基于信息感知注意力动态协同网络的海洋站风速预报方法技术

本发明专利技术公开了一种基于信息感知注意力动态协同网络的海洋站风速预报方法，包括以下步骤：获取目标海洋站及距目标海洋站预设距离范围内的多个其他海洋站的风速时间序列数据；将获取的多点风速时间序列数据输入预先训练好的基于IALSTM网络的风速预测模型，得到目标海洋站未来设定时段内的风速时间序列预测值。本发明专利技术充分考虑了空间相关性影响，提高了模型的预测精度和效率。预测精度和效率。预测精度和效率。

【技术实现步骤摘要】
基于信息感知注意力动态协同网络的海洋站风速预报方法


[0001]本专利技术涉及海洋站风速预测
，更具体的说是涉及一种基于信息感知注意力动态协同网络的海洋站风速预报方法。

技术介绍

[0002]准确的海洋站风速预报，对于沿海地区防灾减灾、海岸工程等意义重大。现有风速预报技术分为三类：数值模式、数学模型和机器学习。
[0003]数值模式依据大气运动方程和热力方程等一系列偏微分方程描述大气状态，给定初始和边界条件模拟大气(包括风)的变化，其缺点是占用计算资源大，依赖初始和边界场。
[0004]数学模型对风速时间序列建立拟合曲线等数学模型，缺点是精度一般，对于复杂变化无法较好模拟。
[0005]机器学习方法，例如线性回归、随机森林、决策树等，这类方法同样以数据本身作为驱动，学习以往规律预测未来变化。随着技术不断进步，以网络层数深、结构复杂为特征的深度学习算法越来越受到重视，其中RNN(循环神经网络)擅长捕捉时间信号，常用来进行时间序列预测。
[0006]但单一的RNN神经网络也有其缺点，包括1)原始数据中的噪声会损害模型性能；2)容易忽略低权重的信号，从而导致准确率低；3)不易保持预测和原始序列之间的趋势一致性。并且，目前大多数对于风速的预测只单一的评估预测变量自身的属性，忽略了空间相关性的影响。最重要的是，相对于其它温盐、水位、气压、气温等要素，风速影响因素多，变化快，不平稳，导致对其预测较为困难。
[0007]因此，如何提供一种考虑空间相关性影响，提高风速预测精度和效率的基于信息感知注意力动态协同网络的海洋站风速预报方法是本领域技术人员亟需解决的问题。

