[發明專利]基于船載CTD測量數據的海水溫鹽信息時序預測方法

在審

• 申請號: 202010988700.1
• 申請日: 2020-09-18
• 公開（公告）號: CN112307410A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 楊嘉琛;溫家寶
• 申請（專利權）人: 天津大學
• 主分類號: G06F17/10
• 分類號: G06F17/10;G06K9/62;G06N3/04
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 程毓英

本發明涉及一種基于船載CTD測量數據的海水溫鹽信息時序預測方法，包括下列步驟：采集海水溫度、電導率數據，基于所測電導率信息計算出鹽度測量數據，獲得原始溫、鹽數據；將船載CTD采集的原始溫、鹽數據進行預處理，預處理過程包含插值、濾波，篩選出符合計算標準的時間序列信息；將預處理完的數據劃分成時間信息和包含溫度、鹽度在內的屬性信息，將時間信息進行模糊規則劃分；得到經閾值分割的新的隸屬度函數，將模糊劃分后的屬性信息與時間信息進行序列對齊，以建立新的時間序列數據集，這部分序列信息被稱為新的模糊序列數，構造新的隸屬度數據集。設計長短期記憶神經網絡預測模型，設置損失函數，利用訓練集訓練和建立預測模型。

技術領域

本發明屬于數據處理領域，涉及對海洋數據探測設備CTD(conductivity,temperature,and depth)儀采集數據處理方法。

背景技術

隨著人們對海洋的探求，新一代的海洋環境探測設備具有觀測精度高、測量范圍廣等優勢，但同時也增大了海洋數據的測量體量，面對呈指數級增長的海洋大數據處理問題，本研究提出一種基于模糊分割的時間序列預測方法。目前，海洋調查船通過布設投放船載CTD方法測量任務海域的溫、鹽數據，然而測量船需要通過布線巡航的方式對一片海域進行反復測量，面對寬廣的海平面，調查船的測量不僅具有較低測量效率，還會采集到許多錯誤的數據，這就給后期的數據挖掘帶來困難。在海洋數據的生態系統里，時間序列數據是所占比例最大的一類數據，它顯示了海洋環境的變化規律，比如隨季節性海水溫度、鹽度變化，海下密躍層變化等。時間序列建模是機器學習研究中的一個重要領域，它的目的是利用智能算法和觀測數據預測未來時段的信息變化規律。一般情況下，海水環境要素的歷年變化規律會影響未來時刻的趨勢，并且信息不會發生突然的跳躍變化。時間序列分析法對于單一序列的短、近期預測比較顯著。然而，當環境預測數據屬性增加，時間周期增長，會導致預測值偏離實際較大而使決策失誤。

人工神經網絡作為一種監督學習算法，它能夠分析復雜高維度的特征數據集，在處理大量的時間序列數據時能夠通過增加神經元數量和層數來提高模型精確度。近年來，關于長周期的時間序列問題，長短期記憶(LSTM)神經網絡表現出優異的一面，它利用大量的權值和偏差參數將神經網絡鏈式連接，將連續時間的狀態相連接以獲取長時間復雜的時間序列信息的學習。與此同時，一些研究基于模糊框架提出了大量的模糊時間序列模型，它們顯示出很大的優勢在基于不完整和小數據集上的時間序列預測工作。模糊方法的主要優勢在于，能夠將時間樣本信息模糊化，以降低觀測數據集存在的數值偏差。將觀測數據作為一個模糊的概念，不完全相信任意一條數據，最大程度上保護訓練模型的準確性。以此，發揮神經網絡和模糊理論的各自優勢能夠有效的解決時間序列數據的分析問題。

融合算法是優化時間序列預測算法的有效途徑之一，融合算法結合不同智能算法的特點，在不同階段以不同的方式取搜索解，在加快收斂速度的同時提高了找到最優解的可能性。

發明內容

本發明提出了一種基于船載CTD測量數據的海水溫鹽信息時序預測方法以在解決船載CTD采集的不規則環境數據時間序列預測問題。技術方案如下：

一種基于船載CTD測量數據的海水溫鹽信息時序預測方法，包括下列步驟：

第一步，采集海水溫度、電導率數據，基于所測電導率信息計算出鹽度測量數據，獲得原始溫、鹽數據。

第二步，將船載CTD采集的原始溫、鹽數據進行預處理，預處理過程包含插值、濾波，篩選出符合計算標準的時間序列信息；

第三步，將預處理完的數據劃分成時間信息和包含溫度、鹽度在內的屬性信息，將時間信息進行模糊規則劃分，制訂規則均勻的時間信息，采用三角形隸屬度函數將觀測數據的時間序列T劃分為m個的模糊集，以每天或月作為兩個模糊集之間的間隔，即總時段為m天或m月。