[发明专利]一种基于STL-NN模型的海表面温度预测算法

权利要求书

1.一种基于STL-NN模型的海表面温度预测算法，包括以下步骤：

S1.采用基于局部加权回归的周期-趋势分解方法将SST数据T分解为季节项S、趋势项C和余项R；

S2.将分解得到的季节项S、趋势项C和余项R输入到神经网络预测模型中，得到若干天SST数据的预测值；所述神经网络预测模型为采用历史的SST数据训练得到的模型；

步骤S1中，基于局部加权回归的周期-趋势分解方法将SST数据T的序列分解为季节项S、趋势项C和余项R的表达式为：

T_t＝S_t+C_t+R_t(t|0≤t≤|T|,t∈Z)

该过程为迭代过程，每次迭代过程包括内循环以及外循环；在内循环的过程中，更新季节分量S、趋势项C；在外循环的过程中，通过余项R判断是否收敛，若收敛则输出季节分量S、趋势项C和余项R，并停止迭代；

在第i+1次迭代过程中，内循环包括以下步骤：

S101.去趋势：用原始序列T减去在第i次迭代中获得的估计趋势分量以获得周期子序列其表达式为：

S102.周期子序列平滑：用局部加权回归的方式对周期子序列平滑化，获得初步季节分量

S103.平滑周期子序列的低通滤波：使用低通滤波器处理步骤S102中获得的初步季节分量然后利用局部加权回归获得低通值

S104.平滑周期子序列的去趋势，得到季节分量：季节分量是低通值和初步季节分量的差值

S105.去季节性：原始序列T减去季节分量Sⁱ⁺¹获得

S106.利用局部加权回归的方式对平滑化后获得趋势分量

在第i+1次迭代过程中，外循环包括以下步骤：

S111.利用内循环中得到的季节分量S和趋势分量C来计算剩余分量R，其表达式为：R_t＝T_t-S_t-C_t；

S112.寻找剩余分量R中过大的数值，并将其作为异常值；若异常值小于阈值则判断收敛，停止迭代，并输出季节分量S、趋势项C和余项R；否则判断不收敛，并引入稳健性权重，在下一次迭代的内循环过程中采用稳健性权重减小异常值的影响。

2.根据权利要求1所述的一种基于STL-NN模型的海表面温度预测算法，其特征在于，神经网络预测模型包括依次连接的批量标准化层、卷积层、全连接层以及LSTM网络；神经网络预测模型对输入数据进行处理，并得到预测结果的过程包括以下步骤：

S21.将输入的趋势项、季节项和余项作为神经网络预测模型的输入；

S22.利用批量标准化层对数据进行批量归一化；

S23.将批量标准化之后的数据依次经过卷积层以及全连接层；

S24.使用Softmax对全连接层的输出进行处理；

S25.将Softmax的输出结果与卷积层的输出进行Hadamard乘积，并将其作为LSTM网络的输入，并将LSTM网络的输出作为另一个全连接层的输入，该全连接层的输出为神经网络预测模型输出的预测值。