[发明专利]一种结合注意力机制的区域型海表面温度预测方法

权利要求书

1.一种结合注意力机制的区域型海表面温度预测方法，其特征在于：包括如下步骤：

1)、将区域内每天的SST数据处理成一个矩阵，依次按时间先后进行排列，构成矩阵序列，作为CA-ConvLSTM模型的输入；

2)、对SST矩阵进行处理，通过卷积层提取各个记录点的分布特征；

3)、利用注意力机制为获得的矩阵特征分配注意力权重，然后将注意力权重乘上对应的矩阵特征，得到加权特征；

4)、最后，将加权特征作为ConvLSTM模型的输入，利用ConvLSTM训练预测模型，最终获得预测结果；

所述SST矩阵卷积是将SST数据整理为长度为|F|的数字矩阵序列后，利用卷积对矩阵进行特征提取以用于获取局部特征；卷积操作通过卷积核的移动来完成的，输出矩阵的每一个值就是输入矩阵中每个3×3区域的值与3×3卷积核对应位置的值乘积的和；

所述区域内每天的SST数据处理成一个W·H矩阵，区域内的SST序列F＝F₁，F₂，…，F_|F|，|F|表示SST序列的时间长度，F_i＝W·H为该区域内第i(1≤i≤|F|，i∈Z)天的所有记录点的SST，即一个W·H的矩阵，这些矩阵构成的序列作为CA-ConvLSTM模型的输入；

通过卷积操作得到矩阵特征序列，在预测中，使用k天的SST来预测未来一天或五天的SST，k的取值不同；从第n天开始，这k天的矩阵特征序列为M＝M_n+1，M_n+2，…，M_n+k-1，M_n+k，M_i为第i(n≤i≤n+k，i∈Z)个矩阵特征，即(W-2)·(H-2)的矩阵；

所述CA-ConvLSTM模型自动学习注意力权重的方法如下：

首先通过池化层得到每个矩阵特征的均值，即V＝[v_n+1，v_n+2，…，v_n+k-1，v_n+k]，此时v_i是M_i矩阵中所有数值的平均值；注意力模型Φ的定义如下：

D＝tanh(w*V+b)     (1)

A＝softmaχ(W’*D+b’)   (2)

其中w，b是全连接层的权重和偏置，D是全连接层的输出以及softmax的输入，W’和b’是softmax的权重和偏置，A是softmax的输出，即注意力权重，是一个长度为k的向量，表示为A＝[a_n+1，a_n+2，…，a_n+k-1，a_n+k，]；之后，依次将注意力权重与对应矩阵特征相乘可得到一个新的特征序列，即加权特征序列，表示为N＝N_n+1，N_n+2，…，N_n+k-1，N_n+k，N_i为第i个加权特征，N_i＝a_i*M_i，为一个(W-2)·(H-2)的矩阵；

在矩阵特征序列M进入ConvLSTM模型前，通过注意力机制自动给矩阵特征序列M进行加权，获得加权特征序列N；

所述ConvLSTM的计算公式如下：

i_t＝σ(w_χi*χ_t+w_hi*H_t-1+wci·Ct-1+bi)   (3)

f_t＝σ(w_χf*χ_t+w_hf*H_t-1+wci·Ct-1+bf)   (4)

o_t＝σ(w_χo*χ_t+w_ht*H_t-1+wct·Ct+bt)   (6)

H_t＝o_t·tanh(C_t)      (7)

其中*代表卷积操作，·代表对应相乘，σ是sigmoid激活函数。