[发明专利]基于注意力机制的GRU深度学习的海洋站表层盐度预测方法

说明书

本发明公开了一种基于注意力机制的GRU深度学习的海洋站表层盐度预测方法，包括如下步骤：获取海洋站表层盐度数据，进行预处理去除错误或缺失数据；对预处理后的表层盐度时间序列数据进行EDM分解，获取IMF分量和剩余量，并进行去噪处理；构建GRU深度学习预测模型，将去噪数据输入GRU深度学习预测模型进行预测，得到最终预测结果。本发明通过获取海洋站的表层盐度数据，利用时间序列挖掘得到的数据信息，提出了一种基于注意力机制的GRU深度学习预测模型，最终得出海洋站表层盐度的预测值，提高了海洋站表层盐度的预测精度和效率。

技术领域

本发明属于海洋站表层盐度预测技术领域，更具体的说是涉及一种基于注意力机制的GRU深度学习的海洋站表层盐度预测方法。

背景技术

海表面盐度是研究大洋环流和海洋对全球气候影响的重要参量，研究其分布和变化规律对了解海洋自身特性以及海洋在海－气这一复杂系统中的作用有着重要意义。海表面盐度的获取也是气象学、生态学、水文学和渔业等其他学科与应用领域重点关注的研究对象，因此海表面盐度的预测越发重要。海洋站表层盐度它不仅反映了海洋环境，还反映了海岸环境的变化及对海洋环境的影响，对海洋站的盐度预测非常重要，但是预测研究非常稀少且精度不足。

因此，如何提供一种基于注意力机制的GRU深度学习的海洋站表层盐度预测方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于注意力机制的GRU深度学习的海洋站表层盐度预测方法，通过获取海洋站的表层盐度数据，利用时间序列挖掘得到的数据信息，提出了一种基于注意力机制的GRU深度学习预测模型，最终得出海洋站表层盐度的预测值，提高了海洋站表层盐度的预测精度和效率。

为了实现上述目的，本发明采用如下技术方案：

一种基于注意力机制的GRU深度学习的海洋站表层盐度预测方法，包括如下步骤：

S1：获取海洋站表层盐度数据，进行预处理去除错误或缺失数据；

S2：对预处理后的表层盐度时间序列数据进行EDM分解，获取IMF分量和剩余量，并进行去噪处理；

S3：构建GRU深度学习预测模型，将去噪数据输入GRU深度学习预测模型进行预测，得到最终预测结果。

优选的，步骤S2中，对表层盐度时间序列数据进行EDM分解的方法为：找出原始时间序列x(t)所有极大值点和极小值点，用三次样条函数分别拟合成上、下包络线，上、下包络线求平均得到平均包络线m₁(t)，将原始时间序列序列x(t)减去该平均包络线，即得到一个去掉低频的新序列h₁(t)：

h₁(t)＝x(t)-m₁(t) (1)

重复上述过程k次，直到所得平均包络线趋于0为止，得到了第1个IMF分量c₁(t)：

c₁(t)＝h₁k(t)-m₁k(t) (2)

将原始序列x(t)减去第1个IMF分量，重复上述分解过程得到第2个IMF分量c₂(t)，以此类推，分解n次得到cn(t)；最后一个无法分解的剩余量记为Res(t)；

而原始时间序列由这些IMF分量和剩余量之和表示：

Res(t)记为噪声数据，将原始时间序列x(t)减去剩余量Res(t)，得到了降噪后的时间序列数据Denoisedx(t)，如下：

Denoisedx(t)＝x(t)-Res(t) (4)。