CN114861530A - 一种enso智能预测方法、装置、设备及存储介质 - Google Patents

一种enso智能预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114861530A
CN114861530A CN202210426383.3A CN202210426383A CN114861530A CN 114861530 A CN114861530 A CN 114861530A CN 202210426383 A CN202210426383 A CN 202210426383A CN 114861530 A CN114861530 A CN 114861530A
Authority
CN
China
Prior art keywords
enso
prediction
neural network
deep neural
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210426383.3A
Other languages
English (en)
Inventor
袁时金
冯新
穆斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202210426383.3A priority Critical patent/CN114861530A/zh
Publication of CN114861530A publication Critical patent/CN114861530A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/25Fusion techniques
    • G06F18/253Fusion techniques of extracted features
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/044Recurrent networks, e.g. Hopfield networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/10Numerical modelling
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种ENSO智能预测方法、装置、设备及存储介质,用于长期ENSO预测,方法包括:基于分段式深度神经网络的ENSO智能预测模型的构建、训练和预测流程和ENSO智能预测装置的描述,通过在深度学习建模过程中针对ENSO演化不同阶段的主导特征分别建模的方式获得了优于传统数值模式的预测准确性和高于传统深度学习模型的稳定性和可解释性。与现有技术相比,本发明具备搭建便捷、准确性高、节约资源等优点,可用于ENSO业务预测,有效提升ENSO预测准确性和预测时长。

Description

一种ENSO智能预测方法、装置、设备及存储介质
技术领域
本发明涉及气象预测技术领域,尤其是涉及一种ENSO智能预测方法、装置、设备及存储介质。
背景技术
厄尔尼诺-南方涛动(El
Figure BDA0003608638090000011
-Southern Oscillation,ENSO)是热带太平洋年际时间尺度上的海气耦合现象,具有2~7年的准周期振荡,是地球气候系统中最强的年际变率信号,且被证实能够与其它气候现象,例如PDO、IDO、MJO等产生相互作用,也对我国天气和气候异常产生重大影响。准确、及时、有效地预测ENSO的发生、发展和演变具有重大的科学和现实意义。
目前数值模式是国内外ENSO预测的主要技术。数值模式一般依赖于对物理过程的描述,只要数值模式能够合理描述各种物理过程,即可对ENSO做出合理的预报。因此,基于数值模式的ENSO预测研究往往依赖于精确的模式初始化、物理过程参数化、海气耦合模式等气象研究的改进。然而,目前由于气象学家对ENSO相关的大气和海洋物理过程及其相互作用的物理机制的认识存在不明确之处,以及数值模式的预报准确性对环境初始条件和模式方程误差有严重的依赖,导致数值模式对相关物理过程的模拟存在误差,在积分一定的时间后ENSO的预测技巧严重下降可预报性便会丢失,预测精度也不够理想。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种ENSO智能预测方法、装置、设备及存储介质。
本发明的目的可以通过以下技术方案来实现:
