CN114862049A - 基于图卷积的多海洋物理场融合表示的预警方法及装置 - Google Patents
基于图卷积的多海洋物理场融合表示的预警方法及装置 Download PDFInfo
- Publication number
- CN114862049A CN114862049A CN202210600333.2A CN202210600333A CN114862049A CN 114862049 A CN114862049 A CN 114862049A CN 202210600333 A CN202210600333 A CN 202210600333A CN 114862049 A CN114862049 A CN 114862049A
- Authority
- CN
- China
- Prior art keywords
- layer
- physical
- physical field
- information
- representation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000004927 fusion Effects 0.000 title claims abstract description 40
- 230000008878 coupling Effects 0.000 claims abstract description 71
- 238000010168 coupling process Methods 0.000 claims abstract description 71
- 238000005859 coupling reaction Methods 0.000 claims abstract description 71
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000005065 mining Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 abstract description 9
- 239000010410 layer Substances 0.000 description 125
- 230000008859 change Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Remote Sensing (AREA)
Abstract
本发明公开了一种基于图卷积的多海洋物理场融合表示的预警方法及装置，方法包括：利用三层图卷积神经网络在多个物理场上进行特征更新，挖掘不同物理场之间的相互关系，以对具有不同物理场综合特性的整体特征表示进行更新；利用双层时序注意力操作，将具有不同物理场综合特性的整体特征表示及该整体特征表示所对应的位置编码信息输入进双层时序注意力中，获得时段多物理场数据特征耦合表示；将时段多物理场数据特征耦合表示作为全局特征，并挖掘时序信息进行Nino3.4指数的预测，将Nino3.4指数与输入的台风观测数据进行融合，进行台风强度预测。装置包括：处理器和存储器。本发明解决了现有技术中对沿海地区通信基站附近海域台风强度预测不够准确的问题。
Description
技术领域
本发明涉及海洋厄尔尼诺现象预警领域，尤其涉及一种基于图卷积的多海洋物理场融合表示的预警方法及装置。
背景技术
台风生成强度与台风过去和现在的时频特征有关，并且ENSO(厄尔尼诺)现象也是台风生成强度变化的影响条件之一。随着地球表面气候的不断变化，赤道太平洋地区的大气和海平面震荡的相互作用，简称厄尔尼诺-南方涛动(ENSO)，是地球上最强、最显著的年际气候信号，也是在短期预测中多个区域发生极端天气现象的影响因子。因此，准确预测ENSO的研究，是提高东亚地区以及全球气候预测水平和防灾减灾的关键。预测ENSO所需的数据主要包含了海表温度异常、热含量异常、纬向风异常、及经向风异常等物理场的变化数据。这些数据中包含了很多隐藏信息，为此多海洋物理场的时段内关联性挖掘也受到了众多研究人员的关注。
