡眠阶段分期方法、装置、设备及存储介质 |
| CN118133671A (zh) * | 2024-03-18 | 2024-06-04 | 夏萃慧 | 一种气候影响溯源模型构建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115359338A (zh) | 一种基于混合学习模型的海表温度预测方法及*** | |
| CN104268627B (zh) | 一种基于深度神经网络迁移模型的短期风速预报方法 | |
| CN110212528B (zh) | 一种配电网量测数据缺失重构方法 | |
| CN108764540B (zh) | 基于并行lstm串联dnn的供水管网压力预测方法 | |
| Akbarifard et al. | Predicting sea wave height using Symbiotic Organisms Search (SOS) algorithm | |
| CN108197736A (zh) | 一种基于变分自编码器和极限学习机的空气质量预测方法 | |
| Sun et al. | Prediction of Short‐Time Rainfall Based on Deep Learning | |
| CN104899653B (zh) | 基于专家***及蓝藻生长机理时序模型的湖库蓝藻水华预测方法 | |
| CN112288193A (zh) | 基于注意力机制的gru深度学习的海洋站表层盐度预测方法 | |
| CN108427989A (zh) | 一种用于雷达回波外推的深度时空预测神经网络训练方法 | |
| CN109001736A (zh) | 一种基于深度时空预测神经网络的雷达回波外推方法 | |
| CN107705556A (zh) | 一种基于支持向量机和bp神经网络结合的交通流预测方法 | |
| CN111242351A (zh) | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 | |
| CN111242377A (zh) | 一种集成深度学习和数据去噪的短期风速预测方法 | |
| Tripathy et al. | Deep learning in hydrology and water resources disciplines: Concepts, methods, applications, and research directions | |
| CN116306318B (zh) | 基于深度学习的三维海洋温盐场预报方法、***及设备 | |
| CN109447096A (zh) | 一种基于机器学习的扫视路径预测方法和装置 | |
| CN111626296B (zh) | 基于深度神经网络的医学图像分割***及方法、终端 | |
| CN116844041A (zh) | 一种基于双向卷积时间自注意力机制的耕地提取方法 | |
| CN117094431A (zh) | 一种多尺度熵门控的DWTformer气象数据时序预测方法及设备 | |
| CN114942480B (zh) | 基于信息感知注意力动态协同网络的海洋站风速预报方法 | |
| Jiang et al. | Prediction of sea temperature using temporal convolutional network and LSTM-GRU network | |
| CN114943189A (zh) | 一种基于XGboost的声速剖面反演方法及*** | |
| CN114386332A (zh) | 基于edc-lstm模型的土壤湿度预测方法、装置及存储介质 | |
| Fang et al. | VRNet: A Vivid Radar Network for Precipitation Nowcasting |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221118 |