本发明涉及一种基于分段式深度神经网络的ENSO智能预测方法,该方法包括如下步骤:
S1:依据ENSO演化过程不平衡的特点,构建基于分段式深度神经网络的ENSO智能预测模型。
S2:对构建的基于分段式深度神经网络的ENSO智能预测模型进行训练。
S3:确定模型输入数据并对输入数据进行预处理,将预处理后的数据通过基于分段式深度神经网络的ENSO智能预测模型进行ENSO预测。
进一步地,构建基于分段式深度神经网络的ENSO智能预测模型的具体步骤包括:
S11:选定所需的ENSO的预测长度,根据切分定位模型,将ENSO预测分为前、后两段;
S12:依据ENSO在前、后两段不同的演化过程和海气特征,以时空序列预测深度学习模型为基础,分别设计前、后段的专用编码器与解码器;
S13:依据ENSO在前、后两段不同的演化过程和海气特征,以时空序列预测深度学习模型为基础,为前、后段分别构建加权特征融合器;
S14:基于S12、S13构建的结构创建基于分段式深度神经网络的ENSO智能预测模型。
所述切分定位模型的表达式为:
Figure BDA0003608638090000021
式中,xt为ENSO预测数据集,tseg为前、后段的切分位置,
Figure BDA0003608638090000029
为向下取整函数,seg(·)为用于计算前、后段切分位置的模型,fseg为seg(·)的斜率。
所述基于分段式深度神经网络的ENSO智能预测模型的表达式为:
Figure BDA0003608638090000022
Figure BDA0003608638090000023
Figure BDA0003608638090000024
式中,concat(·)表示将不同分段的特征拼接到一起,encoderi(·)和decoderi(·)分别为S12中以时空序列预测深度学习模型为基础设计的编码器和解码器,mergeri(·)为S13设计的加权特征融合器,
Figure BDA0003608638090000025
为本分段解码器的输出,
Figure BDA0003608638090000026
为加权特征融合器得到的加权融合特征,
Figure BDA0003608638090000027
Figure BDA0003608638090000028
分别为本分段和另一分段的编码器输出。
进一步地,S2的具体步骤包括:
S21:根据ENSO的海气特征,选择对与ENSO预测有关键作用的变量,构建ENSO预测数据集;
S22:对ENSO预测数据集中的不同物理变量,分别进行质量控制与数据预处理;
S23:将预处理后的数据集划分为训练集、验证集及测试集,利用训练集对构建的ENSO智能预测模型进行训练。
进一步地,S3的具体步骤包括:
S31:根据实际业务需要选择起报时间,获取初始时刻数据,并进行质量控制与数据预处理,处理后的结果作为基于分段式深度神经网络ENSO智能预测模型的输入;
S32:将处理后的初始时刻数据输入至基于分段式深度神经网络ENSO智能预测模型的前段与后段的编码器进行特征编码,确定ESNO的各分段特征;
S33:将前、后分段编码后的特征拼接后输入各自的加权特征融合器进行特征融合,获取加权融合特征;
S34:将前后段的加权融合特征分别输入基于分段式深度神经网络ENSO智能预测模型的前段与后段的解码器进行解码,并进行数据后处理,得到ENSO格点预测结果,利用非迭代预测的方式进行长期ENSO预测;
S35:根据基于分段式深度神经网络ENSO智能预测模型的预测结果,计算ENSO相关的多种指数及评价指标。
加权特征融合器的计算式为:
Figure BDA0003608638090000031
式中,
Figure BDA0003608638090000032
为加权融合特征,
Figure BDA0003608638090000033
Figure BDA0003608638090000034
分别为本分段和另一分段的编码器输出,每个分段分别构建各自的加权特征融合器mergerth(·)。
本发明另一方面提供一种基于分段式深度神经网络的ENSO智能预测装置,该装置包括:
初始数据获取模块,获取ENSO的初始预报时刻、初始数据和预报时长;
数据预处理模块,将获取的初始时刻数据转换为模型规定的输入格式,转换后的数据作为输入数据;
预测模块,将输入数据传输至基于分段式深度神经网络的ENSO智能预测模型,运行模型,获取预测结果;
结果采集模块,对模型的输出进行处理,将输出数据转化为气象格点数据及多种ENSO指数与量化的评价指标。