传统ENSO[1]预测方法依赖于数值气候模式，主要使用一些学习方法来解决非凸优化问题，以最小化历史数据中预测值与实际值之间的误差。随着深度学习的快速发展和神经网络的普遍应用，越来越多的深度学习模型应用于各种机器学习任务中并且取得了很好的效果。因此，这导致了一波利用深度学习技术制定ENSO预测的浪潮，产生了更熟练的ENSO预测，例如ConvLSTM[2]、CNN[3]等方法。但是它们只是考虑了时序信息，忽略了时间区段内多个物理场之间的互补信息，而图卷积神经网络[4]能够更好的将多个物理场的信息进行耦合，有助于提升Nino3.4的预测准确度。
现有的方法大多只从少量物理场的时序信息对海洋ENSO现象进行探索，预测的准确性较低，若将准确性较低的Nino3.4信息与台风形成时频率信息进行耦合预测台风强度，势必达不到较好的预测效果。并且现有统计模型方法对台风强度的预测误差可能随着预测时效增加。因此，急需一种能够准确预测沿海地区台风强度进而判定通信基站风险等级从而实现预警的方法。
发明内容
本发明提供了一种基于图卷积的多海洋物理场融合表示的预警方法及装置，本发明提升台风强度的预测准确率，解决了现有技术中对沿海地区通信基站附近海域台风强度预测不够准确的问题，减轻了自然灾害损失，详见下文描述：
第一方面，一种基于图卷积的多海洋物理场融合表示的预警方法，所述方法包括：
利用三层图卷积神经网络在多个物理场上进行特征更新，挖掘不同物理场之间的相互关系，以对具有不同物理场综合特性的整体特征表示进行更新；
利用双层时序注意力操作，将具有不同物理场综合特性的整体特征表示及该整体特征表示所对应的位置编码信息输入进双层时序注意力中，获得时段多物理场数据特征耦合表示；
将时段多物理场数据特征耦合表示作为全局特征，并挖掘时序信息进行Nino3.4指数的预测，将Nino3.4指数与输入的台风观测数据进行融合，进行台风强度预测。
其中，所述利用三层图卷积神经网络在多个物理场上进行特征更新，挖掘不同物理场之间的相互关系，以对具有不同物理场综合特性的整体特征表示进行更新具体为：
利用第一层图卷积神经网络在单个海洋物理场的空间子区域结构上进行特征更新，挖掘单个海洋物理场空间子区域之间的相互关联；
针对多个海洋物理场，利用第二层和第三层的图卷积神经网络对多个物理场上的浅层和深层信息进行耦合关联，以学习得到具有不同物理场综合特性的整体特征表示。
进一步地，所述利用第一层图卷积神经网络在单个海洋物理场的空间子区域结构上进行特征更新，挖掘单个海洋物理场空间子区域之间的相互关联具体为：
针对单个物理场的信息，利用卷积神经网络提取子区域特征，记为
并且以子区域特征为图结构节点
子区域之间的边信息E，单个物理场图结构G1的邻接矩阵为：
其中，
n为输入子区域特征的个数，
表示物理场x第i帧中两个子区域特征向量之间的欧氏距离，Normalization(·)表示归一化函数，x_a表示物理场x第a个子区域，x_b表示物理场x第b个子区域。
其中，所述针对多个海洋物理场，利用第二层和第三层的图卷积神经网络对多个物理场上的浅层和深层信息进行耦合关联，以学习得到具有不同物理场综合特性的整体特征表示具体为：
第二层图结构是浅层多物理场关系融合层，该层图结构节点与第一层图结构更新后的节点保持一致第二层图结构与第一层的区别在于每个物理场所对应的边信息进行交换；
第三层图结构是深层的多物理场关系融合层，该层图结构的节点由第二层x个物理场更新所获的节点拼接而得，第三层图结构的边信息也由第二层的边信息进行求和平均得到；通过第三层图结构的深层物理信息耦合，使得各物理场之间的关联性聚合成一个整体的特征表示，该特征表示作为第i帧上所有物理场耦合的时序输入。
进一步地，所述双层时序注意力具体为：
所述双层时序注意力的第一层为时段信息融合自注意力层，第二层通过提取时段耦合物理场信息序列进行预测；经图卷积神经网络对多物理场信息聚合和更新后，得到最终的同一帧上同一经纬度不同物理场耦合关联特征；将包含时序信息的耦合关联特征分为每M个特征一组作为时段融合信息层的输入；
第二层时序自注意力通过提取时段耦合物理场信息序列进行预测，其输入为第一层输出的时段耦合关联特征。
其中，所述单个海洋物理场的空间子区域为：
每帧时序数据尺寸为H×W，将每帧数据按照长宽等分并以地理中心、等分尺寸选取空间子区域；对于第x个物理场，第i帧划分为n个空间子区域记为
为第x个物理场第i帧中的第n个空间子区域的数据。
第二方面、一种基于图卷积的多海洋物理场融合表示的预警装置，所述预警装置包括：
