[發明專利]基于注意力機制的GRU深度學習的海洋站表層鹽度預測方法

在審

• 申請號: 202011324485.1
• 申請日: 2020-11-23
• 公開（公告）號: CN112288193A
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 梁建峰;苗慶生;宋曉;韋廣昊;耿姍姍;蔡仁翰;李程;楊錦坤
• 申請（專利權）人: 國家海洋信息中心
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06N3/08
• 代理公司: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 符繼超

1.一種基于注意力機制的GRU深度學習的海洋站表層鹽度預測方法，其特征在于，包括如下步驟：

S1：獲取海洋站表層鹽度數據，進行預處理去除錯誤或缺失數據；

S2：對預處理后的表層鹽度時間序列數據進行EDM分解，獲取IMF分量和剩余量，并進行去噪處理；

S3：構建GRU深度學習預測模型，將去噪數據輸入GRU深度學習預測模型進行預測，得到最終預測結果。

2.根據權利要求1所述的一種基于注意力機制的GRU深度學習的海洋站表層鹽度預測方法，其特征在于，步驟S2中，對表層鹽度時間序列數據進行EDM分解的方法為：找出原始時間序列x(t)所有極大值點和極小值點，用三次樣條函數分別擬合成上、下包絡線，上、下包絡線求平均得到平均包絡線m₁(t)，將原始時間序列序列x(t)減去該平均包絡線，即得到一個去掉低頻的新序列h₁(t)：

h₁(t)＝x(t)-m₁(t) (1)

重復上述過程k次，直到所得平均包絡線趨于0為止，得到了第1個IMF分量c₁(t)：

c₁(t)＝h₁k(t)-m₁k(t) (2)

將原始序列x(t)減去第1個IMF分量，重復上述分解過程得到第2個IMF分量c₂(t)，以此類推，分解n次得到cn(t)；最后一個無法分解的剩余量記為Res(t)；

而原始時間序列由這些IMF分量和剩余量之和表示：

Res(t)記為噪聲數據，將原始時間序列x(t)減去剩余量Res(t)，得到了降噪后的時間序列數據Denoisedx(t)，如下：

Denoisedx(t)＝x(t)-Res(t) (4)。

3.根據權利要求1所述的一種基于注意力機制的GRU深度學習的海洋站表層鹽度預測方法，其特征在于，GRU深度學習模型構建步驟如下：

(1)構建訓練數據集；

(2)建立訓練樣本；

(3)構建訓練模型：將注意力機制嵌入到GRU模型中，嵌入后的模型記為att_GRU模型；

(4)訓練att_GRU模型，調試att_GRU模型參數；

(5)通過訓練得出的att_GRU深度學習模型，對表層鹽度數據進行預測得到最終預測結果。

4.根據權利要求3所述的一種基于注意力機制的GRU深度學習的海洋站表層鹽度預測方法，其特征在于，建立訓練樣本的方法為：將構建的訓練數據集進行EMD分解，得到一組本征模態分量和剩余量噪聲數據，將構建的訓練數據集減去剩余量噪聲數據，或者將本征模態分量加和，得到訓練樣本。

5.根據權利要求3所述的一種基于注意力機制的GRU深度學習的海洋站表層鹽度預測方法，其特征在于，訓練att_GRU模型的方法為：att_GRU模型選擇雙曲正切函數作為激活函數，設置兩個隱藏層和一個輸出層，每層神經元個數為2000個；訓練中輸入和輸出數據比為72:24，用3天數據預測1天數據的方式進行訓練。

6.根據權利要求3所述的一種基于注意力機制的GRU深度學習的海洋站表層鹽度預測方法，其特征在于，假設x_t為輸入，h_t為隱藏層的輸出，att_GRU深度學習模型通過以下公式計算得到h_t：

式中：z_t和r_t分別為更新門和重置門；為輸入x_t和上一隱藏層輸出結果h_t-1的匯總；σ為Sigmoid函數；tan為雙曲正切函數；W^(z),U^(z),W^(r),U^(r),U,W為訓練參數矩陣；表示r_t和U的復合關系，表示z_t和的h_t-1復合關系。

7.根據權利要求1所述的一種基于注意力機制的GRU深度學習的海洋站表層鹽度預測方法，其特征在于，采用均方根誤差Root of mean squared error和平均絕對誤差MeanAbsolute Error來評估海洋站表層水溫的預測結果，計算公式分別如下：

其中，y_i^obs為觀測值，y_i^pre為預測值，l為樣本量；RMSE表示衡量觀測值與真實值之間的偏差，MAE是絕對誤差的平均值，更好地反映預測值誤差的實際情況。