本发明第三方面提供一种计算机设备,包括:处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述基于分段式深度神经网络的ENSO智能预测方法的步骤。
本发明第四方面提供一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现上述的分段式深度神经网络的ENSO智能预测方法的步骤。
本发明提供的ENSO智能预测方法、装置、设备及存储介质,相较于现有技术至少包括如下有益效果:
1)模型建立便捷:不依赖物理方程建立模型,而是使用结构化的深度学习模块进行模型搭建,简化了模型搭建的过程,节省模型搭建时间。
2)节约时间与计算成本:本发请避免使用传统数值模式,而是利用基于深度学习技术的模型和图形计算设备完成ENSO长期预测,具备计算效率高、实时性强的特点。
3)预测结果准确度高:本发明设计的分段式深度神经网络针对ENSO不同阶段主要特征不同的特点设计,其能够对在不同的阶段采用不同的网络结构进行特征提取;此外,ENSO智能预测模型中的加权特征融合器也可以补充各分段的次要特征,能够高效全面地提取不同分段ENSO的演化特征,提供稳定可靠的预测结果。
附图说明
图1为实施例中基于分段式深度神经网络的ENSO智能预测方法的流程示意图;
图2为实施例中基于分段式深度神经网络的ENSO智能预测模型的架构示意图;
图3为实施例中基于分段式深度神经网络的ENSO智能预测装置的结构示意图;
图4为实施例中使用基于分段式深度神经网络的ENSO智能预测装置进行的“多进多出”预测示意图;
图5为实施例中计算机设备的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
ENSO是全球范围内年际、年代际气候变化的显著信号,且被证实能够与其它大气震荡,例如印度洋偶极子、热带大气季节内振荡等产生相互作用,因此在气候预测中被视为重要的影响因子。有效地预测ENSO的发生和演变具有重大的科学和现实意义。目前,气象领域的学者们一般使用数值模式进行ENSO预测。所谓数值模式就是通过各种已知的物理公式计算出各个变量的值,然后在通过在时间上进行积分,从而实现预测。但是这种方式目前已经逐渐进入瓶颈期。存在着预测超前性差,极端ENSO事件预测困难等问题。根本原因就在于数值模式对于ENSO的预测受限于对于ENSO机制的理论研究,而ENSO是一个十分复杂的气候现象,气象领域对于其机制的研究还有很多不甚了解的地方。
作为黑盒模型,深度神经网络具有从数据中自动提取复杂关系的能力,只要有足够的数据进行驱动就可以在有着复杂干扰的物理系统中找到其结构和模式。近些年来,随着卫星、雷达等途径采集数据能力的提升以及后续分析和处理数据的技术手段的改进,深度神经网络在ENSO预测方面也被广泛应用。深度神经网络模型克服了数值模式预测方法的部分缺陷,提高了ENSO预测的技巧与准确度,展现出广阔的应用前景。
基于此,本发明提供了一种基于分段式深度神经网络的ENSO智能预测方法,该方法构建了以数据驱动的基于分段式深度神经网络的ENSO智能预测模型。在本申请实施例设计的ENSO智能预测模型,专门针对ENSO演化过程的不平衡性进行了设计,以提升深度学习模型的对ENSO不同阶段主导特征的精准挖掘能力,进而提高业务预测的准确度。
ENSO演化过程的不平衡性是指各种物理过程与特征在ENSO的发生与消亡阶段中起到的作用与重要程度在不断变化。在一个阶段起到主导作用的物理过程或特征在另一阶段的作用可能会很微小;甚至在一个阶段对演化起到促进作用的物理过程与特征可以在另一个过程中起到抑制作用。例如在ENSO的发生过程中最为重要的一个物理过程就是Bjerknes正反馈,即当赤道太平洋有西风异常出现时,会减弱向西太(西太平洋)流动的暖海水,于是东太(东太平洋)的上升补偿流减弱,使得东太海温升高,减弱东西海温梯度,进一步减弱Walker环流。于是EINino发展起来。而在ENSO消亡的过程中则是延迟震荡作用发挥主要作用,即当西传的上升Rossby波遇到太平洋西边界,会反射成为上升的东传Kelvin波,该波传到东太平洋使ENSO位相发生转换。当然,还有很多其它的物理过程在ENSO的发生和消亡的过程中发挥着不同程度的作用。可见,ENSO的演化过程是不平衡、不均匀的,不同的阶段受制于不同的物理机制。因此本申请实施例利用上述提到的ENSO演化过程不平衡这一特点,构建一种基于时空序列预测模型的分段式深度神经网络,进而构建ENSO智能预测模型及装置,可以有效提升ENSO预测技巧和准确性。这里所描述的物理机制与过程是本申请一部分实施例,而不是全部的实施例。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