整体特征更新模块，用于利用三层图卷积神经网络在多个物理场上进行特征更新，挖掘不同物理场之间的相互关系，以对具有不同物理场综合特性的整体特征表示进行更新；
特征耦合表示模块，用于利用双层时序注意力操作，将具有不同物理场综合特性的整体特征表示及该整体特征表示所对应的位置编码信息输入进双层时序注意力中，获得时段多物理场数据特征耦合表示；
台风强度预测模块，用于将时段多物理场数据特征耦合表示作为全局特征，并挖掘时序信息进行Nino3.4指数的预测，将Nino3.4指数与输入的台风观测数据进行融合，进行台风强度预测。
第三方面、一种基于图卷积的多海洋物理场融合表示的预警装置，所述装置包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置执行第一方面中的任一项所述的方法步骤。
第四方面、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存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时使所述处理器执行第一方面中的任一项所述的方法步骤。
本发明提供的技术方案的有益效果是：
1、本发明从海洋多物理场耦合和时空序列两个方面共同挖掘时空耦合的多海洋物理场之间的时序动态变化特征，在海洋多物理场耦合方面利用图卷积神经网络提取不同海洋物理场之间的关联综合信息，在海洋多物理场耦合后利用时序注意力提取时间序列动态变化中的特征表示，综合海洋多物理场信息能够学习得到更全面的全局特征表示，有助于更好的海洋ENSO预测，从而增加台风强度预测的准确度；
2、本发明利用图卷积神经网络在多物理场下充分挖掘了不同物理场之间的相互联系，并且根据不同物理场的相似性进行信息传递；本发明利用时序注意力在多物理场耦合后充分挖掘了不同物理场的综合特征的时序信息。
因此，本发明能够充分学习挖掘得到多物理场数据的耦合时序动态变化特征信息，将预测处理后的Nino3.4指数与台风形成时频特征进行融合，提升台风强度的预测准确率，进而实现对沿海地区通信基站的风险等级划分并进行预警，减轻了自然灾害损失。
附图说明
图1为基于图卷积的多海洋物理场融合表示的预警方法的流程图；
图2为基于图卷积的多海洋物理场融合表示的预警方法的示意图；
图3为基于图卷积的多海洋物理场融合表示的预警装置的结构示意图；
图4为基于图卷积的多海洋物理场融合表示的预警装置的另一结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
实施例1
一种基于图卷积的多海洋物理场融合表示的预警方法，参见图1，该方法包括以下步骤：
步骤101：将从海洋多物理场中获得的数据信息作为数据的输入，选取中心子区域，基于中心子区域构建各个海洋物理场的空间子区域；
对海洋的每一个物理场来说，在同一经纬度上，对每一帧物理数据按照固定的时序数据的尺寸大小、地理中心进行等分，以选取中心子区域，基于中心子区域构建各个海洋物理场的空间子区域。
步骤102：利用第一层图卷积神经网络在单个海洋物理场的空间子区域结构上进行特征更新，挖掘单个海洋物理场空间子区域之间的相互关联；
步骤103：针对多个海洋物理场，利用第二层和第三层的图卷积神经网络对多个物理场上的浅层和深层信息进行耦合关联，以学习得到具有不同物理场综合特性的一个整体特征表示；
步骤104：重复执行步骤102-103，利用三层图卷积神经网络在多个物理场上进行特征更新，挖掘不同物理场之间的相互关系，以对具有不同物理场综合特性的整体特征表示进行更新；
步骤105：利用双层时序注意力操作，将在三层图卷积神经网络中提取的每个具有不同物理场综合特性的整体特征表示及该整体特征表示所对应的位置编码信息输入进双层时序注意力中，获得时段多物理场数据特征耦合表示；
步骤106：利用多个线性层操作，将时段多物理场数据特征的耦合表示作为全局特征，并挖掘时序信息进行Nino3.4指数的预测，最后将Nino3.4指数与输入的台风观测数据进行融合，进行台风强度预测并划分通信基站的风险等级，从而进行预警。
其中，台风观测数据为公知的数据，本领域技术人员人员所公知，本发明实施例对此不做赘述。
综上所述，本发明实施例通过上述步骤101-步骤106提高了事件检测的准确性，满足了实际应用中的多种需要。
