本发明专利技术提供一种基于深度学习的海水温度预测方法，该方法通过选取计算每个环境参数与海水表面温度值之间的相关度，根据相关度筛选出影响海水表面温度值的特征参数并将其作为海水温度预测神经网络模型的输入层神经元；将历史数据集中特征参数值与下一时刻的海水表面温度值进行对应，构造出训练集和测试集；训练神经网络模型得到网络参数后，输入当前时刻的特征参数，即可获得下一时刻的海水表面温度值；该方法通过客观选取特征参数和优化卷积神经网络结构，提高了预测结果的准确性。
【技术实现步骤摘要】
本专利技术涉及海水温度预测，特别是涉及一种基于深度学习的海水温度预测方法。
技术介绍
1、海水温度预测是海洋环境监测和海洋气候研究中的重要任务。准确地预测海水表面温度对于海洋生态系统管理、海洋资源开发以及海洋灾害预防等具有重要意义。传统的海水温度预测方法主要基于统计模型，依赖于数学统计方法和经验公式。然而，这些方法通常无法捕捉到复杂的非线性关系和时空动态变化的特点，且预测精度较低。
2、深度学习是一种通过多层神经网络进行模式识别和预测的机器学习方法。在海水温度预测中，深度学习可以通过学习大量的历史数据，提取特征并建立复杂的非线性关系模型，从而实现准确的预测。然而，目前基于深度学习的海水温度预测方法仍然存在一些问题，传统的深度学习方法往往忽视了海水温度与环境参数之间的相关性，导致预测结果不准确，训练数据的质量和数量也会对预测结果产生影响。在公开专利中，cn110648030a提供一种海水温度的预测方法，基于训练的神经网络模型，根据海水当前温度和盐度数据得到时间序列最后一个时刻的下一时刻的温度预测值，这种方法人为选取单一特征参数，只考虑了海水盐浓度数据对温度的影响，没有真实反应环境因素对温度的综合影响，使得预测结果具有很大的随机性，且模型结构单一，数据的内在关系不能充分的被模型反映出来。
3、因此，需要提出一种基于深度学习的海水温度预测方法，能够准确地捕捉海水温度与环境参数之间的相关性，并基于合理的模型结构有效的获得预测值，提高模型预测的精度和可靠性。
技术实现思路
1、本专利技术提供一种基于深度学习的海水温度预测方法，采用技术方案如下：
2、一种基于深度学习的海水温度预测方法，所述方法包括以下步骤：
3、步骤一、选取影响海水表面温度值的环境参数，并基于所述环境参数的历史观测值计算每个环境参数与海水表面温度值之间的相关度。
4、步骤二、基于所述相关度，筛选出影响海水表面温度值的特征参数，并将所述特征参数作为海水温度预测神经网络模型的输入层神经元。
5、步骤三、将历史数据集中特征参数值与下一时刻的海水表面温度值进行对应，构造出训练集和测试集。
6、步骤四、将训练集和测试集输入神经网络模型得到网络参数，根据训练好的模型，输入当前时刻的特征参数，即可获得下一时刻的海水表面温度值。
7、进一步的，基于所述环境参数的历史观测值计算每个环境参数与海水表面温度值之间的相关度包括：
8、计算环境参数与海水表面温度值之间的相关度，对于环境参数，海水表面温度值，两者之间的离散分布向量在n时刻表示为，n+1时刻表示为，则所述环境参数与海水表面温度值之间的相关度计算式为：
9、；
10、式中，为概率分布函数；设环境参数与海水表面温度值的联合分布函数表示为，边缘分布函数表示为，则存在一个函数使得：。
11、此时，概率分布函数用函数表示为：
12、；
13、环境参数与海水表面温度值之间的相关度通过函数表示为：
14、；
15、的取值范围是[-1,1]，当相关度为负数时，环境参数与海水表面温度值之间呈负相关，且越接近-1，负相关性越大；当相关度为正数时，环境参数与海水表面温度值之间呈正相关，越接近1，正相关性越大。
16、进一步的，基于所述相关度，筛选出影响海水表面温度值的特征参数，具体包括：设各个环境参数与海水表面温度值之间的相关度序列为：，为环境参数的项数，为第项环境参数与海水表面温度值之间的相关度，；
17、若，则将此项环境参数列为特征参数。
18、进一步的，所述神经网络模型由依次连接的输入层、一维卷积层、池化层、双向门控循环层、dropout层、全连接层以及输出层构成。
19、进一步的，所述一维卷积层对输入的样本数据进行特征提取。
20、进一步的，所述池化层对一维卷积后的数据维度进行简化，将数据传入双向门控循环层。
21、进一步的，所述双向门控循环层利用双向gru 提取特征参数的序列特征，并对海水表面温度值数据进行非线性变换来确定输入与输出数据之间的内在逻辑关系。
22、进一步的，经层进行二次特征提取后的数据，在dropout层中随机丢弃数据的部分节点，以防止发生过拟合并将处理后的数据传入到全连接层，所述全连接层通过非线性组合将输出特征映射到样本的标签空间，经输出层linear回归运算输出海水表面温度值的预测结果。
23、进一步的，所述神经网络模型是通过在卷积神经网络的基础上增加双向门控循环层和dropout层获得；
24、所述双向门控循环层中，假设在训练的时刻，用代表输入层的状态，代表输出层状态，代表在双向 gru 层传递过程中的隐藏层状态，则：
25、；
26、；
27、；
