本发明专利技术提出了一种基于蜂窝网格集成机制与时空Transformer的渔情预测方法及系统，针对现有技术中网格划分不具备各向同性的缺点，提出一种基于蜂窝网格区域划分以及集成机制的局部到局部的预测框架，显著地丰富了样本量和降低特征维数；同时为了能更好的捕获时空特征，本发明专利技术进一步提出时空Transformer框架，该框架为时空数据挖掘提供了有价值的见解。本发明专利技术在数据预测过程中，通过结合时间和空间维度上的数据特征，在海洋环境数据的基础上进行依赖关系分析，克服了现有技术中时间依赖性上的不足，使得模型预测准确度得到提高。使得模型预测准确度得到提高。使得模型预测准确度得到提高。
【技术实现步骤摘要】
一种基于蜂窝网格集成机制与时空Transformer的渔情预测方法及系统
[0001]本专利技术涉及一种基于蜂窝网格集成机制与时空Transformer的渔情预测方法及系统，特别是涉及数据综合挖掘与分析的领域。
技术介绍
[0002]海洋渔业资源在人类生存和发展中起着不可替代的作用，是现代社会主要经济活动的一部分。但随着捕捞区域的扩大和超出渔业资源再生速度的高强度捕捞，近海渔业资源环境遭到严重破坏，海洋渔业资源岌岌可危。为了维持渔业资源的可持续开发和利用，实现渔业资源的合理配置，通过对未来渔业资源的合理预测，为适度捕捞提供决策依据。
[0003]现有技术在实现未来渔业资源预测时，由于预测未来的鱼群的位置与鱼量，需要有关的历史数据，但是由于海洋中的传感器的数量相对较少，无法获得海洋中准确的鱼群位置与数量，且每艘渔船的捕捞量对于各公司也都是保密的，这给鱼群预测带来了极大的挑战。
[0004]传统的预测方法集中在对海洋环境数据进行分析，如使用环境阈值法分析或栖息地指数模型预测渔场的空间分布。但这些数据在时间和空间上都不是细粒度的，对于实际应用中的指导意义并不大。
技术实现思路
[0005]专利技术目的：提出一种基于蜂窝网格集成机制与时空Transformer的渔情预测方法，以解决现有技术存在的上述问题，通过局部区域的划分，以及端到端的预测框架，显著地丰富了样本量和降低特征维数，同时通过时空数据的综合分析，获取更为丰富的时空特征，为时空数据挖掘提供更具价值的见解。
[0006]技术方案：第一方面，提出了一种基于蜂窝网格集成机制与时空Transformer的渔情预测方法，该方法具体包括以下步骤：步骤1、根据需求选择海洋中待进行渔情预测的区域；步骤2、构建规则且大小相等的小区域，利用所述小区域对待进行渔情预测的区域进行划分；步骤3、获取待进行渔情预测区域的渔船轨迹与海洋环境遥感数据，并进行数据预处理；步骤4、利用聚类算法对预处理后的数据进行分析，获取渔船作业时的捕鱼轨迹点；步骤5、将所述轨迹点映射到所述小区域中，结合时间与空间维度，获得表示渔情状况的数据；步骤6、构建预测模型，接收所述表示渔情状况的数据以及海洋环境数据，并输出预测结果；
步骤7、通过数据集成策略整合所述预测结果，获得最终的渔情预测状况，并输出。
[0007]针对现有技术中出现的区域数据无法有效预测的问题，通过局部到局部的预测框架，有效丰富样本数量的同时降低了特征维数。同时，通过结合时间和空间维度上的数据特征，克服了现有技术中时间依赖性上的不足，使得模型预测准确度得到提高。
[0008]在第一方面的一些可实现方式中，小区域为具有各向同性特征的正六边形网格，呈现蜂窝网格状。与现有技术中采用的方形栅格相比，正六边形网格只有共享边邻域一种，在距离度量和连通性上没有歧义，同时还具有各向同性的特征，更贴合实际方向不受限制的应用。
[0009]在第一方面的一些可实现方式中，采用局部到局部的预测措施，将小区域及其附近区域中的数据输入预测模型中进行分析处理；进一步的，基于划分出的小区域，在待进行渔情预测的区域内数据映射为小区域内的数据向量后，将对应的小区域数据向量转换为一个便于被神经网络接收的二维张量，输入预测模型进行分析处理。
[0010]其中，预测模型包括：一个位置嵌入层、堆叠的时空Transformer模块、数据融合层和预测层。
[0011]具体的，时空Transformer模块根据应用需求进行堆叠，用于提取时间和空间上的依赖关系，进一步包括：空间Transformer模块和时间Transformer模块。
[0012]其中，空间Transformer模块对数据处理的步骤进一步包括：首先，计算每个小区域中所对应的空间属性值向量；其次，计算获取空间自注意力的权重；再次，通过计算自注意力权重与值向量的加权和，得到小区域空间Transformer中每一个头部的编码；从次，将头部编码串联起来并输入前馈网络进行特征提取；最后，加入残差连接，并在整合前馈网络输出值后输出最终获得的空间张量。其中，所述空间属性值向量包括：query空间向量、key空间向量和value空间向量。
[0013]时间Transformer模块对数据处理的步骤进一步包括：首先，根据时空Transformer模块输出的空间张量计算每个小区域中所对应的时间属性值向量；其次，计算获取时间自注意力的权重；再次，通过计算自注意力权重与值向量的加权和，得到小区域时间Transformer中每一个头部的编码；从次，将头部编码串联起来并输入前馈网络进行特征提取；最后，加入残差连接，并在整合前馈网络输出值后输出最终获得的时间张量。其中，所述时间属性值向量包括：query时间向量、key时间向量和value时间向量。