实施例2
下面结合具体的计算公式、实例对实施例1中的方案进行进一步地介绍，详见下文描述：
201：从多物理场中获取多组数据作为输入，包括：海表温度异常，热含量异常等；
其中，假设每帧时序数据尺寸为H×W，将每帧数据按照长宽等分(例如二等分)并以地理中心、等分尺寸选取中心子区域。对于第x个物理场来说，第i帧划分为n个子区域记为
为第x个物理场第i帧中的第n个子区域的数据。
202：针对单个物理场的信息，利用卷积神经网络提取子区域特征，记为
并且以子区域特征为图结构节点
子区域之间的边信息E，单个物理场第一层图结构为：
其中，i表示时间序列的第i帧，
表示的是单个物理场的子区域特征，
表示单个物理场的每一个子区域之间的边信息矩阵；第一层图结构的边信息E由邻接矩阵来表示。
为了进一步挖掘单个物理场各子区域之间的相互关系，单个物理场图结构G1的邻接矩阵定义为：
其中，
n为输入子区域特征的个数，
表示物理场x第i帧中两个子区域特征向量之间的欧氏距离，Normalization(·)表示归一化函数，x_a表示物理场x第a个子区域，x_b表示物理场x第b个子区域。经过第一层图结构更新后所得到的节点和边记为
和
203：针对多物理场的信息，在第一层图结构更新的单个物理场节点和边信息的基础之上，增加了两层图卷积神经网络挖掘物理场与物理场之间的关联特性；
其中，第二层图结构是浅层多物理场关系融合层，该层图结构节点与第一层图结构更新后的节点保持一致，即同一个物理场的子区域特征，第二层图结构与第一层的区别在于每个物理场所对应的边信息进行交换。
则第二个图结构定义为：
其中，x表示的是物理场x，y表示的是物理场y。
从上述表达式中可以看出第二层图结构仅将同一经纬度不同物理场之间的关联信息进行了交换，例如：将物理场海表温度异常在第一层计算获得的邻接矩阵作为物理场热含量异常在第二层的边信息。第二层图结构更新后的节点和边信息记为
和
针对多物理场的信息耦合的第三层图结构，该层是深层的多物理场关系融合层，其中该层图结构的节点由第二层x个物理场更新所获的节点拼接而得，记为：
其中，
为第三层图结构的输入特征，由x个物理场更新获得的节点拼接而成。
第三层图结构的边信息也由第二层的边信息进行求和平均得到，记为：
其中，
为第三层图结构输入的边信息，
为第二层图结构更新的边信息。
则第三层图结构可以表示为：
通过第三层图结构的深层物理信息耦合，使得各物理场之间的关联性聚合成一个整体的特征表示Zi，该特征表示Zi作为第i帧上所有物理场耦合的时序输入。
204：利用三层图卷积神经网络在多物理场上进行特征更新，并挖掘不同物理场之间的相互关系，以学习得到包含丰富物理场信息的整体特征耦合表示；
根据构建好的多物理场耦合图结构，本方法利用图卷积神经网络算法[3]来对图结构中的节点特征进行信息更新，使得节点与其相似节点之间能够进行信息传递，更好的挖掘多物理场之间的关联信息。
针对第一层图结构
设计如下图卷积神经网络GCN来进行节点信息更新：
其中，
表示第x物理场的初始数据特征，
表示第x物理场的子区域节点更新后特征，Ex表示图结构
的邻接矩阵，I表示单位矩阵，D表示(I+Ex)的度矩阵，σ表示非线性激活函数，θx为可学习的参数。
针对第二层图结构
设计如下图卷积神经网络GCN来进行节点信息更新：
其中，
表示第一层图卷积后第x物理场的特征，
表示第二层的物理场子区域特征，Ey表示图结构
的邻接矩阵，I表示单位矩阵，D表示(I+Ey)的度矩阵，ρ表示非线性激活函数，
为可学习的参数。
针对第三层图结构
设计如下图卷积神经网络GCN来进行节点信息更新：
其中，Zx表示第二层图卷积后x个物理场的特征拼接表示，
表示第三层的所有物理场综合整体特征表示，
表示图结构G3的邻接矩阵，I表示单位矩阵，D表示
的度矩阵，δ表示非线性激活函数，∈x为可学习的参数。
本方法采用三层的图卷积神经网络进行多物理场信息的耦合和关联性特征提取。
205：利用双层时序自注意力[5]操作，在图卷积神经网络中将多个物理场的信息聚合为整体关联特征，然后将整体关联特征作为全局特征进行海洋ENSO预测。
其中，该自注意力一共包含了两层，第一层为时段信息融合自注意力层，第二层通过提取时段耦合物理场信息序列进行预测。经过图卷积神经网络对多物理场信息进行聚合和更新后，得到最终的同一帧上同一经纬度不同物理场耦合关联特征
