【技术实现步骤摘要】
本专利技术属于海洋监测设备领域，尤其涉及一种基于混合神经网络预测模型的漂流浮标轨迹预测方法。
技术介绍
1、表层漂流浮标是一种漂浮于海洋表面的投弃式设备，其随海水漂移对海洋水文气象环境信息进行实时全天候连续观测，收集大范围的风、温度、湿度、气压、降水、海流、生态、海水目标等数据。
2、漂流浮标轨迹预测具有非常重要的应用价值，在浮标投放前，对浮标漂流轨迹进行模拟能够指导浮标投放，以便选择更有价值、更有意义的位置投放浮标，达到精准观测的目的。在浮标投放后，对浮标的漂流轨迹进行预测准确估算浮标到达目的海域的概率和时间，可以对浮标部署价值进行评估。因此，漂流浮标轨迹预测能够提高漂流浮标时空监测效率，对于海洋科学领域专家、数据专家和设备维护者都具有非常重要的意义和使用价值。
3、采用机器学习技术挖掘海洋环境之间复杂的关联关系，对浮标的漂移轨迹进行人工智能推理，逐渐成为一种新的技术方向，在海洋工程领域具有非常广阔的前景。但是，单一结构的神经网络模型难以实现浮标轨迹的准确预测，漂流轨迹预测面临以下挑战：1）如何根据海洋环境要素的时序特征、空间变化特征以及浮标自身的历史轨迹信息准确地预测海洋漂流浮标的轨迹；2）如何有机融合各种神经网络模型的优势，建立具有时空特征提取和长时序预测分析的混合式机器学习模型，并将应用于漂流浮标轨迹预测。
4、鉴于此，如何设计一种减少室内空间占用量并提高用户体验性的热水器技术是本专利技术所要解决的技术问题。
技术实现思路
1、本专利技术
2、为达到上述技术目的，本专利技术采用以下技术方案实现：
3、在一个方面，本专利技术提供了一种基于混合神经网络预测模型的漂流浮标轨迹预测方法，包括：
4、s1，获取同时空范围海洋环境数据以及漂流浮标历史轨迹数据；
5、s2，对获取的所述海洋环境数据和所述漂流浮标历史轨迹数据进行预处理，然后计算得到所述漂流浮标北向速度预测所需的输入数据与东向速度预测所需的输入数据；
6、s3，将所述漂流浮标北向速度预测与东向速度预测所需的输入数据分别注入混合神经网络预测模型，得到所述漂流浮标的北向速度预测值与东向速度预测值；
7、s4，根据所述漂流浮标的北向速度预测值与东向速度预测值计算得到所述漂流浮标的轨迹点经纬度坐标；
8、s5，采用s1-s4所述步骤，按照时间顺序预测所述漂流浮标未来多个时间点的轨迹点经纬度坐标，得到轨迹点坐标序列，实现所述漂流浮标在未来一段时间内的轨迹预测。
9、如上所述的基于混合神经网络预测模型的漂流浮标轨迹预测方法，所述步骤s1中海洋环境数据包括波浪、水温、表层海流、剖面海流以及海面高度预报值。
10、如上所述的基于混合神经网络预测模型的漂流浮标轨迹预测方法，所述步骤s2中预处理包括缺失数据填补、数据上采样、空间插值、数据时空对齐以及归一化计算。
11、如上所述的基于混合神经网络预测模型的漂流浮标轨迹预测方法，所述步骤s2中处理所述漂流浮标历史轨迹数据得到所述漂流浮标北向速度预测所需的输入数据与东向速度预测所需的输入数据包括：
12、根据所述漂流浮标历史轨迹数据中的历史轨迹点经纬度坐标计算出所述漂流浮标的漂移速度，然后通过所述漂移速度得到每个所述漂流浮标的北向速度和东向速度，再分别与s1中所述海洋环境数据相组合形成漂流浮标北向速度预测所需的输入数据与东向速度预测所需的输入数据。
13、如上所述的基于混合神经网络预测模型的漂流浮标轨迹预测方法，所述步骤s3中混合神经网络预测模型包括：
14、输入层，其提取所述海洋环境数据和所述漂流浮标的北向速度与东向速度历史数据形成样本数据；
15、卷积神经网络层，对所述输入层输入的样本数据进行特征提取；
16、双向门控循环单元层，对所述卷积神经网络层输入的数据进行时序特征提取；
17、注意力机制层，对所述双向门控循环单元层输入的数据聚焦浮标漂移关键影响因素；
18、扁平层，降低所述注意力机制层输出的数据的维度；
19、全连接层，接收所述扁平层处理后的数据，通过计算得到所述浮标的东向速度和北向速度。
20、如上所述的基于混合神经网络预测模型的漂流浮标轨迹预测方法，所述样本数据包括样本特征和样本标签，所述样本特征包括已经完成时空对齐的所述海洋环境数据和所述浮标历史漂移速度；所述样本标签包括所述样本特征对应的所述浮标历史漂移速度。
21、如上所述的基于混合神经网络预测模型的漂流浮标轨迹预测方法，所述卷积神经网络层对所述输入层输入的样本数据进行特征提取的过程如下所示：
22、；
23、其中，f表示卷积核的行数和列数；表示所述样本数据第l层第i行第j列的值，表示所述样本数据卷积核第k行第m列的权重值，表示激活函数，表示所述样本数据第l-1层第i+k行第j+m列的值。
24、如上所述的基于混合神经网络预测模型的漂流浮标轨迹预测方法，所述双向门控循环单元层对所述卷积神经网络层输入的数据进行时序特征提取的过程如下所示：
