一种基于量子卷积长短期记忆（QCNN-LSTM）模型的海上漂浮物轨迹预测方法技术

本发明专利技术针对海上漂浮物进行漂流轨迹预测，该方法为搜寻失事船只和失踪水下机器人提供技术支持。本发明专利技术在量子理论和常用序列预测框架的基础上，提出了一种基于量子理论的量子卷积长短期记忆网络(QCNN‑LSTM)模型，该模型结合了QCNN和LSTM框架来预测海的漂移轨迹，首先在QCNN部分提取空间特征，然后在LSTM部分提取时间特征，使模型在时空预测方面更具优势。同时既保留了QCNN模型的高计算性能，又加入了LSTM模型，使框架具有更高的序列预测能力。此外，数据输入分为两种类型:离散数据输入和带有历史信息的数据输入，增强了模型的适应性，使其对于不同类型的数据都具有精准的预测能力。对比实验表明，QCNN‑LSTM在漂移预测方面具有更高的精度和适应性。

【技术实现步骤摘要】

：本专利技术涉及深度学习领域和海洋相关轨迹预测领域，具体涉及了一种基于qcnn-lstm网络的海上相关漂移轨迹预测方法。

技术介绍

0、
技术介绍
：

1、由于工业化和人口增长，全球资源变得越来越有限。作为21世纪人类生存的重要资源，海洋将对人类和社会进步做出重大贡献。预测海洋漂浮物的轨迹在各个领域都是至关重要的，包括海上安全、环境保护、搜索和救援行动以及海上运输。准确预测溢油、海洋废弃物和漂流船只等漂浮物轨迹的能力对于及时有效地应对海上紧急情况和事件至关重要。例如，在石油泄漏的情况下，准确的轨迹预测可以帮助确定泄漏的潜在环境影响，并计划和实施有效的应对措施。在搜索和救援行动中，轨迹预测可以帮助识别失踪船只或个人的可能位置，并更有效地分配搜索资源。

2、传统的数值方法是预测漂移轨迹的重要手段之一。有研究人员使用拉格朗日模型预测了南海的漂移轨迹。还有的研究了回溯模式中使用的海冰模型nextsim的概率预测能力。nextsim是一个连续的拉格朗日数值模型，它使用粘弹性流变学来模拟冰对外力的响应。有的研究人员建立了海洋漂浮物来源分析的回溯模型本文档来自技高网...

【技术保护点】

1.一种基于量子卷积长短期记忆(QCNN-LSTM)模型的海上漂浮物轨迹预测方法。其特征在于，

2.如权利要求1所述基于量子卷积长短期记忆(QCNN-LSTM)模型的海上漂浮物轨迹预测方法，其特征在于，

3.如权利要求1所述基于量子卷积长短期记忆(QCNN-LSTM)模型的海上漂浮物轨迹预测方法，其特征在于，

4.如权利要求1所述基于量子卷积长短期记忆(QCNN-LSTM)模型的海上漂浮物轨迹预测方法，其特征在于，

5.如权利要求1所述基于量子卷积长短期记忆(QCNN-LSTM)模型的海上漂浮物轨迹预测方法，其特征在于，

6.如...

【技术特征摘要】

1.一种基于量子卷积长短期记忆(qcnn-lstm)模型的海上漂浮物轨迹预测方法。其特征在于，

2.如权利要求1所述基于量子卷积长短期记忆(qcnn-lstm)模型的海上漂浮物轨迹预测方法，其特征在于，

3.如权利要求1所述基于量子卷积长短期记忆(qcnn-lstm)模型的海上漂浮物轨迹预测方法，其特征在于，

4.如权利要求1所述基于量子卷积长短期记忆(qcnn-lst...

【专利技术属性】
技术研发人员：严思瑶，张菁，
申请(专利权)人：济南大学，
类型：发明
国别省市：