一种基于深度强化学习的气候因果发现方法技术

本发明专利技术公开了一种基于深度强化学习的气候因果发现方法，主要由三个模块组成：演员(Actor)模块，评论家(Critic)模块和奖励(Reward)模块。首先通过Actor对输入的气候时间序列数据进行编码，提取其非平稳时序信息，进而生成气候因果关系矩阵；然后利用Reward模块计算所生成的气候因果关系矩阵的奖励值；最后，使用基于前馈神经网络的Critic模块来估计当前编码特征的价值，根据实际获得的价值和奖励，对整个模型进行反向传播并更新参数。该发明专利技术自适应地调整不同部分的权重，GRU和注意力机制的结合有效解决非平稳特征对气候因果图学习的影响。为气候预测和应对气候变化等方面提供了一种新的解决方案，具有广泛的应用前景和重要的社会意义。

【技术实现步骤摘要】

本专利技术涉及气候时间序列数据的因果发现方法，旨在揭示气候变化的原因和机制，以实现气象预测和决策的精准化。针对该目标，设计了一种深度强化学习的气候因果发现方法。

技术介绍

1、气候变化已经成为21世纪人类社会最为严峻的环境问题之一，对于全球的经济、社会和生态系统都产生了极其深远的影响。深入研究气候变化的原因和机制，对于人类应对气候变化具有重要意义。因此，通过从气候时间序列数据中学习因果关系已成为气候学研究中的前沿热点。

2、气候因果发现是指通过对大气、海洋、陆地等环境要素进行长期观测和分析，发现和确认事件、过程和现象之间的因果关系。气候因果关系的探究，能够揭示气候系统中不同部分之间的关系和相互作用，为制定有效的气象应对和决策提供支持。这项技术是气候学科中的一项核心内容，已经成为气候变化研究的重要路线之一。

3、目前，已经涌现出了大量从气候时间序列数据中学习气候因果关系的方法，这些工作大致可以分为两类：传统机器学习(traditional machine learning，tml)方法与深度学习(deep learning，dl)方法本文档来自技高网...

【技术保护点】

1.一种基于深度强化学习的气候因果发现方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于深度强化学习的气候因果发现方法，其特征在于，采用模型生成因果图，并且节点之间的边eij表示变量的因果关系；接下来，然后根据不同给定的SEM生成数据；生成分别具有5，10，20个节点数据集，5，10，20条边，2000个数据点；使用的真实河流径流时间序列数据集是多瑙河上游河流的平均日流量的数据。

3.根据权利要求1所述的一种基于深度强化学习的气候因果发现方法，其特征在于，步骤二中，编码器-解码器的Actor模块从给定的观测气候时间序列数据生成候选因果图；其中编码器...

【技术特征摘要】

1.一种基于深度强化学习的气候因果发现方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于深度强化学习的气候因果发现方法，其特征在于，采用模型生成因果图，并且节点之间的边eij表示变量的因果关系；接下来，然后根据不同给定的sem生成数据；生成分别具有5，10，20个节点数据集，5，10，20条边，2000个数据点；使用的真实河流径流时间序列数据集是多瑙河上游河流的平均日流量的数据。

3.根据权利要求1所述的一种基于深度强化学习的气候因果发现方法，其特征在于，步骤二中，编码器-解码器的actor模块从给定的观测气候时间序列数据生成候选因果图；其中编码器将观测数据映射为一个特征表示，解码器则从特征表示中生成候选因果图；将x表示为气候时间序列输入数据，此数据具有n个变量或地区...

【专利技术属性】
技术研发人员：冀俊忠，王亭，刘金铎，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：