图1为本申请实施例提供的一种基于分段式深度神经网络的ENSO智能预测方法的流程示意图,该流程包括以下三个(A、B和C)内容:
A,ENSO智能预测模型的构建,包括以下步骤:
A1)选定所需的ENSO预测长度,根据下述切分定位模型,将ENSO预测分为前、后两段;
如图2中A.1模块所示,该模块即为本申请实施例提供的一种切分定位模型模块。该模块的整体计算公式为:
Figure BDA0003608638090000061
其中,xt(t为ENSO预测的不同步长,x为由海表面温度、表面盐度、经向风、纬向风、降雨、斜温层深度等变量共同构成的数据集,所选变量是本申请一部分实施例,而不是全部的实施例)即为ENSO预测数据集,其输出值为,tseg为前、后段的切分位置,
Figure BDA0003608638090000062
是向下取整函数,而seg(·)就是用于计算前、后段切分位置的模型,fseg为seg(·)的斜率,图2中的实施例提供了一种切分定位模型seg(·)的构建方式,即利用堆叠的ConvLSTM层搭建。
ConvLSTM的计算公式如下:
fconv=ft(fc(input),fh(input))
其中,fc代表用于计算记忆信息的卷积运算单元,fh代表用于特征提取的卷积运算单元,ft代表信息传递与更新过程。ConvLSTM通过在时间上不断的迭代来积累记忆信息,并把记忆信息不断的融合到提取到的特征中去以获取不同时间上的特征,可以敏感的捕捉到ENSO演变过程中主导特征的转换,因此十分适合用作ENSO预测的切分定位模型。
A2)依据ENSO在前、后段不同的演化过程和海气特征,以时空序列预测深度学习模型为基础,分别设计前、后段的专用编码器;
优选地,本发明利用多层STLSTM来构建前段的编码器和解码器,用多层CauslLSTM来构建后段的编码器和解码器。
STLSTM使用一种独特的串联结构来加强对于时空记忆信息的获取,该模块的计算公式如下:
fst=fh(fc(input),fm(input))
其中,fc代表用于计算时间记忆状态的卷积运算单元,fm代表用于计算空间记忆状态的卷积运算单元,fh代表用于整合时间与空间记忆的运算单元。STLSTM通过对时间和空间两种记忆状态的捕捉可以完整的保留记忆信息,比较适合短期的预测,所以本工作采用它用作前段的编码器与解码器。
CauslLSTM在STLSTM的基础上进行了一些改进,其计算公式如下:
fcausal=fh(fs(fc(input),fm(input)))
其中,fcausal即为CauslLSTM的输出值,fc、fm与fh代表与STLSTM相同的运算单元,而fs代表筛选运算,用于去除在长期的记忆传递过程中引入的干扰,保留有效的记忆信息。通过这种筛选运算,可以极大的加强长期预测的准确度,所以选择它作为后段的编码器与解码器。
A3)为前后段分别构建加权特征融合器;
如图2中A.3模块所示,该模块即为本申请实施例提供的一种加权特征融合器模块。该模块的整体计算公式为:
Figure BDA0003608638090000071
其中,
Figure BDA0003608638090000072
为加权融合特征,
Figure BDA0003608638090000073
Figure BDA0003608638090000074
分别为本分段和另一分段的编码器输出,每个分段分别构建各自的加权特征融合器mergerth(·),本申请实施例利用深度学习模块搭建。
这里α是基于特征本身生成的加权矩阵,使特征融合过程可以进行有效性的筛选,该加权矩阵的计算公式如下:
Figure BDA0003608638090000086
优选地,按照步骤A2)、步骤A3)处理后,构建模型;即由步骤A2)与步骤A3)构成的分段式深度神经网络模型的整体计算公式为:
Figure BDA0003608638090000081
Figure BDA0003608638090000082
Figure BDA0003608638090000083
其中,concat(·)表示将不同分段的特征拼接到一起,encoderi(·)和decoderi(·)为步骤A2)中以时空序列预测深度学习模型为基础设计的编码器和解码器,
Figure BDA0003608638090000084
为本分段解码器的输出,mergeri(·)即为步骤A3)设计的加权特征融合器。
B,ENSO智能预测模型的训练,包括以下步骤:
B1)根据ENSO的海气特征,选择对与ENSO预测有关键作用的变量,构建ENSO预测数据集。
