本發(fā)明涉及時序預測技術，尤其涉及一種基于遞歸神經網絡的海洋環(huán)境時序預測方法及系統(tǒng)。

背景技術：

1、海洋環(huán)境時序預測在海洋災害預警、海洋資源管理、海洋工程規(guī)劃等領域具有重要的應用價值。傳統(tǒng)的海洋環(huán)境時序預測方法主要包括統(tǒng)計學方法和數值模式方法。統(tǒng)計學方法如自回歸移動平均模型(arma)、季節(jié)性自回歸差分移動平均模型(sarima)等,通過建立變量之間的統(tǒng)計關系來進行預測,但難以刻畫海洋環(huán)境中的非線性動力學特征。數值模式方法如海洋環(huán)流模型、波浪模型等,通過求解流體動力學方程來模擬海洋環(huán)境的演變過程,但受限于模型參數的不確定性和計算資源的限制,難以實現(xiàn)高精度的長期預測。

技術實現(xiàn)思路

1、本發(fā)明實施例提供一種基于遞歸神經網絡的海洋環(huán)境時序預測方法及系統(tǒng)，至少能夠解決現(xiàn)有技術中部分問題。

2、本發(fā)明實施例的第一方面，

3、提供一種基于遞歸神經網絡的海洋環(huán)境時序預測方法，包括：

4、獲取海洋環(huán)境歷史觀測數據，對所述海洋環(huán)境歷史觀測數據進行預處理，去除其中的異常值和缺失值，所述海洋環(huán)境歷史觀測數據包括海表溫度、海表鹽度、海表密度、海表高度、洋流速度、洋流方向和風速中的至少兩種；其中，所述海洋環(huán)境歷史觀測數據為時間序列數據，包括多個時間步的觀測數據；

5、根據預處理后的海洋環(huán)境歷史觀測數據，構建遞歸神經網絡模型，所述遞歸神經網絡模型包括輸入層、兩個堆疊的長短期記憶網絡lstm層和輸出層；其中，所述輸入層用于接收當前時刻的觀測數據，依次傳遞至兩個lstm層，每個lstm層包括多個lstm單元，每個lstm單元基于門控機制實現(xiàn)，所述兩個lstm層的輸出結果拼接后傳遞至所述輸出層，所述輸出層采用全連接層結構，通過激活函數實現(xiàn)非線性變換，輸出下一時刻的預測數據；

6、獲取當前時刻的海洋環(huán)境觀測數據，對當前時刻的海洋環(huán)境觀測數據進行預處理操作后，將其輸入至訓練后的遞歸神經網絡模型中；通過遞歸神經網絡模型，預測未來多個時間步的海洋環(huán)境數據，得到預設時間內的海洋環(huán)境預測結果；根據海洋環(huán)境預測結果，識別海洋環(huán)境變化的熱點區(qū)域，生成表示預測時間段內海洋環(huán)境的動態(tài)變化規(guī)律的可視化結果。

7、在一種可選的實施方式中，

8、對所述海洋環(huán)境歷史觀測數據進行預處理，包括：

9、對所述海洋環(huán)境歷史觀測數據中的每個觀測指標進行數據清洗,通過計算所述觀測指標的均值和標準差,識別出偏離均值正負三倍標準差范圍的異常值,并采用異常值前后時刻的平均值替換所述異常值,得到去除異常值的觀測指標數據；

10、對所述去除異常值的觀測指標中的缺失值進行插值,通過計算所述缺失值前后的有效觀測值,利用三次樣條插值方法估計所述缺失值,得到無缺失值的觀測指標數據；

11、對所述無缺失值的觀測指標進行歸一化處理,通過計算每個觀測指標的0.05分位數和0.95分位數作為該觀測指標的最小值和最大值,將每個觀測指標映射到0到1的區(qū)間內,得到歸一化后的觀測數據；

12、基于時間尺度分析和交叉驗證的方法確定最優(yōu)的時間窗口大小和預測時間跨度,采用滑動時間窗口的方式,以所述最優(yōu)的時間窗口大小為窗口對所述歸一化后的觀測數據進行重構,每個訓練樣本由連續(xù)的多個時刻的觀測數據作為輸入,以所述最優(yōu)的預測時間跨度為跨度的觀測數據作為輸出,得到重構后的觀測數據集，所述重構后的觀測數據集為預處理后的海洋環(huán)境歷史觀測數據。