为了提取时段融合信息，将包含时序信息的耦合关联特征序列分为每M个特征一组作为时段融合信息层的输入，并加入每一个耦合关联信息的位置嵌入信息，该位置嵌入信息为：
PE(pos,2i)＝sin(pos/100002i/dmodel) (13)
PE(pos,2i+1)＝cos(pos/100002i/dmodel) (14)
其中，dmodel表示耦合关联信息特征维度，pos表示耦合关联信息的词嵌入表示，i表示的是输入特征的顺序。
将M个耦合关联特征以及其对应的位置嵌入信息输入到第一层的时段信息融合自注意力机制中，即：
其中，
表示投影矩阵，g表示M个耦合关联特征进行时段融合后的结果，dmodel表示耦合关联信息特征维度，Zm为由图卷积神经网络输出的所有物理场综合整体特征表示，qm为线性操作所获得的query，T为矩阵的转置运算，km为线性操作所获得的key，vm为线性操作所获得的value。
第二层时序自注意力是通过提取时段耦合物理场信息序列进行预测，其输入为第一层输出的时段耦合关联特征，即：
q＝Wqg，k＝Wkg，v＝Wvg (17)
其中，Wq，Wk，Wv表示投影矩阵，F表示对时段耦合物理场信息序列进行预测的特征结果，q为线性操作所获得的query，k为线性操作所获得的key，v为线性操作所获得的value。双层时序自注意力挖掘了时序以及时段上的多物理场耦合信息。
206：利用多个线性层操作将包含时段信息的多物理场整体特征F进行处理并且生成Nino3.4指数，Nino3.4指数是以向量的形式存在的，因此，利用相似性度量损失函数对模型进行约束训练：
其中，Yi是第i个时段耦合物理场信息对应的准确Nino3.4指数，Fi是通过多个线性层操作输出的Nino3.4指数的预测值，k表示一批次输入的次数。
将输出的Nino3.4指数与台风观测数据进行融合，记为S(i)＝(Nino3.4(i),Q(i))，然后通过时间循环神经网络，输出台风预测强度。通过输出获得的台风强度进行风险等级划分，并用不同颜色进行显示，例如6～8级对应于蓝色，8～10级对应于黄色，10～12级对应于橙色，大于12级对应于红色，根据不同的风险等级颜色为专业人员提前进行通知和预警，以及作出应急反应，确保通信基站的稳定性和安全性。
实施例3
下面结合具体的实验对实施例1和2进行可行性验证，详见下文描述：
例如，本发明实施选择2016年7月作为目标月，m设置为5，则需要2015年11月、12月和2016年1月份的SST和HC图作为并行输入并且对输入划分空间子区域，再利用卷积神经网络获取每个空间子区域的特征。然后将空间子区域的特征输入三层图卷积神经网络，聚合为一个整体特征表示，并将整体特征表示输入进行双层时序自注意力层，预测得到5个月后的Nino3.4指数。将输出的Nino3.4指数与台风观测数据进行融合，预测出台风强度对应的数值，则就可以实现提前5个月的通信基站风险等级预警，减少通信基站上发生的自然灾害，或基站倒塌等导致的人员伤亡等情况的发生。
实施例4
一种基于图卷积的多海洋物理场融合表示的预警装置，参见图3，该预警装置包括：
整体特征更新模块，用于利用三层图卷积神经网络在多个物理场上进行特征更新，挖掘不同物理场之间的相互关系，以对具有不同物理场综合特性的整体特征表示进行更新；
特征耦合表示模块，用于利用双层时序注意力操作，将具有不同物理场综合特性的整体特征表示及该整体特征表示所对应的位置编码信息输入进双层时序注意力中，获得时段多物理场数据特征耦合表示；
台风强度预测模块，用于将时段多物理场数据特征耦合表示作为全局特征，并挖掘时序信息进行Nino3.4指数的预测，将Nino3.4指数与输入的台风观测数据进行融合，进行台风强度预测。
这里需要指出的是，以上实施例中的装置描述是与实施例中的方法描述相对应的，本发明实施例在此不做赘述。
综上所述，本发明实施例通过上述模块提升台风强度的预测准确率，解决了现有技术中对沿海地区通信基站附近海域台风强度预测不够准确的问题，减轻了自然灾害损失。
实施例5
一种基于图卷积的多海洋物理场融合表示的预警装置，参见图4，该装置包括：处理器和存储器，存储器中存储有程序指令，处理器调用存储器中存储的程序指令以使装置执行实施例1中的以下方法步骤：
利用三层图卷积神经网络在多个物理场上进行特征更新，挖掘不同物理场之间的相互关系，以对具有不同物理场综合特性的整体特征表示进行更新；