使用的数据可以包含卫星遥感数据、数值模式数据和再分析资料等多来源数据,例如涵盖海表面温度,海表面盐度,经向风,纬向风,降雨,斜温层深度等关键物理变量(初始气象资料)。并设计数据增强及质量控制等算法,弥补ENSO数据不足和相关数据质量不高的问题。
初始气象资料可以为观测的气象资料或者通过第三方服务获取到的初始气象资料,例如可以是获取到的全球天气预报系统(Global Forecasting System,GFS)预测的初始气象资料,例如OISST_v2海表面温度数据、TMI降雨数据、NCEP/NCAR风场数据等。
优选地,本申请实施例的物理要素格点数据的范围为(90°N-90°S,0°-180°),分辨率为1°。
B2)对ENSO预测数据集中的不同物理变量,分别进行质量控制与数据预处理;
优选地,本申请实施例使用以下公式对不同海气数据集分别进行数据预处理:
Figure BDA0003608638090000085
其中,xmin与xmax分别为初始气象资料中各海气要素格点数据的最小值与最大值,x*为数据预处理后结果。
B3)使用数据集中前80%的数据作为训练集,中间10%的数据作为验证集,后10%的数据作为测试集。
优选地,本申请实施例使用以下公式作为模型训练的代价函数l,引导模型充分训练:
Figure BDA0003608638090000091
其中,(i,j)∈Ω代表物理变量场的每一个格点,
Figure BDA0003608638090000092
为对应变量在格点(i,j)的预测结果,si,j为格点(i,j)的真实观测数据,N表示所选的物理变量个数。MSE为均方误差,MAE为平均绝对误差。
C,ENSO智能预测模型的预测,包括以下步骤:
C1)根据实际业务需要选择起报时间,获取初始时刻数据,并进行与步骤B2)相同的质量控制与数据预处理,处理后的结果作为分段式深度神经网络ENSO智能预测模型的输入;
C2)将处理后的初始时刻数据输入至分段式深度神经网络ENSO智能预测模型前段与后段的编码器进行特征编码,确定ESNO的各分段特征;
C3)将前、后分段编码后的特征拼接后输入各自的加权特征融合器进行特征融合,获取加权融合特征;
C4)将前、后段的加权融合特征分别输入分段式深度神经网络ENSO智能预测模型前段与后段的解码器进行解码,并进行数据后处理,得到ENSO格点预测结果,利用非迭代预测的方式进行长期ENSO预测。
优选地,根据步骤B2)中的数据预处理,本申请实施例使用以下公式进行其逆过程,以获得可理解的预测结果:
Figure BDA0003608638090000093
其中,
Figure BDA0003608638090000094
即为预测结果。
C5)根据分段式深度神经网络ENSO智能预测模型预测结果,计算ENSO相关的多种指数及评价指标。
优选地,本申请实施例利用
Figure BDA0003608638090000095
Figure BDA0003608638090000096
指数判别ENSO事件是否发生,以及发生事件的种类、强度和持续时间等内在性质。其计算方法均为固定区域内海表面温度异常的平均值。
Figure BDA0003608638090000101
指数覆盖范围为(5°N-5°S,150°W-90°W),
Figure BDA0003608638090000102
指数覆盖范围为(5°N-5°S,160°E-150°W),
Figure BDA0003608638090000103
指数覆盖范围为(5°N-5°S,170°W-120°W)。
本申请实施例在构建ENSO智能预测模型时,显式地融入了先验的ENSO物理机制,尤其是在构建基于时空序列预测模型的分段式深度神经网络的过程中,考虑了ENSO的发生和消亡的过程中主导的物理机制不同的特征。相比于一般的、朴素的ENSO深度学习预测模型(如只使用单一模型或使用没有关联的多个模型进行预测)具备更加优异的针对性和超前性,可以有效提升ENSO预测的准确性,提高ENSO预测技巧。同时,从模型的运行角度看,本申请实施例设计的深度学习模型较传统动力学模型可以节约大量的计算资源。
另一方面,本发明实施例还提供一种基于分段式深度神经网络的ENSO智能预测装置,如图3所示,该装置包括:
D.1.初始数据获取模块,用于获取初始预报时刻、初始数据和预报时长等。
优选地,本申请实施例验证各物理变量的输入序列长度为9个月时,模型的性能和资源占用达到最优平衡。
D.2.数据预处理模块,用于将初始数据转换为模型规定的输入格式;
D.3.预测模块,用于将转换格式后的输入数据传输至ENSO智能预测模型,并运行模型,得到预测结果;