13、在一種可選的實施方式中，

14、基于時間尺度分析和交叉驗證的方法確定最優(yōu)的時間窗口大小和預測時間跨度，包括：

15、對每個所述海洋環(huán)境要素的時間序列進行時間尺度特性分析,利用自相關分析識別所述時間序列的周期性成分,利用偏自相關分析確定所述時間序列的最優(yōu)滯后階數,利用小波分析和奇異譜分析獲得所述時間序列在不同頻率成分上的能量分布,綜合分析結果確定每個所述海洋環(huán)境要素的時間窗口大小候選值；根據實際預測需求,確定預測時間跨度的候選值；

16、采用交叉驗證方法評估不同時間窗口大小和預測時間跨度候選值組合下的預測模型性能,所述交叉驗證方法為k折交叉驗證、留一法交叉驗證和時間序列交叉驗證中的任一項；所述k折交叉驗證將觀測數據隨機分為k個子集,每次選擇一個子集作為驗證集,其余子集作為訓練集,訓練所述預測模型并在所述驗證集上評估模型性能,重復k次后取性能評估指標的平均值作為當前候選值組合下的性能得分；所述留一法交叉驗證每次只將一個樣本作為驗證集,其余樣本作為訓練集,重復n次直到每個樣本都被用作一次驗證集,取性能評估指標的平均值作為當前候選值組合下的性能得分,其中n為樣本總數；所述時間序列交叉驗證采用向前滾動的時間序列分割方式,依次將觀測數據分為訓練集和驗證集,每次向前滾動一個時間步,重復進行直到覆蓋整個時間范圍,取性能評估指標的平均值作為當前候選值組合下的性能得分；

17、采用網格搜索和隨機搜索相結合的策略,搜索所述候選值組合空間,對每個所述候選值組合進行所述交叉驗證,得到其性能得分；選擇所述性能得分最優(yōu)的候選值組合,確定最優(yōu)的時間窗口大小和預測時間跨度。

18、在一種可選的實施方式中，

19、根據預處理后的海洋環(huán)境歷史觀測數據，構建遞歸神經網絡模型，包括：

20、遞歸神經網絡模型的輸入層接收經過當前時刻的預處理后的海洋環(huán)境歷史觀測數據，將接收到的海洋環(huán)境歷史觀測數據傳遞至所述兩個堆疊的lstm層；

21、所述兩個堆疊的lstm層中的每一層均包括多個lstm單元，所述多個lstm單元通過門控機制實現(xiàn)對所述海洋環(huán)境歷史觀測數據中長期依賴關系的自適應學習和記憶，每一個所述lstm單元包括輸入門、遺忘門、輸出門和細胞狀態(tài)，所述輸入門根據當前時刻的輸入和上一時刻的隱藏狀態(tài)控制當前時刻的輸入信息更新到細胞狀態(tài)中的比例，所述遺忘門根據當前時刻的輸入和上一時刻的隱藏狀態(tài)控制上一時刻的細胞狀態(tài)需要遺忘的比例，所述輸出門根據當前時刻的輸入和上一時刻的隱藏狀態(tài)控制當前時刻的細胞狀態(tài)輸出到隱藏狀態(tài)的比例，所述細胞狀態(tài)用于存儲長期記憶信息并控制記憶信息的累加和遺忘；

22、所述兩個堆疊的lstm層中位于最后一層的lstm層的輸出結果傳遞至所述輸出層，所述輸出層通過全連接層將所述最后一層lstm層的輸出映射到與預測目標維度一致的輸出空間，并通過激活函數實現(xiàn)非線性變換，生成下一時刻的海洋環(huán)境預測數據。

23、在一種可選的實施方式中，

24、所述多個lstm單元通過門控機制實現(xiàn)對所述海洋環(huán)境歷史觀測數據中長期依賴關系的自適應學習和記憶，包括：

25、所述輸入門通過接收當前時刻的輸入和上一時刻的隱藏狀態(tài),結合對歷史隱藏狀態(tài)序列進行加權求和得到的注意力權重,并使用sigmoid激活函數生成控制當前輸入信息更新到細胞狀態(tài)中比例的門控信號；