利用双层时序注意力操作，将具有不同物理场综合特性的整体特征表示及该整体特征表示所对应的位置编码信息输入进双层时序注意力中，获得时段多物理场数据特征耦合表示；
将时段多物理场数据特征耦合表示作为全局特征，并挖掘时序信息进行Nino3.4指数的预测，将Nino3.4指数与输入的台风观测数据进行融合，进行台风强度预测。
其中，利用三层图卷积神经网络在多个物理场上进行特征更新，挖掘不同物理场之间的相互关系，以对具有不同物理场综合特性的整体特征表示进行更新具体为：
利用第一层图卷积神经网络在单个海洋物理场的空间子区域结构上进行特征更新，挖掘单个海洋物理场空间子区域之间的相互关联；
针对多个海洋物理场，利用第二层和第三层的图卷积神经网络对多个物理场上的浅层和深层信息进行耦合关联，以学习得到具有不同物理场综合特性的整体特征表示。
进一步地，所述利用第一层图卷积神经网络在单个海洋物理场的空间子区域结构上进行特征更新，挖掘单个海洋物理场空间子区域之间的相互关联具体为：
针对单个物理场的信息，利用卷积神经网络提取子区域特征，记为
并且以子区域特征为图结构节点
子区域之间的边信息E，单个物理场图结构G1的邻接矩阵为：
其中，
n为输入子区域特征的个数，
表示物理场x第i帧中两个子区域特征向量之间的欧氏距离，Normalization(·)表示归一化函数，x_a表示物理场x第a个子区域，x_b表示物理场x第b个子区域。
其中，针对多个海洋物理场，利用第二层和第三层的图卷积神经网络对多个物理场上的浅层和深层信息进行耦合关联，以学习得到具有不同物理场综合特性的整体特征表示具体为：
第二层图结构是浅层多物理场关系融合层，该层图结构节点与第一层图结构更新后的节点保持一致第二层图结构与第一层的区别在于每个物理场所对应的边信息进行交换；
第三层图结构是深层的多物理场关系融合层，该层图结构的节点由第二层x个物理场更新所获的节点拼接而得，第三层图结构的边信息也由第二层的边信息进行求和平均得到；通过第三层图结构的深层物理信息耦合，使得各物理场之间的关联性聚合成一个整体的特征表示，该特征表示作为第i帧上所有物理场耦合的时序输入。
进一步地，双层时序注意力具体为：
双层时序注意力的第一层为时段信息融合自注意力层，第二层通过提取时段耦合物理场信息序列进行预测；经图卷积神经网络对多物理场信息聚合和更新后，得到最终的同一帧上同一经纬度不同物理场耦合关联特征；将包含时序信息的耦合关联特征分为每M个特征一组作为时段融合信息层的输入；
第二层时序自注意力通过提取时段耦合物理场信息序列进行预测，其输入为第一层输出的时段耦合关联特征。
其中，单个海洋物理场的空间子区域为：
每帧时序数据尺寸为H×W，将每帧数据按照长宽等分并以地理中心、等分尺寸选取空间子区域；对于第x个物理场，第i帧划分为n个空间子区域记为
为第x个物理场第i帧中的第n个空间子区域的数据。
这里需要指出的是，以上实施例中的装置描述是与实施例中的方法描述相对应的，本发明实施例在此不做赘述。
上述的处理器1和存储器2的执行主体可以是计算机、单片机、微控制器等具有计算功能的器件，具体实现时，本发明实施例对执行主体不做限制，根据实际应用中的需要进行选择。
存储器2和处理器1之间通过总线3传输数据信号，本发明实施例对此不做赘述。
基于同一发明构思，本发明实施例还提供了一种计算机可读存储介质，存储介质包括存储的程序，在程序运行时控制存储介质所在的设备执行上述实施例中的方法步骤。
该计算机可读存储介质包括但不限于快闪存储器、硬盘、固态硬盘等。
这里需要指出的是，以上实施例中的可读存储介质描述是与实施例中的方法描述相对应的，本发明实施例在此不做赘述。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。
计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者通过计算机可读存储介质进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质或者半导体介质等。
参考文献
[1]于茜倩,谢冬梅,陈永平,朱业.1979—2019年影响中国沿海的热带气旋与ENSO变化关系初探[J].海洋通报,2022,41(01):29-38.
