[發明專利]一種結合注意力機制的區域型海表面溫度預測方法

有效

• 申請號: 201910477316.2
• 申請日: 2019-06-03
• 公開（公告）號: CN110197307B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 賀琪;查鋮;宋巍;趙丹楓;黃冬梅;胡澤煜
• 申請（專利權）人: 上海海洋大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F30/20
• 代理公司: 上海伯瑞杰知識產權代理有限公司 31227
• 代理人: 俞磊

本發明公開了一種結合注意力機制的區域型海表面溫度預測方法，步驟包括：1)、將區域內每天的SST數據處理成一個矩陣，依次按時間先后進行排列，構成矩陣序列，作為CA?ConvLSTM模型的輸入；2)、對SST矩陣進行處理，通過卷積層提取各個記錄點的分布特征；3)、利用注意力機制為獲得的矩陣特征分配注意力權重，然后將注意力權重乘上對應的矩陣特征，得到加權特征；4)、最后，將加權特征作為ConvLSTM模型的輸入，利用ConvLSTM訓練預測模型，最終獲得預測結果。本發明將區域內SST整理為一個矩陣，作為一個整體輸入到模型中，便于模型提取SST的時間和空間相關性。

技術領域

本發明涉及海表面溫度預測領域，特別涉及到一種結合注意力機制的區域型海表面溫度預測方法。

背景技術

近年來，海表面溫度預測在海洋氣象、航海、海洋防災減災和海洋漁業等各種海洋相關領域引起了越來越多的關注。至今為止，人們已經提出了許多方法來預測海表面溫度(Sea?Surface?Temperature，SST)，并取得了良好的效果。這些方法主要可分為三類：統計預報方法、數值預報方法和經驗預報方法。隨著信息采集技術的不斷完善，越來越多的SST數據被收集，存儲和處理，研究者還對SST的時空特征進行了分析。SST是典型的時間序列數據，因此許多學者將海表面溫度預測(Sea?Surface?Temperature?Prediction，SSTP)視為時間序列回歸問題，并嘗試使用時間序列預測方法來預測SST，以期望能夠獲得更好的預測效果。

SSTP不僅在理論上重要，而且在許多海洋相關領域都有實際應用。海洋表面單個記錄點的歷史溫度數據，是典型的長時間序列數據。因此許多研究者將SSTP視為一個時間序列回歸問題，并將許多時間序列預測方法應用在SSTP。傳統時間序列預測模型如自回歸(Autoregressive，AR)模型、滑動平均(Moving?Average，MA)模型以及自回歸滑動平均(Autoregressive?Moving?Average，ARMA)模型等都是線性模型，并不能滿足實際應用的需求，因此研究者不斷提出了許多非線性預測方法。神經網絡就是一種非線性預測方法，具有極強的非線性擬合能力，目前已有多種不同形式的神經網絡用于SSTP。Aparna等人提出了一種人工神經網絡，利用當前的SST來預測第二天阿拉伯海東北部的SST，預測模型誤差≤±0.5°。長短時記憶網絡(Long?Short?Term?Memory，LSTM)是循環神經網絡(RecurrentNeural?Network，RNN)的一種變體，能解決RNN“梯度消失”的問題，并且對時間序列數據有著較強的建模能力，也已經應用于SSTP，取得了顯著的效果。除了神經網絡之外，支持向量機(Support?Vector?Machines，SVM)也用于時間序列預測。Lins等人考慮到SST變化的季節性以及季節內變化的規律，從浮標數據中獲取SST的曲率和斜率信息，利用SVM來預測SST。

然而，以上方法均只考慮了SST的時間相關性，而沒有考慮SST之間的空間相關性，因此在預測SST時使得大量的信息會丟失；其次，在預測SST時，未體現出歷史SST對要預測的SST的不同影響，使得模型不夠全面，最終預測精度不高。

發明內容

本發明的目的在于針對現有技術中的不足，提供一種結合注意力機制的區域型海表面溫度預測方法，以解決上述問題。

本發明所解決的技術問題可以采用以下技術方案來實現：

一種結合注意力機制的區域型海表面溫度預測方法，包括如下步驟：

1)、將區域內每天的SST數據處理成一個矩陣，依次按時間先后進行排列，構成矩陣序列，作為CA-ConvLSTM模型的輸入；

2)、對SST矩陣進行處理，通過卷積層提取各個記錄點的分布特征；

3)、利用注意力機制為獲得的矩陣特征分配注意力權重，然后將注意力權重乘上對應的矩陣特征，得到加權特征；