[0014]针对现有技术中采用全局区域要素作为预测模型的输入，输出全局区域标签的技术方案，通过局部到局部的数据处理方案，克服特征维度爆炸的问题，另外通过将自注意力机制从时间、空间数据扩展到时空数据，有效地提取时空特征，在满足局部依赖的前提下，实现对未来数据的预测，以及模型预测准确度的提高。
[0015]在第一方面的一些可实现方式中，预测模型的融合层位于时空Transformer模块之后，用于将环境因素嵌入到时空Transformer提取的时空特征中；具体的，利用两个全连接层对环境数据进行特征提取，获得环境因素，随后通过融合层将环境因素嵌入到时空Transformer提取的时空特征中，从而获得融合后的数据张量，最后，基于融合层的输出进行预测，并输出预测的结果。
[0016]在第一方面的一些可实现方式中，预测模型的预测层包括：卷积层和一个全连接层；其中，预测层基于融合层的输出结果进行数据预测，获得局部区域的预测值，针对预测
结果的精准度，采用区域重叠取平均的措施进行最终预测值的获取；具体的，预测模型输出大量的特征张量，随后转换为局部小区域映射，针对重叠部分的区域则对应有重叠的映射，通过取平均值的措施获取最终的区域预测值，进而获得最终的渔情预测状况，并作为后续决策的依据。
[0017]通过重叠区域取平均值的策略，不仅提高了预测的准确度，同时还增强了预测的性能，有效提高预测模型的准确度和鲁棒性。
[0018]第二方面，提出一种基于蜂窝网格集成机制与时空Transformer的渔情预测系统，该系统具体包括：传感器，用于采集待研究区域内的传感数据；数据预处理模块，用于接收传感器采集到的传感数据并进行数据处理；区域划分模块，用于构建规则且大小相等的小区域，以及利用所述小区域对待进行研究的区域进行划分；预测模型，用于对经过数据预处理模块处理后的数据进行数据分析，并将分析结果输出；所述预测模型包括：一个位置嵌入层、堆叠的时空Transformer模块、数据融合层和预测层；其中所述时空Transformer模块根据应用需求进行堆叠，用于提取时间和空间上的依赖关系，进一步包括：空间Transformer模块和时间Transform本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于蜂窝网格集成机制与时空Transformer的渔情预测方法，其特征在于，具体包括以下步骤：步骤1、根据需求选择海洋中待进行渔情预测的区域；步骤2、构建规则且大小相等的小区域，利用所述小区域对待进行渔情预测的区域进行划分；步骤3、获取待进行渔情预测区域的渔船轨迹与海洋环境遥感数据，并进行数据预处理；步骤4、利用聚类算法对预处理后的数据进行分析，获取渔船作业时的捕鱼轨迹点；步骤5、将所述轨迹点映射到所述小区域中，结合时间与空间维度，获得表示渔情状况的数据；步骤6、构建预测模型，接收所述表示渔情状况的数据以及海洋环境数据，并输出预测结果；步骤7、通过数据集成策略整合所述预测结果，获得最终的渔情预测状况，并输出。2.根据权利要求1所述的一种基于蜂窝网格集成机制与时空Transformer的渔情预测方法，其特征在于，所述小区域为具有各向同性特征的正六边形网格，呈现蜂窝网格状。3.根据权利要求1所述的一种基于蜂窝网格集成机制与时空Transformer的渔情预测方法，其特征在于，采用局部到局部的预测措施，将小区域及其附近区域中的数据输入预测模型中进行分析处理；进一步的，基于划分出的小区域，在待进行渔情预测的区域内数据映射为小区域内的数据向量后，将对应的小区域数据向量转换为一个便于被神经网络接收的二维张量，输入预测模型进行分析处理。4.根据权利要求1所述的一种基于蜂窝网格集成机制与时空Transformer的渔情预测方法，其特征在于，所述预测模型包括：一个位置嵌入层、堆叠的时空Transformer模块、数据融合层和预测层；其中所述时空Transformer模块根据应用需求进行堆叠，用于提取时间和空间上的依赖关系，进一步包括：空间Transformer模块和时间Transformer模块。5.根据权利要求4所述的一种基于蜂窝网格集成机制与时空Transformer的渔情预测方法，其特征在于，所述空间Transformer模块对数据处理的步骤进一步包括：首先，计算每个小区域中所对应的空间属性值向量；其次，计算获取空间自注意力的权重；再次，通过计算自注意力权重与值向量的加权和，得到小区域空间Transformer中每一个头部的编码；从次，将头部编码串联起来并输入前馈网络进行特征提取；最后，加入残差连接，并在整合前馈网络输出值后输出最终获得的空间张量；其中，所述空间属性值向量包括：query空间向量、key空间向量和value空间向量。6.根据权利要求4所述的一种基于蜂窝网格集成机制与时空Transformer的渔情预测方法，其特征在于，所述时间Transformer模块对数据处理的步骤进一步包括：首先，根据时空Transformer模块输出的空间张量计算每个...
【专利技术属性】
技术研发人员：刘玉海，孙允超，苏海涛，张建一，宋怀明，
申请(专利权)人：中科曙光南京研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。