[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

说明书

本发明公开了一种结合注意力机制的区域型海表面温度预测方法，步骤包括：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。本发明将区域内SST整理为一个矩阵，作为一个整体输入到模型中，便于模型提取SST的时间和空间相关性。

技术领域

本发明涉及海表面温度预测领域，特别涉及到一种结合注意力机制的区域型海表面温度预测方法。

背景技术

近年来，海表面温度预测在海洋气象、航海、海洋防灾减灾和海洋渔业等各种海洋相关领域引起了越来越多的关注。至今为止，人们已经提出了许多方法来预测海表面温度(Sea Surface Temperature，SST)，并取得了良好的效果。这些方法主要可分为三类：统计预报方法、数值预报方法和经验预报方法。随着信息采集技术的不断完善，越来越多的SST数据被收集，存储和处理，研究者还对SST的时空特征进行了分析。SST是典型的时间序列数据，因此许多学者将海表面温度预测(Sea Surface Temperature Prediction，SSTP)视为时间序列回归问题，并尝试使用时间序列预测方法来预测SST，以期望能够获得更好的预测效果。

SSTP不仅在理论上重要，而且在许多海洋相关领域都有实际应用。海洋表面单个记录点的历史温度数据，是典型的长时间序列数据。因此许多研究者将SSTP视为一个时间序列回归问题，并将许多时间序列预测方法应用在SSTP。传统时间序列预测模型如自回归(Autoregressive，AR)模型、滑动平均(Moving Average，MA)模型以及自回归滑动平均(Autoregressive Moving Average，ARMA)模型等都是线性模型，并不能满足实际应用的需求，因此研究者不断提出了许多非线性预测方法。神经网络就是一种非线性预测方法，具有极强的非线性拟合能力，目前已有多种不同形式的神经网络用于SSTP。Aparna等人提出了一种人工神经网络，利用当前的SST来预测第二天阿拉伯海东北部的SST，预测模型误差≤±0.5°。长短时记忆网络(Long Short Term Memory，LSTM)是循环神经网络(RecurrentNeural Network，RNN)的一种变体，能解决RNN“梯度消失”的问题，并且对时间序列数据有着较强的建模能力，也已经应用于SSTP，取得了显著的效果。除了神经网络之外，支持向量机(Support Vector Machines，SVM)也用于时间序列预测。Lins等人考虑到SST变化的季节性以及季节内变化的规律，从浮标数据中获取SST的曲率和斜率信息，利用SVM来预测SST。

然而，以上方法均只考虑了SST的时间相关性，而没有考虑SST之间的空间相关性，因此在预测SST时使得大量的信息会丢失；其次，在预测SST时，未体现出历史SST对要预测的SST的不同影响，使得模型不够全面，最终预测精度不高。

发明内容

本发明的目的在于针对现有技术中的不足，提供一种结合注意力机制的区域型海表面温度预测方法，以解决上述问题。

本发明所解决的技术问题可以采用以下技术方案来实现：

一种结合注意力机制的区域型海表面温度预测方法，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；