一种基于STL-NN模型的海表面温度预测算法制造技术

本发明专利技术提供一种基于STL‑NN模型的海表面温度预测算法，其包括以下步骤：S1.采用基于局部加权回归的周期‑趋势分解方法将SST数据T分解为季节项S、趋势项C和余项R；S2.将分解得到的季节项S、趋势项C和余项R输入到神经网络预测模型中，得到若干天SST数据的预测值。该模型首先通过STL分解出SST的季节分量、趋势分量和剩余分量，确保SST数据的高效利用；在搭建神经网络预测模型时有效结合了LSTM模型的优点，能够利用其较强非线性逼近能力有效的对数据进行建模，最终预测出未来五天内的SST。在充分考虑序列数据特性的前提下，本发明专利技术方法不仅可以用于预测SST，在未来还可以推广至其它海洋要素序列数据的预测，具有非常广阔的推广应用前景。

【技术实现步骤摘要】
一种基于STL-NN模型的海表面温度预测算法
本专利技术涉及信息
，尤其涉及一种基于STL-NN模型的海表面温度预测算法。
技术介绍
海洋表面温度(SeaSurfaceTemperature，简称SST)[1]不仅是全球大气系统中的一个重要参数，而且对海洋生态系统也有极大的影响。SST是赤潮、厄尔尼诺等海洋灾害发生的关键因子，同时它的变化还可以影响降雨的分布，从而引发洪涝灾害。准确的SST预测结果，为风暴潮、台风、赤潮等海洋灾害的精准预报提供支撑。现有的SSTP预测方法主要分为两类：(1)数值预报法[2]，需要考虑SST的实际情况，然后在一定的初值和边界条件下，通过数值计算求解方程组来预测未来一定时间的SST；(2)统计预报法[3]，通过筛选出影响SST的关键因子，再使用统计学方法预测SST。SST是单要素时间序列数据，SST的预测便可视为一个单要素时间序列回归问题，因此研究者便利用时间序列分析方法来预测SST，期望实现SST高精度预测。由此可知对于SST预测，选择一种合适的时间序列预测方法对预测结果具有非常重要的意义。SST具有本文档来自技高网...

【技术保护点】
1.一种基于STL-NN模型的海表面温度预测算法，包括以下步骤：/nS1.采用基于局部加权回归的周期-趋势分解方法将SST数据T分解为季节项S、趋势项C和余项R；/nS2.将分解得到的季节项S、趋势项C和余项R输入到神经网络预测模型中，得到若干天SST数据的预测值；所述神经网络预测模型为采用历史的SST数据训练得到的模型。/n

【技术特征摘要】
1.一种基于STL-NN模型的海表面温度预测算法，包括以下步骤：
S1.采用基于局部加权回归的周期-趋势分解方法将SST数据T分解为季节项S、趋势项C和余项R；
S2.将分解得到的季节项S、趋势项C和余项R输入到神经网络预测模型中，得到若干天SST数据的预测值；所述神经网络预测模型为采用历史的SST数据训练得到的模型。


2.根据权利要求1所述的一种基于STL-NN模型的海表面温度预测算法，其特征在于，基于局部加权回归的周期-趋势分解方法将SST数据T的序列分解为季节项S、趋势项C和余项R的表达式为：
Tt＝St+Ct+Rt(t|0≤t≤|T|,t∈Z)
该过程为迭代过程，每次迭代过程包括内循环以及外循环；在内循环的过程中，更新季节分量S、趋势项C；在外循环的过程中，通过余项R判断是否收敛，若收敛则输出季节分量S、趋势项C和余项R，并停止迭代。


3.根据权利要求2所述的一种基于STL-NN模型的海表面温度预测算法，其特征在于，在第i+1次迭代过程中，内循环包括以下步骤：
S101.去趋势：用原始序列T减去在第i次迭代中获得的估计趋势分量以获得周期子序列其表达式为：
S102.周期子序列平滑：用局部加权回归的方式对周期子序列平滑化，获得初步季节分量
S103.平滑周期子序列的低通滤波：使用低通滤波器处理步骤S102中获得的初步季节分量然后利用局部加权回归获得低通值
S104.平滑周期子序列的去趋势，得到季节分量：季节分量是低通值和初步...

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