28、式中，代表前向层在单向传递过程中学习到的特征状态，是后向层在单向传递过程中学习到的特征状态；与是前向层、后向层依次到输出层的权值；则代表在输出层中加入的偏置向量。
29、进一步的，将所述神经网络模型输出的预测结果与测试集中的实测数据进行比较，采用拟合度指标来描述模型的预测性能，，当时，满足模型训练停止条件，此时模型的参数即为神经网络模型结构的最优参数，若不满足则使用反向传播算法调整模型的偏差，继续循环。
30、拟合度指标的计算式为：
31、；
32、式中，代表第个样本对应的下一时刻的海水表面温度的实际值，为第个样本对应的下一时刻的海水表面温度的预测值，为海水表面温度的平均值，为样本总数。
33、进一步的，所述步骤三之前还包括：对历史数据集进行预处理，通过线性插值函数对训练集和测试集中的缺失数据进行数据填补。
34、用直线连接相邻时刻的参数坐标形成线性插值函数，记作，若历史数据集中n时刻对应的特征值和海水表面温度值缺失，则会导致训练集和测试集中n-1时刻的参数纵坐标和n时刻的横参数坐标缺失。
35、记训练集和测试集中n-2时刻的坐标值为，n+1时刻的坐标值为，则线性插值函数表示为：
36、；
37、将训练集和测试集中n-1时刻的横坐标参数和n时刻的纵坐标参数分别带入计算式，得到缺失中历史数据集中n时刻对应的坐标值。
38、进一步的，若所述训练集和测试集中n-2时刻的横坐标值为与n+1时刻的横坐标值相等，则历史数据集中n时刻对应的特征值
39、；
40、历史数据集中n时刻对应的海水表面温度值
41、；
42、进一步的，所述特征参数至少包括：海水盐分浓度、海水空气界面二氧化碳通量、空气温度以及海水流速。
43、本专利技术与现有技术相比，其有益效果是：
44、1、本专利技术建立的神经网络模型，通过不断地组合优化，能够使海水表面温度的预测准确率维持在本文档来自技高网
...
【技术保护点】
1.一种基于深度学习的海水温度预测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的深度学习的海水温度预测方法，其特征在于，基于所述环境参数的历史观测值计算每个环境参数与海水表面温度值之间的相关度包括：
3.根据权利要求2所述的深度学习的海水温度预测方法，其特征在于，基于所述相关度，筛选出影响海水表面温度值的特征参数，具体包括：设各个环境参数与海水表面温度值之间的相关度序列为：，为环境参数的项数，为第项环境参数与海水表面温度值之间的相关度，；
4.根据权利要求1所述的一种基于深度学习的海水温度预测方法，其特征在于，所述神经网络模型由依次连接的输入层、一维卷积层、池化层、双向门控循环层、Dropout层、全连接层以及输出层构成；
5.根据权利要求4所述的一种基于深度学习的海水温度预测方法，其特征在于，所述神经网络模型是通过在卷积神经网络的基础上增加双向门控循环层和Dropout层获得；
6.根据权利要求5所述的一种基于深度学习的海水温度预测方法，其特征在于，将所述神经网络模型输出的预测结果与测试集中的实测数据进行比较，采用拟合度指标来描述模型的预测性能，，当时，满足模型训练停止条件，此时模型的参数即为神经网络模型结构的最优参数，若不满足则使用反向传播算法调整模型的偏差，继续循环；
7.根据权利要求1所述的一种基于深度学习的海水温度预测方法，其特征在于，所述步骤三之前还包括：对历史数据集进行预处理，通过线性插值函数对训练集和测试集中的缺失数据进行数据填补；
8.根据权利要求7所述的一种基于深度学习的海水温度预测方法，其特征在于，若所述训练集和测试集中n-2时刻的横坐标值为与n+1时刻的横坐标值相等，则历史数据集中n时刻对应的特征值
9.根据权利要求1所述的一种基于深度学习的海水温度预测方法，其特征在于，所述特征参数至少包括：海水盐分浓度、海水空气界面二氧化碳通量、空气温度以及海水流速。
...
【技术特征摘要】
1.一种基于深度学习的海水温度预测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的深度学习的海水温度预测方法，其特征在于，基于所述环境参数的历史观测值计算每个环境参数与海水表面温度值之间的相关度包括：
3.根据权利要求2所述的深度学习的海水温度预测方法，其特征在于，基于所述相关度，筛选出影响海水表面温度值的特征参数，具体包括：设各个环境参数与海水表面温度值之间的相关度序列为：，为环境参数的项数，为第项环境参数与海水表面温度值之间的相关度，；
4.根据权利要求1所述的一种基于深度学习的海水温度预测方法，其特征在于，所述神经网络模型由依次连接的输入层、一维卷积层、池化层、双向门控循环层、dropout层、全连接层以及输出层构成；
5.根据权利要求4所述的一种基于深度学习的海水温度预测方法，其特征在于，所述神经网络模型是通过在卷积神经网络的基础上增加双向门控循环层和dropout层获得；<...
【专利技术属性】
技术研发人员：王志富，丰卫华，黄宝兴，张海丰，曹静，
申请(专利权)人：自然资源部第二海洋研究所，
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。