D.4.后处理模块,用于后处理模型的输出,将输出数据转化为可理解的气象格点数据及多种ENSO指数与量化的评价指标。
优选地,本申请实施例采用非迭代预测的策略进行长时序预测,其行为如图4所示,即不将后一月的预测结果添加至输入中,而是全部使用初始输入数据一次性得到ENSO多变量预测。
本申请实施例提供的ENSO智能预测装置,与上述实施例提供的基于分段式深度神经网络的ENSO智能预测方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
进一步地,本申请实施例所提供的基于分段式深度神经网络的ENSO智能预测装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
另一方面,本发明实施例还提供一种计算机设备E,图5为本申请实施例提供的一种计算机设备E,可用于运行基于分段式深度神经网络的ENSO智能预测方法。其包括:存储器E.1、处理器E.2、图形计算卡E.3和总线,存储器E.1存储有处理器E.2和图形计算卡E.3可执行的机器可读指令,当计算机设备E运行时,处理器E.2、图形计算卡E.3与存储器E.1之间通过总线通信,处理器E.2和图形计算卡E.3共同执行机器可读指令,以执行如上述基于分段式深度神经网络的ENSO智能预测方法的步骤。
具体地,上述存储器E.1、处理器E.2和图形计算卡E.3能够为通用的存储器、处理器和图形计算卡,这里不做具体限定,当处理器E.2和图形计算卡E.3运行存储器E.1存储的计算机程序时,能够运行上述基于分段式深度神经网络的ENSO智能预测方法。图形计算卡E.3执行与ENSO智能预测模型有关的指令,处理器E.2执行其他控制类指令,如对输入与输出流的控制。
另一方面,对应于上述基于分段式深度神经网络的ENSO智能预测方法,本申请实施例还提供了一种计算机可读存储介质,可用于存储基于分段式深度神经网络的ENSO智能预测方法。计算机可读存储介质存储有机器可运行指令,计算机可运行指令在被处理器调用和运行时,计算机可运行指令促使处理器运行上述基于分段式深度神经网络的ENSO预测方法的步骤。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于分段式深度神经网络的ENSO智能预测方法,其特征在于,包括下列步骤:
1)依据ENSO演化过程不平衡的特点,构建基于分段式深度神经网络的ENSO智能预测模型;
2)对构建的基于分段式深度神经网络的ENSO智能预测模型进行训练;
3)确定模型输入数据并对输入数据进行预处理,将预处理后的数据通过基于分段式深度神经网络的ENSO智能预测模型进行ENSO预测。
2.根据权利要求1所述的基于分段式深度神经网络的ENSO智能预测方法,其特征在于,构建基于分段式深度神经网络的ENSO智能预测模型的具体步骤包括:
11)选定所需的ENSO的预测长度,根据切分定位模型,将ENSO预测分为前、后两段;
12)依据ENSO在前、后两段不同的演化过程和海气特征,以时空序列预测深度学习模型为基础,分别设计前、后段的专用编码器与解码器;
13)依据ENSO在前、后两段不同的演化过程和海气特征,以时空序列预测深度学习模型为基础,为前、后段分别构建加权特征融合器;
14)基于步骤12)、13)构建的结构创建基于分段式深度神经网络的ENSO智能预测模型。
3.根据权利要求2所述的基于分段式深度神经网络的ENSO智能预测方法,其特征在于,所述切分定位模型的表达式为:
Figure FDA0003608638080000011
式中,xt为ENSO预测数据集,tseg为前、后段的切分位置,
Figure FDA0003608638080000014
为向下取整函数,seg(·为用于计算前、后段切分位置的模型,fseg为seg(·的斜率。
4.根据权利要求2所述的基于分段式深度神经网络的ENSO智能预测方法,其特征在于,所述基于分段式深度神经网络的ENSO智能预测模型的表达式为:
Figure FDA0003608638080000012
Figure FDA0003608638080000013
Figure FDA0003608638080000021
式中,concat(·)表示将不同分段的特征拼接到一起,encoderi(·)和decoderi(·)分别为步骤12)中以时空序列预测深度学习模型为基础设计的编码器和解码器,mergeri(·)为步骤13)设计的加权特征融合器,
Figure FDA0003608638080000022
为本分段解码器的输出,
Figure FDA0003608638080000023
为加权特征融合器得到的加权融合特征,