[2]Mu B,Ma S,Yuan S,et al.Applying convolutional LSTM network topredict El 
events:Transfer learning from the data of dynamical model andobservation[C]//2020IEEE 10th International Conference on ElectronicsInformation and Emergency Communication(ICEIEC).IEEE,2020:215-219.
[3]Ham Y G,Kim J H,Luo J J.Deep learning for multi-year ENSOforecasts[J].Nature,2019,573(7775):568-572.
[4]Defferrard M,Bresson X,Vandergheynst P.Convolutional neuralnetworks on graphs with fast localized spectral filtering[J].Advances inneural information processing systems,2016,29.
[5]Vaswani A,Shazeer N,Parmar N,et al.Attention is all you need[J].Advances in neural information processing systems,2017,30.
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于图卷积的多海洋物理场融合表示的预警方法，其特征在于，所述方法包括：
利用三层图卷积神经网络在多个物理场上进行特征更新，挖掘不同物理场之间的相互关系，以对具有不同物理场综合特性的整体特征表示进行更新；
利用双层时序注意力操作，将具有不同物理场综合特性的整体特征表示及该整体特征表示所对应的位置编码信息输入进双层时序注意力中，获得时段多物理场数据特征耦合表示；
将时段多物理场数据特征耦合表示作为全局特征，并挖掘时序信息进行Nino3.4指数的预测，将Nino3.4指数与输入的台风观测数据进行融合，进行台风强度预测。
2.根据权利要求1所述的一种基于图卷积的多海洋物理场融合表示的预警方法，其特征在于，所述利用三层图卷积神经网络在多个物理场上进行特征更新，挖掘不同物理场之间的相互关系，以对具有不同物理场综合特性的整体特征表示进行更新具体为：
利用第一层图卷积神经网络在单个海洋物理场的空间子区域结构上进行特征更新，挖掘单个海洋物理场空间子区域之间的相互关联；
针对多个海洋物理场，利用第二层和第三层的图卷积神经网络对多个物理场上的浅层和深层信息进行耦合关联，以学习得到具有不同物理场综合特性的整体特征表示。
3.根据权利要求2所述的一种基于图卷积的多海洋物理场融合表示的预警方法，其特征在于，所述利用第一层图卷积神经网络在单个海洋物理场的空间子区域结构上进行特征更新，挖掘单个海洋物理场空间子区域之间的相互关联具体为：
针对单个物理场的信息，利用卷积神经网络提取子区域特征，记为
并且以子区域特征为图结构节点
子区域之间的边信息E，单个物理场图结构G1的邻接矩阵为：
其中，
n为输入子区域特征的个数，
表示物理场x第i帧中两个子区域特征向量之间的欧氏距离，Normalization(·)表示归一化函数，x_a表示物理场x第a个子区域，x_b表示物理场x第b个子区域。
4.根据权利要求2所述的一种基于图卷积的多海洋物理场融合表示的预警方法，其特征在于，所述针对多个海洋物理场，利用第二层和第三层的图卷积神经网络对多个物理场上的浅层和深层信息进行耦合关联，以学习得到具有不同物理场综合特性的整体特征表示具体为：
第二层图结构是浅层多物理场关系融合层，该层图结构节点与第一层图结构更新后的节点保持一致第二层图结构与第一层的区别在于每个物理场所对应的边信息进行交换；
第三层图结构是深层的多物理场关系融合层，该层图结构的节点由第二层x个物理场更新所获的节点拼接而得，第三层图结构的边信息也由第二层的边信息进行求和平均得到；通过第三层图结构的深层物理信息耦合，使得各物理场之间的关联性聚合成一个整体的特征表示，该特征表示作为第i帧上所有物理场耦合的时序输入。
5.根据权利要求1所述的一种基于图卷积的多海洋物理场融合表示的预警方法，其特征在于，所述双层时序注意力具体为：
所述双层时序注意力的第一层为时段信息融合自注意力层，第二层通过提取时段耦合物理场信息序列进行预测；经图卷积神经网络对多物理场信息聚合和更新后，得到最终的同一帧上同一经纬度不同物理场耦合关联特征；将包含时序信息的耦合关联特征分为每M个特征一组作为时段融合信息层的输入；
第二层时序自注意力通过提取时段耦合物理场信息序列进行预测，其输入为第一层输出的时段耦合关联特征。
6.根据权利要求2所述的一种基于图卷积的多海洋物理场融合表示的预警方法，其特征在于，所述单个海洋物理场的空间子区域为：
每帧时序数据尺寸为H×W，将每帧数据按照长宽等分并以地理中心、等分尺寸选取空间子区域；对于第x个物理场，第i帧划分为n个空间子区域记为
为第x个物理场第i帧中的第n个空间子区域的数据。
7.一种基于图卷积的多海洋物理场融合表示的预警装置，其特征在于，所述预警装置包括：
整体特征更新模块，用于利用三层图卷积神经网络在多个物理场上进行特征更新，挖掘不同物理场之间的相互关系，以对具有不同物理场综合特性的整体特征表示进行更新；
特征耦合表示模块，用于利用双层时序注意力操作，将具有不同物理场综合特性的整体特征表示及该整体特征表示所对应的位置编码信息输入进双层时序注意力中，获得时段多物理场数据特征耦合表示；