26、所述遺忘門通過接收當前時刻的輸入和上一時刻的隱藏狀態(tài),并在門控計算中引入正弦和余弦函數對時間周期性信息進行編碼,利用sigmoid激活函數生成控制上一時刻細胞狀態(tài)需要遺忘比例的門控信號；

27、所述輸出門通過接收當前時刻的輸入和上一時刻的隱藏狀態(tài),結合由當前輸入和上一時刻隱藏狀態(tài)計算得到的候選隱藏狀態(tài),引入門控遞歸單元中的更新門機制,并使用sigmoid激活函數生成控制當前細胞狀態(tài)輸出到隱藏狀態(tài)比例的門控信號；

28、更新細胞狀態(tài),通過綜合當前時刻的候選細胞狀態(tài)、遺忘門的門控信號和輸入門的門控信號,對上一時刻的細胞狀態(tài)進行更新,實現(xiàn)對長期記憶信息的選擇性保留和更新；所述候選細胞狀態(tài)通過使用當前時刻的輸入和上一時刻的隱藏狀態(tài),并應用tanh激活函數進行計算獲得,作為潛在的細胞狀態(tài)更新；

29、基于所述lstm單元的結構,構建多層長短期記憶網絡模型。

30、在一種可選的實施方式中，

31、根據海洋環(huán)境預測結果，識別海洋環(huán)境變化的熱點區(qū)域，生成表示預測時間段內海洋環(huán)境的動態(tài)變化規(guī)律的可視化結果，包括：

32、將海洋環(huán)境預測結果中每個網格點上的時間序列視為獨立信號,采用小波變換對每個網格點的時間序列進行時頻分解,提取每個網格點上海洋環(huán)境要素變化的主導周期和關鍵時間點,得到不同尺度下的時頻譜系數；

33、將所有網格點的小波譜系數構成高維譜矩陣,采用動態(tài)時間規(guī)整dtw距離度量網格點之間在時間維度上的相似程度,得到時空相似性矩陣；對所述時空相似性矩陣進行譜分解,通過分析特征值的分布,自適應地確定聚類的最優(yōu)數目,將前k個最大特征值對應的特征向量作為網格點的低維嵌入坐標；將所述網格點的低維嵌入坐標輸入到k-means聚類算法中,得到海洋環(huán)境變化熱點區(qū)域的聚類結果,每一類聚類對應于一個熱點區(qū)域；

34、將所述聚類結果重新映射回地理空間,以每個聚類的內部網格點的地理坐標的平均值為該聚類在地理空間上的代表點,以聚類內部網格點的地理坐標的標準差為半徑,繪制熱點區(qū)域的空間分布圖,根據每個熱點區(qū)域內部海洋環(huán)境變化的平均趨勢或極端程度設定熱點區(qū)域的顏色或填充模式,生成表示預測時間段內海洋環(huán)境的動態(tài)變化規(guī)律的可視化結果。

35、在一種可選的實施方式中，

36、將所有網格點的小波譜系數構成高維譜矩陣,采用動態(tài)時間規(guī)整dtw距離度量網格點之間在時間維度上的相似程度,得到時空相似性矩陣，包括：

37、利用互信息準則對所述高維譜矩陣進行特征選擇,篩選出對相似性度量貢獻最大的譜系數子集,優(yōu)化譜矩陣的信息表示；針對任意兩個網格點,提取其優(yōu)化后的小波譜系數序列,通過計算不同時頻分量之間的馬氏距離構建局部距離矩陣,考慮時頻分量間的相關性；

38、在所述局部距離矩陣上,利用帶寬約束的動態(tài)規(guī)劃算法搜索兩個小波譜系數序列之間的最優(yōu)非線性對齊路徑,引入徑向基核函數對原始累積距離進行非線性變換,增強動態(tài)時間規(guī)整距離的魯棒性；其中，根據海洋環(huán)境要素的物理特性,自適應確定所述最優(yōu)對齊路徑搜索過程中的帶寬約束參數；

39、計算所有網格點對之間在各個時間尺度下的動態(tài)時間規(guī)整距離矩陣；構建時空數據質量評價函數,根據不同時間尺度下距離矩陣的可信度,確定各時間尺度的融合權重,生成時空相似性矩陣；其中利用正則化項對所述融合權重進行約束并根據先驗知識對時空相似性矩陣進行局部調整。