技术实现思路

[0008]有鉴于此，本专利技术提供了一种基于信息感知注意力动态协同网络的海洋站风速预报方法，充分考虑了空间相关性影响，提高了模型的预测精度和效率。
[0009]为了实现上述目的，本专利技术采用如下技术方案：
[0010]一种基于信息感知注意力动态协同网络的海洋站风速预报方法，包括以下步骤：
[0011]获取目标海洋站及距目标海洋站预设距离范围内的多个其他海洋站的风速时间序列数据；
[0012]将获取的多点风速时间序列数据输入预先训练好的基于IALSTM网络的风速预测模型，得到目标海洋站未来设定时段内的风速时间序列预测值。
[0013]进一步的，在上述一种基于信息感知注意力动态协同网络的海洋站风速预报方法中，所述风速预测模型包括：编码器、解码器和学习层；所述解码器包括：扩展单元、IALSTM模块和多维注意力层；所述解码器的个数与输出的风速时间序列预测值长度一致；
[0014]所述编码器获取其他海洋站的风速时间序列数据，并经嵌入层进行转化后，连同
目标海洋站的风速时间序列数据共同输入至所述IALSTM模块，得到隐藏状态矩阵；
[0015]所述扩展单元对所述隐藏状态矩阵进行实时更新并存储；所述多维注意力层在所述编码器中挑选预测相关信息；所述IALSTM模块使用所述扩展单元存储的隐藏状态矩阵作为辅助信息，并结合已挑选的预测相关信息，对所述隐藏状态矩阵进行解码，得到解码后的隐藏状态矩阵；
[0016]所述学习层使用多层感知器对解码后的隐藏状态矩阵进行计算，得到各所述解码器的预测结果。
[0017]进一步的，在上述一种基于信息感知注意力动态协同网络的海洋站风速预报方法中，所述学习层利用下式计算编码器的预测结果：
[0018][0019]其中，表示编码器i的预测结果；W表示参数矩阵，从风速预测模型训练过程获得；d
i
表示解码后的隐藏状态。
[0020]进一步的，在上述一种基于信息感知注意力动态协同网络的海洋站风速预报方法中，还包括：进行风速预测时，将当前解码器解码的隐藏状态、前一个解码器解码的隐藏状态和编码器的隐藏状态进行关联，并保持动态协同，使输入的风速时间序列数据与输出的风速时间序列预测值序列保持一致。
[0021]进一步的，在上述一种基于信息感知注意力动态协同网络的海洋站风速预报方法中，所述IALSTM模块在长短时记忆网络LSTM的基础上嵌套所述多维注意力层，并引入了融合门单元；所述多维注意力层在所述编码器中挑选与预测相关的权重矢量信息；所述融合门单元挖掘风速时间序列数据中相对较长间隔和延迟的时序变化规律。
[0022]进一步的，在上述一种基于信息感知注意力动态协同网络的海洋站风速预报方法中，所述融合门单元的表达式为：
[0023]i
t
＝σ(W
i
·
[hs
t
‑1,x
t
]+b
i
)
[0024]f
t
＝σ(W
f
·
[hs
t
‑1,x
t
]+b
f
)
[0025]o
t
＝σ(W
o
·
[hs
t
‑1,x
t
]+b
o
)
[0026][0027][0028][0029]其中，i表示输入门，o表示输出门，f表示遗忘门，c表示内部状态，cs表示外部状态，hs表示隐藏状态，W和b分别为对应的权重系数矩阵和偏置项；σ和tanh分别表示sigmoid和双曲正切激活函数；t表示输入数据的序号；表示候选状态；x
t
表示输入数据。
[0030]进一步的，在上述一种基于信息感知注意力动态协同网络的海洋站风速预报方法中，所述风速预测模型输入的风速时间序列数据的长度为24小时，输出的风速时间序列预测值的长度为1、6、12和24小时。
[0031]进一步的，在上述一种基于信息感知注意力动态协同网络的海洋站风速预报方法中，在训练阶段，采用平均绝对误差和均方根误差两个指标对所述风速预测模型的预测精度进行评估；其中，平均绝对误差MAE的计算公式为：
[0032][0033]均方根误差RMSE的计算公式为：
[0034][0035]上式中，y
i
表示预测值，x
i
表示实际值，MAE和RMSE越小，表示预测效果越好。
[0036]进一步的，在上述一种基于信息感知注意力动态协同网络的海洋站风速预报方法中，将所述风速时间序列数据输入所述风速预测模型之前，还包括：对所述风速时间序列数据进行归一化处理。
[0037]经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于信息感知注意力动态协同网络的海洋站风速预报方法，具有以下有益效果：
[0038]1、本专利技术通过采用邻近范围内的多个海洋站风速数据对目标海洋站风速进行预报，充分考虑了空间相关性，使预报精度更高。
[0039]2、本专利技术进行预测时，将当前解码器、前一个解码器和编码器的隐藏状态进行关联融合，保持动态协同，使预测的数值序列与原始输入序列之间的趋势的一致性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于信息感知注意力动态协同网络的海洋站风速预报方法，其特征在于，包括以下步骤：获取目标海洋站及距目标海洋站预设距离范围内的多个其他海洋站的风速时间序列数据；将获取的多点风速时间序列数据输入预先训练好的基于IALSTM网络的风速预测模型，得到目标海洋站未来设定时段内的风速时间序列预测值。2.根据权利要求1所述的一种基于信息感知注意力动态协同网络的海洋站风速预报方法，其特征在于，所述风速预测模型包括：编码器、解码器和学习层；所述解码器包括：扩展单元、IALSTM模块和多维注意力层；所述解码器的个数与输出的风速时间序列预测值长度一致；所述编码器获取其他海洋站的风速时间序列数据，并经嵌入层进行转化后，连同目标海洋站的风速时间序列数据共同输入至所述IALSTM模块，得到隐藏状态矩阵；所述扩展单元对所述隐藏状态矩阵进行实时更新并存储；所述多维注意力层在所述编码器中挑选预测相关信息；所述IALSTM模块使用所述扩展单元存储的隐藏状态矩阵作为辅助信息，并结合已挑选的预测相关信息，对所述隐藏状态矩阵进行解码，得到解码后的隐藏状态矩阵；所述学习层使用多层感知器对解码后的隐藏状态矩阵进行计算，得到各所述解码器的预测结果。3.根据权利要求2所述的一种基于信息感知注意力动态协同网络的海洋站风速预报方法，其特征在于，所述学习层利用下式计算编码器的预测结果：其中，表示编码器i的预测结果；W表示参数矩阵，从风速预测模型训练过程获得；d
i
表示解码后的隐藏状态。4.根据权利要求2所述的一种基于信息感知注意力动态协同网络的海洋站风速预报方法，其特征在于，还包括：进行风速预测时，将当前解码器解码的隐藏状态、前一个解码器解码的隐藏状态和编码器的隐藏状态进行关联，并保持动态协同，使输入的风速时间序列数据与输出的风速时间序列预测值序列保持一致。5.根据权利要求2所述的一种基于信息感知注意力动态协同网络的海洋站风速预报方法，其特征在于，所述IALSTM模块在长短时记忆网络LSTM的基础上嵌套所述多维注意力层，并引入了融合门单元；所述多维注意力层在所述编码器中挑选与预测相关的权重矢量信息；所述融合门单元挖掘风速时间序...

【专利技术属性】
技术研发人员：苗庆生，张艳胜，刘玉龙，郑兵，王凯悦，丁峰，韦广昊，
申请(专利权)人：国家海洋信息中心，
类型：发明
国别省市：