Figure FDA0003608638080000024
Figure FDA0003608638080000025
分别为本分段和另一分段的编码器输出。
5.根据权利要求1所述的基于分段式深度神经网络的ENSO智能预测方法,其特征在于,步骤2)的具体步骤包括:
21)根据ENSO的海气特征,选择对与ENSO预测有关键作用的变量,构建ENSO预测数据集;
22)对ENSO预测数据集中的不同物理变量,分别进行质量控制与数据预处理;
23)将预处理后的数据集划分为训练集、验证集及测试集,利用训练集对构建的ENSO智能预测模型进行训练。
6.根据权利要求2所述的基于分段式深度神经网络的ENSO智能预测方法,其特征在于,步骤3)的具体步骤包括:
31)根据实际业务需要选择起报时间,获取初始时刻数据,并进行质量控制与数据预处理,处理后的结果作为基于分段式深度神经网络ENSO智能预测模型的输入;
32)将处理后的初始时刻数据输入至基于分段式深度神经网络ENSO智能预测模型的前段与后段的编码器进行特征编码,确定ESNO的各分段特征;
33)将前、后分段编码后的特征拼接后输入各自的加权特征融合器进行特征融合,获取加权融合特征;
34)将前后段的加权融合特征分别输入基于分段式深度神经网络ENSO智能预测模型的前段与后段的解码器进行解码,并进行数据后处理,得到ENSO格点预测结果,利用非迭代预测的方式进行长期ENSO预测;
35)根据基于分段式深度神经网络ENSO智能预测模型的预测结果,计算ENSO相关的多种指数及评价指标。
7.根据权利要求2所述的基于分段式深度神经网络的ENSO智能预测方法,其特征在于,加权特征融合器的计算式为:
Figure FDA0003608638080000031
式中,
Figure FDA0003608638080000032
为加权融合特征,
Figure FDA0003608638080000033
Figure FDA0003608638080000034
分别为本分段和另一分段的编码器输出,每个分段分别构建各自的加权特征融合器mergerth(·)。
8.一种基于分段式深度神经网络的ENSO智能预测装置,其特征在于,包括:
初始数据获取模块,获取ENSO的初始预报时刻、初始数据和预报时长;
数据预处理模块,将获取的初始时刻数据转换为模型规定的输入格式,转换后的数据作为输入数据;
预测模块,将输入数据传输至基于分段式深度神经网络的ENSO智能预测模型,运行模型,获取预测结果;
结果采集模块,对模型的输出进行处理,将输出数据转化为气象格点数据及多种ENSO指数与量化的评价指标。
9.一种计算机设备,其特征在于,包括:处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述的基于分段式深度神经网络的ENSO智能预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于分段式深度神经网络的ENSO智能预测方法的步骤。
CN202210426383.3A 2022-04-21 2022-04-21 一种enso智能预测方法、装置、设备及存储介质 Pending CN114861530A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210426383.3A CN114861530A (zh) 2022-04-21 2022-04-21 一种enso智能预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210426383.3A CN114861530A (zh) 2022-04-21 2022-04-21 一种enso智能预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114861530A true CN114861530A (zh) 2022-08-05

Family

ID=82634336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210426383.3A Pending CN114861530A (zh) 2022-04-21 2022-04-21 一种enso智能预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114861530A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116821673A (zh) * 2023-05-19 2023-09-29 中国科学院自动化研究所 Enso预测方法、装置、电子设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116821673A (zh) * 2023-05-19 2023-09-29 中国科学院自动化研究所 Enso预测方法、装置、电子设备和存储介质
