[發明專利]基于時空多維影響力的海面溫度深度學習預測方法

有效

• 申請號: 202010461315.1
• 申請日: 2020-05-27
• 公開（公告）號: CN111680784B
• 公開（公告）日: 2023-10-24
• 發明（設計）人: 謝江;張吉緣;徐凌宇
• 申請（專利權）人: 上海大學
• 主分類號: G06N3/0464
• 分類號: G06N3/0464;G06N3/0442;G06N3/08;G06Q10/04
• 代理公司: 貴州派騰知識產權代理有限公司 52114
• 代理人: 唐斌

1.一種基于時空多維影響力的海面溫度深度學習預測方法，其特征在于包括：

A.量化空間影響力：利用目標觀測點的鄰居觀測點海面溫度數據量化它所受到的空間影響力，并且在目標海域上構建多維時空海面溫度數據集；

B.數據補全處理：使用鄰居數據均值法對數據集進行數據補全處理；

C.建立預測模型：結合卷積運算、門控循環單元和多層感知機等深度學習技術，建立基于時空多維影響力的海面溫度深度學習預測模型，即卷積門控循環單元多層感知機，簡稱CGMP。

2.根據權利要求1所述基于時空多維影響力的海面溫度深度學習預測方法，其特征在于：在步驟A中，根據經度、緯度以及分辨率信息，將海面劃分為一個個網格，一個網格就是一個海面溫度觀測點，目標觀測點相鄰的八個海面溫度觀測點稱作鄰居點，在目標海域上可以構建這九個點的多維時空海面溫度數據集。

3.根據權利要求2所述基于時空多維影響力的海面溫度深度學習預測方法，其特征在于：在步驟B中，對九個點中缺失點的數據進行補全，以缺失點周圍8個鄰居點的真實海面溫度觀測數據的平均值作為缺失點，若缺失點的鄰居點也存在數據缺失，則在計算時排除該點。

4.根據權利要求2或3所述基于時空多維影響力的海面溫度深度學習預測方法，其特征在于：在步驟C中，CGMP是一個端到端的海面溫度預測模型，模型的輸入是歷史SST序列，模型的輸出是預測的未來SST序列，其中，歷史SST序列包含了目標海面溫度觀測點及鄰居點的歷史海面溫度數據，CGMP首先通過一個卷積層在空間維度上處理目標觀測點的鄰居信息，得到中間向量，即時空SST序列，CGMP隨后通過門控循環單元在時間維度上處理時空SST序列的歷史信息，得到隱藏狀態向量，最后，利用多層感知機將隱藏狀態向量映射到預測結果上，即未來SST序列。

5.根據權利要求4所述基于時空多維影響力的海面溫度深度學習預測方法，其特征在于：歷史SST序列X是一個維度為k×3×3的張量，包含了目標海面溫度觀測點k個時間單位的鄰居信息及歷史數據信息，CGMP首先通過一個卷積層在空間維度上處理目標觀測點的鄰居信息，卷積層的深度為1，卷積核K的尺寸為3×3，步長為1，填充為0。X經過卷積運算之后，得到維度為k×1的時空SST序列S，運算過程定義如下：

S＝(S₁，S₂，...，S_k)

s_i＝X_i★K+b_s，∈{1，2，...，k}

其中，s_i表示經過處理得到的時空歷史信息，★表示二維卷積運算，w_k,1–w_k,9表示卷積核K的權重，b_s表示相應的偏置。