40、本技術實施例的第二方面，

41、提供基于遞歸神經網絡的海洋環(huán)境時序預測系統(tǒng)，包括：

42、第一單元，用于獲取海洋環(huán)境歷史觀測數據，對所述海洋環(huán)境歷史觀測數據進行預處理，去除其中的異常值和缺失值，所述海洋環(huán)境歷史觀測數據包括海表溫度、海表鹽度、海表密度、海表高度、洋流速度、洋流方向和風速中的至少兩種；其中，所述海洋環(huán)境歷史觀測數據為時間序列數據，包括多個時間步的觀測數據；

43、第二單元，用于根據預處理后的海洋環(huán)境歷史觀測數據，構建遞歸神經網絡模型，所述遞歸神經網絡模型包括輸入層、兩個堆疊的長短期記憶網絡lstm層和輸出層；其中，所述輸入層用于接收當前時刻的觀測數據，依次傳遞至兩個lstm層，每個lstm層包括多個lstm單元，每個lstm單元基于門控機制實現(xiàn)，所述兩個lstm層的輸出結果拼接后傳遞至所述輸出層，所述輸出層采用全連接層結構，通過激活函數實現(xiàn)非線性變換，輸出下一時刻的預測數據；

44、第三單元，用于獲取當前時刻的海洋環(huán)境觀測數據，對當前時刻的海洋環(huán)境觀測數據進行預處理操作后，將其輸入至訓練后的遞歸神經網絡模型中；通過遞歸神經網絡模型，預測未來多個時間步的海洋環(huán)境數據，得到預設時間內的海洋環(huán)境預測結果；根據海洋環(huán)境預測結果，識別海洋環(huán)境變化的熱點區(qū)域，生成表示預測時間段內海洋環(huán)境的動態(tài)變化規(guī)律的可視化結果。

45、本發(fā)明實施例的第三方面，

46、提供一種電子設備，包括：

47、處理器；

48、用于存儲處理器可執(zhí)行指令的存儲器；

49、其中，所述處理器被配置為調用所述存儲器存儲的指令，以執(zhí)行前述所述的方法。

50、本發(fā)明實施例的第四方面，

51、提供一種計算機可讀存儲介質，其上存儲有計算機程序指令，所述計算機程序指令被處理器執(zhí)行時實現(xiàn)前述所述的方法。

52、本技術采用遞歸神經網絡模型,特別是使用多個堆疊的長短期記憶網絡(lstm)層,能夠有效捕捉海洋環(huán)境時序數據中的長期依賴關系和非線性動力學特征,提高了海洋環(huán)境預測的精度。在遞歸神經網絡模型中引入門控機制,通過輸入門、遺忘門和輸出門對信息流進行自適應控制,增強了模型對關鍵時空特征的提取和記憶能力,克服了傳統(tǒng)遞歸神經網絡中的信息遺忘和梯度消失問題。

53、采用多個時間步的觀測數據作為輸入,預測未來多個時間步的海洋環(huán)境數據,實現(xiàn)了長時間尺度的海洋環(huán)境預測,為海洋環(huán)境的中長期演變分析提供了重要依據。通過識別海洋環(huán)境變化的熱點區(qū)域,生成表示預測時間段內海洋環(huán)境動態(tài)變化規(guī)律的可視化結果,直觀呈現(xiàn)了海洋環(huán)境的時空演變特征,為海洋環(huán)境預警、海洋資源管理等提供了直觀、易解釋的決策支持。

54、本發(fā)明提供的基于遞歸神經網絡的海洋環(huán)境時序預測方法,綜合利用了人工智能、數據挖掘、可視化等技術,實現(xiàn)了海洋環(huán)境預測的智能化和精細化,提高了海洋環(huán)境預測的效率和準確性,為海洋環(huán)境保護和開發(fā)提供了重要的技術支撐。本發(fā)明的預測方法具有通用性和可擴展性,不僅適用于海表溫度、海表鹽度等多種海洋環(huán)境要素的預測,還可以根據實際需求靈活調整模型結構和參數,適應不同區(qū)域、不同時空尺度的海洋環(huán)境預測任務。