CN116821673B (zh) * 2023-05-19 2024-01-16 中国科学院自动化研究所 Enso预测方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN107703564B (zh) 一种降雨预测方法、系统及电子设备
Pang et al. Solar radiation prediction using recurrent neural network and artificial neural network: A case study with comparisons
CN104050514B (zh) 一种基于再分析数据的海浪有效波高的长期趋势预测方法
JP2019094640A (ja) 水位予測方法、水位予測プログラム及び水位予測装置
CN110472781B (zh) 台风多变量集合敏感性分析方法、台风预报方法及其系统
CN114049545B (zh) 一种基于点云体素的台风定强方法、系统、设备及介质
Qiu et al. Seepage monitoring models study of earth-rock dams influenced by rainstorms
CN115081307A (zh) 一种基于神经网络的气象数值模式同化方法及装置
CN114861530A (zh) 一种enso智能预测方法、装置、设备及存储介质
CN115859620A (zh) 一种基于多头注意力机制和图神经网络的径流重建方法
Yao et al. Wave height forecast method with multi-step training set extension LSTM neural network
CN116108995A (zh) 感潮河段船舶油耗预测方法、装置及电子设备
CN113984198B (zh) 一种基于卷积神经网络的短波辐射预测方法及系统
CN115204032A (zh) 一种基于多通道智能模型的enso预测方法及装置
Kovalchuk et al. Towards ensemble simulation of complex systems
Xu et al. Sensor network based solar forecasting using a local vector autoregressive ridge framework
CN114779368A (zh) 基于多变量海气耦合器的enso预测方法、装置、设备及介质
KR101627771B1 (ko) 석션 케이슨 앵커의 인발력을 예측하기 위한 데이터 지향 모델링 방법
Dauji et al. Improving numerical current prediction with Model Tree
CN115097451A (zh) 一种基于sar卫星数据的海浪多参数反演方法及系统
Zhang et al. Missing measurement data recovery methods in structural health Monitoring: The State, challenges and case study
Mutaz et al. Solar radiation prediction using radial basis function models
CN114707687A (zh) 基于热带大气次季节振荡信号的旬降水预测方法和系统
Tan et al. Study on short-term load forecasting method considering meteorological factors of offshore oilfield group microgrid
Wang et al. Application of bp neural network in monitoring of ocean tide level

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination