【技术实现步骤摘要】
融合时空粒度上下文神经网络的海表温度预测方法
[0001]本专利技术涉及深度学习
、
时空序列预测和大气海洋领域,具体涉及一种融合深度学习模型的海表温度预测方法
。
技术介绍
[0002]海表温度是大气海洋领域中一个重要的气候指标,对于气候变化研究
、
海洋生态系统保护以及天气灾害预警等具有重要的意义
。
然而,海表温度的预测一直是一个具有挑战性的任务,因为海洋环流
、
季节变化和长期趋势等因素都对海表温度产生复杂而非线性的影响
。
传统的海表温度预测方法主要基于物理模型和统计方法,这些方法依赖于对海洋环流
、
温度传输过程和海洋动力学等复杂机制的理解
。
然而,由于海洋系统的复杂性和不确定性,传统方法在预测精度和稳定性方面存在一定的局限性
。
[0003]近年来,随着深度学习和时空序列预测方法的发展,融合深度学习模型的海表温度预测方法逐渐引起了研究者的关注
。
深度学习模型可以通过多层次的神经网络结构自动学习复杂的空间和时间依赖关系,能够更好地捕捉海洋环流
、
季节变化和长期趋势等因素对海表温度的影响
。
而时空序列预测方法则可以考虑海洋表面温度的时空分布特征,提高预测的准确性和可靠性
。
技术实现思路
[0004]本专利技术的融合时空粒度上下文神经网络的海表温度预测方法的提出,旨在结合深度学习的强大建模能力和
【技术保护点】
【技术特征摘要】
1.
一种融合时空粒度上下文神经网络的海表温度预测方法,其特征是首先,在循环神经网络
RNN
模型中将细粒度卷积长短期记忆
ST
‑
GCFN
模型作为
RNN
的细胞单元,构成预测模型;然后,训练预测模型;最后,用训练好的模型把新的海表温度数据作为模型的输入,模型的输出即为预测的海表温度;海表温度数据在
ST
‑
GCFN
模型中的处理步骤包括:
1)
将的当前时刻海表温度观测值
x
t
输入
ST
‑
GCFN
模型中;
ST
‑
GCFN
模型结合了
FGCE
模块与卷积长短期记忆模型
ConvLSTM
;
2)x
t
与前一时刻的隐藏状态
H
t
‑1输入到细粒度上下文提取器
FGCE
模块中,经处理分别得到充满时空变化细节的和和
3)
将和分别经过卷积操作,进一步提取它们各自的空间特征,并将所生成的空间特征进行拼接合并操作,获取海表温度数据的历史隐藏信息和此刻输入数据的重要特征的融合特征;
4)
沿着通道维度,对步骤
3)
得到的融合特征进行分割,分别形成遗忘门
f
t
、
输入门
i
t
、
控制门
g
t
和输出门
o
t
;遗忘门
f
t
控制了前一时刻的记忆单元
C
t
‑1中哪些信息应该被遗忘;遗忘门接收前一时刻的隐藏状态
H
t
‑1和当前时刻的输入
x
t
作为输入,经过一个
sigmoid
激活函数,输出的值在0到1之间,表示每个记忆单元元素的保留程度,值为1的元素表示完全保留,值为0的元素表示完全遗忘;输入门
i
t
控制了当前时刻的输入
x
t
和前一时刻的隐藏状态
H
t
‑1对于记忆单元的更新的影响;输入门通过一个
sigmoid
激活函数决定应该更新哪些元素,并使用
tanh
激活函数计算一个候选记忆单元
C
t
;输入门的输出和候选记忆单元的元素逐元素相乘,以控制哪些信息会被写入记忆单元;控制门
g
t
结合了输入门
i
t
的输出和候选记忆单元
C
t
,用于更新记忆单元
C
t
;控制门通过逐元素相加的方式将输入门的输出与候选记忆单元相乘的结果进行组合;控制门通过
tanh
激活函数将结果映射到
‑1到1的范围内,并将其与遗忘门的输出相乘,以控制记忆单元的更新;输出门
O
t
控制了当前时刻的隐藏状态
H
t
的哪些信息应该传递给下一个时间步或最终的输出;输出门接收前一时刻的隐藏状态
H
t
‑1、
当前时刻的输入
x
t
和更新后的记忆单元
C
t
作为输入,经过
sigmoid
激活函数输出一个值在0到1之间的向量;通过将隐藏状态
H
t
与输出门的输出相乘,并经过
tanh
激活函数映射,得到最终的隐藏状态
H
t
;步骤
2)
中,
FGCE
模块嵌有
CBAM
模块,在
FGCE
模块中:首先,由
CBAM
模块对隐藏状态<...
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。