一种结合注意力机制的区域型海表面温度预测方法技术

本发明专利技术公开了一种结合注意力机制的区域型海表面温度预测方法，步骤包括：1)、将区域内每天的SST数据处理成一个矩阵，依次按时间先后进行排列，构成矩阵序列，作为CA‑ConvLSTM模型的输入；2)、对SST矩阵进行处理，通过卷积层提取各个记录点的分布特征；3)、利用注意力机制为获得的矩阵特征分配注意力权重，然后将注意力权重乘上对应的矩阵特征，得到加权特征；4)、最后，将加权特征作为ConvLSTM模型的输入，利用ConvLSTM训练预测模型，最终获得预测结果。本发明专利技术将区域内SST整理为一个矩阵，作为一个整体输入到模型中，便于模型提取SST的时间和空间相关性。

A Regional Sea Surface Temperature Prediction Method Combining Attention Mechanism

【技术实现步骤摘要】
一种结合注意力机制的区域型海表面温度预测方法
本专利技术涉及海表面温度预测领域，特别涉及到一种结合注意力机制的区域型海表面温度预测方法。
技术介绍
近年来，海表面温度预测在海洋气象、航海、海洋防灾减灾和海洋渔业等各种海洋相关领域引起了越来越多的关注。至今为止，人们已经提出了许多方法来预测海表面温度(SeaSurfaceTemperature，SST)，并取得了良好的效果。这些方法主要可分为三类：统计预报方法、数值预报方法和经验预报方法。随着信息采集技术的不断完善，越来越多的SST数据被收集，存储和处理，研究者还对SST的时空特征进行了分析。SST是典型的时间序列数据，因此许多学者将海表面温度预测(SeaSurfaceTemperaturePrediction，SSTP)视为时间序列回归问题，并尝试使用时间序列预测方法来预测SST，以期望能够获得更好的预测效果。SSTP不仅在理论上重要，而且在许多海洋相关领域都有实际应用。海洋表面单个记录点的历史温度数据，是典型的长时间序列数据。因此许多研究者将SSTP视为一个时间序列回归问题，并将许多时间序列预测方法应用在SSTP。传统时间序列预测模本文档来自技高网...

【技术保护点】
1.一种结合注意力机制的区域型海表面温度预测方法，其特征在于：包括如下步骤：1)、将区域内每天的SST数据处理成一个矩阵，依次按时间先后进行排列，构成矩阵序列，作为CA‑ConvLSTM模型的输入；2)、对SST矩阵进行处理，通过卷积层提取各个记录点的分布特征；3)、利用注意力机制为获得的矩阵特征分配注意力权重，然后将注意力权重乘上对应的矩阵特征，得到加权特征；4)、最后，将加权特征作为ConvLSTM模型的输入，利用ConvLSTM训练预测模型，最终获得预测结果。

【技术特征摘要】
1.一种结合注意力机制的区域型海表面温度预测方法，其特征在于：包括如下步骤：1)、将区域内每天的SST数据处理成一个矩阵，依次按时间先后进行排列，构成矩阵序列，作为CA-ConvLSTM模型的输入；2)、对SST矩阵进行处理，通过卷积层提取各个记录点的分布特征；3)、利用注意力机制为获得的矩阵特征分配注意力权重，然后将注意力权重乘上对应的矩阵特征，得到加权特征；4)、最后，将加权特征作为ConvLSTM模型的输入，利用ConvLSTM训练预测模型，最终获得预测结果。2.根据权利要求1所述的结合注意力机制的区域型海表面温度预测方法，其特征在于：所述SST矩阵卷积是将SST数据整理为长度为|F|的数字矩阵序列后，利用卷积对矩阵进行特征提取以用于获取局部特征；卷积操作通过卷积核的移动来完成的，输出矩阵的每一个值就是输入矩阵中每个3×3区域的值与3×3卷积核对应位置的值乘积的和。3.根据权利要求1所述的结合注意力机制的区域型海表面温度预测方法，其特征在于：所述区域内每天的SST数据处理成一个W·H矩阵，区域内的SST序列F＝F1，F2，…，F|F|，|F|表示SST序列的时间长度，Fi＝W·H为该区域内第i(1≤i≤|F|,i∈Z)天的所有记录点的SST，即一个W·H的矩阵，这些矩阵构成的序列作为CA-ConvLSTM模型的输入。4.根据权利要求1所述的结合注意力机制的区域型海表面温度预测方法，其特征在于：通过卷积操作得到矩阵特征序列，在预测中，使用k天的SST来预测未来一天或五天的S...

【专利技术属性】
技术研发人员：贺琪，查铖，宋巍，赵丹枫，黄冬梅，胡泽煜，
申请(专利权)人：上海海洋大学，
类型：发明
国别省市：上海,31