[发明专利]一种基于STL-NN模型的海表面温度预测算法

说明书

本发明提供一种基于STL‑NN模型的海表面温度预测算法，其包括以下步骤：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。该模型首先通过STL分解出SST的季节分量、趋势分量和剩余分量，确保SST数据的高效利用；在搭建神经网络预测模型时有效结合了LSTM模型的优点，能够利用其较强非线性逼近能力有效的对数据进行建模，最终预测出未来五天内的SST。在充分考虑序列数据特性的前提下，本发明方法不仅可以用于预测SST，在未来还可以推广至其它海洋要素序列数据的预测，具有非常广阔的推广应用前景。

技术领域

本发明涉及信息技术领域，尤其涉及一种基于STL-NN模型的海表面温度预测算法。

背景技术

海洋表面温度(Sea Surface Temperature，简称SST)^[1]不仅是全球大气系统中的一个重要参数，而且对海洋生态系统也有极大的影响。SST是赤潮、厄尔尼诺等海洋灾害发生的关键因子，同时它的变化还可以影响降雨的分布，从而引发洪涝灾害。准确的SST预测结果，为风暴潮、台风、赤潮等海洋灾害的精准预报提供支撑。现有的SSTP预测方法主要分为两类：(1)数值预报法^[2]，需要考虑SST的实际情况，然后在一定的初值和边界条件下，通过数值计算求解方程组来预测未来一定时间的SST；(2)统计预报法^[3]，通过筛选出影响SST的关键因子，再使用统计学方法预测SST。

SST是单要素时间序列数据，SST的预测便可视为一个单要素时间序列回归问题，因此研究者便利用时间序列分析方法来预测SST，期望实现SST高精度预测。由此可知对于SST预测，选择一种合适的时间序列预测方法对预测结果具有非常重要的意义。SST具有周期性、持续性、非平稳性以及非线性等特点，由于现有的时间序列预测模型如自回归(Autoregressive，简称AR)模型^[4]、滑动平均(Moving Average，简称MA)模型^[5]以及自回归滑动平均(Autoregressive Moving Average，简称ARMA)模型^[6]等均是线性模型，无法满足SST预测的实际应用需求，因此研究者逐渐致力于研究非线性预测方法。支持向量机(Support Vector Machines，SVM)^[7]是在1995年由Vapnik提出，该方法适用于处理小样本和非线性问题，具有较好的鲁棒性。Lins等人^[8]将SVM与SST知识相结合来预测热带大西洋的SST，该方法主要侧重于SST的季节性和季节内的变化规律，实验数据为浮标数据，并分别以原始SST序列、SST曲率序列和SST斜率序列三种形式来预测SST，取得了较好的效果。人工神经网络(Artificial Neural Network，简称NN)作为现代人工智能(ArtificialIntelligence，简称AI)的一个重要分支，它具有优良的非线性逼近能力和容错性，在众多领域都有广泛应用,BP神经网络^[9]是目前应用最为广泛的神经网络模型。循环神经网络(Recurrent Neural Networks，简称RNN)^[10]在自然语言处理(Natural LanguageProcessing，简称NLP)中取得了巨大的成功，特别适用于语音识别、语言处理等基于时间序列数据的处理，但在迭代后期会出现“梯度爆炸”的现象。为解决RNN长时依赖的问题，Hochreiter和Schmidhuber^[11]在1997年提出了长短期记忆网络(Long Short-TermMemory，简称LSTM)，通过增加门机制从而解决了