25、；
26、其中，表示所述双向门控循环单元层的输出结果，表示所述更新门的输出结果；表示t-1时刻的隐藏状态；表示候选状态。
27、如上所述的基于混合神经网络预测模型的漂流浮标轨迹预测方法，所述注意力机制层对所述双向门控循环单元层输入的数据聚焦浮标漂移关键影响因素的过程如下所示：
28、；
29、其中，s表示所述注意力机制层的输出结果；表示所述双向门控循环单元层的输出结果，即输入所述注意力机制层的数据；表示的权重。
30、如上所述的基于混合神经网络预测模型的漂流浮标轨迹预测方法，所述步骤s5中计算得到所述漂流浮标的经纬度坐标和轨迹点序列包括：
31、对所述漂流浮标的北向速度与东向速度预测数据使用最大最小值标准化方法进行反归一化计算得出所述漂流浮标的实际北向速度和东向速度，然后计算出所述漂流浮标的漂移速度和矢量，并通过四阶龙格-库塔时间积分计算得到所述漂流浮标的漂移距离，最后通过地球球面计算，得到所述漂流浮标的轨迹点经纬度坐标和轨迹点序列，所述轨迹点序列即为所述漂流浮标的预测轨迹。
32、与现有技术相比，本专利技术的优点和积极效果是：相较于单一结构的神经网络模型，本专利技术通过使用混合神经网络预测模型对漂流浮标的漂流轨迹进行预测，实现了海洋环境数据时空特征的提取与挖掘，提高了模型的泛化能力和漂流浮标轨迹预测的准确度，能够有效避免梯度爆炸和梯度消失，可以解决基于大规模海洋环境数据的表层漂流浮标非线性轨迹预测问题，具有较强的健壮性。
本文档来自技高网...【技术保护点】
1.一种基于混合神经网络预测模型的漂流浮标轨迹预测方法，其特征在于，包括：
2.根据权利要求1所述的基于混合神经网络预测模型的漂流浮标轨迹预测方法，其特征在于，所述步骤S1中海洋环境数据包括波浪、水温、表层海流、剖面海流以及海面高度预报值。
3.根据权利要求1所述的基于混合神经网络预测模型的漂流浮标轨迹预测方法，其特征在于，所述步骤S2中预处理包括缺失数据填补、数据上采样、空间插值、数据时空对齐以及归一化计算。
4.根据权利要求1所述的基于混合神经网络预测模型的漂流浮标轨迹预测方法，其特征在于，所述步骤S2中处理所述漂流浮标历史轨迹数据得到所述漂流浮标北向速度预测所需的输入数据与东向速度预测所需的输入数据包括：
5.根据权利要求1所述的基于混合神经网络预测模型的漂流浮标轨迹预测方法，其特征在于，所述步骤S3中混合神经网络预测模型包括：
6.根据权利要求5所述的基于混合神经网络预测模型的漂流浮标轨迹预测方法，其特征在于，所述样本数据包括样本特征和样本标签，所述样本特征包括已经完成时空对齐的所述海洋环境数据和所述浮标历史漂移
7.根据权利要求5所述的基于混合神经网络预测模型的漂流浮标轨迹预测方法，其特征在于，所述卷积神经网络层对所述输入层输入的样本数据进行特征提取的过程如下所示：
8.根据权利要求7所述的基于混合神经网络预测模型的漂流浮标轨迹预测方法，其特征在于，所述双向门控循环单元层对所述卷积神经网络层输入的数据进行时序特征提取的过程如下所示：
9.根据权利要求8所述的基于混合神经网络预测模型的漂流浮标轨迹预测方法，其特征在于，所述注意力机制层对所述双向门控循环单元层输入的数据聚焦浮标漂移关键影响因素的过程如下所示：
10.根据权利要求1所述的基于混合神经网络预测模型的漂流浮标轨迹预测方法，其特征在于，所述步骤S5中计算得到所述漂流浮标的经纬度坐标和轨迹点序列包括：
...【技术特征摘要】
1.一种基于混合神经网络预测模型的漂流浮标轨迹预测方法，其特征在于，包括：
2.根据权利要求1所述的基于混合神经网络预测模型的漂流浮标轨迹预测方法，其特征在于，所述步骤s1中海洋环境数据包括波浪、水温、表层海流、剖面海流以及海面高度预报值。
3.根据权利要求1所述的基于混合神经网络预测模型的漂流浮标轨迹预测方法，其特征在于，所述步骤s2中预处理包括缺失数据填补、数据上采样、空间插值、数据时空对齐以及归一化计算。
4.根据权利要求1所述的基于混合神经网络预测模型的漂流浮标轨迹预测方法，其特征在于，所述步骤s2中处理所述漂流浮标历史轨迹数据得到所述漂流浮标北向速度预测所需的输入数据与东向速度预测所需的输入数据包括：
5.根据权利要求1所述的基于混合神经网络预测模型的漂流浮标轨迹预测方法，其特征在于，所述步骤s3中混合神经网络预测模型包括：
6.根据权利要求5所述的基于混合神经网络预测模型的漂流浮标轨迹预测方法，其...
【专利技术属性】
技术研发人员：宋苗苗，扈威，刘世萱，张继明，付晓，李文庆，郑珊珊，张可可，苗斌，
申请(专利权)人：山东省科学院海洋仪器仪表研究所，
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。