台风强度预测模块，用于将时段多物理场数据特征耦合表示作为全局特征，并挖掘时序信息进行Nino3.4指数的预测，将Nino3.4指数与输入的台风观测数据进行融合，进行台风强度预测。
8.一种基于图卷积的多海洋物理场融合表示的预警装置，其特征在于，所述装置包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置执行权利要求1-6中的任一项所述的方法步骤。
9.一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存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时使所述处理器执行权利要求1-6中的任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210600333.2A CN114862049A (zh) | 2022-05-30 | 2022-05-30 | 基于图卷积的多海洋物理场融合表示的预警方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210600333.2A CN114862049A (zh) | 2022-05-30 | 2022-05-30 | 基于图卷积的多海洋物理场融合表示的预警方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114862049A true CN114862049A (zh) | 2022-08-05 |
Family
ID=82640395
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210600333.2A Pending CN114862049A (zh) | 2022-05-30 | 2022-05-30 | 基于图卷积的多海洋物理场融合表示的预警方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114862049A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776135A (zh) * | 2023-08-24 | 2023-09-19 | 之江实验室 | 一种基于神经网络模型的物理场数据预测方法及装置 |
-
2022
- 2022-05-30 CN CN202210600333.2A patent/CN114862049A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776135A (zh) * | 2023-08-24 | 2023-09-19 | 之江实验室 | 一种基于神经网络模型的物理场数据预测方法及装置 |
| CN116776135B (zh) * | 2023-08-24 | 2023-12-19 | 之江实验室 | 一种基于神经网络模型的物理场数据预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lee et al. | Rapid prediction of peak storm surge from tropical cyclone track time series using machine learning | |
| US20210342722A1 (en) | Air quality prediction model training method, air quality prediction method, electronic device and storage medium | |
| CN111091196B (zh) | 客流数据确定方法、装置、计算机设备和存储介质 | |
| CN113762595B (zh) | 通行时间预测模型训练方法、通行时间预测方法及设备 | |
| Chitsaz et al. | Pre-processing of data-driven river flow forecasting models by singular value decomposition (SVD) technique | |
| WO2006120724A1 (ja) | ニューラルネットワークを用いた地理情報システム | |
| CN116468186B (zh) | 一种航班链延误时间预测方法、电子设备及存储介质 | |
| CN116108984A (zh) | 基于流量-poi因果关系推理的城市流量预测方法 | |
| Yuan | An improved K-means clustering algorithm for global earthquake catalogs and earthquake magnitude prediction | |
| Calvette et al. | Forecasting smart well production via deep learning and data driven optimization | |
| CN114862049A (zh) | 基于图卷积的多海洋物理场融合表示的预警方法及装置 | |
| Shiri et al. | Forecasting daily stream flows using artificial intelligence approaches | |
| CN115080795A (zh) | 一种多充电站协同负荷预测方法及装置 | |
| Chitra et al. | Time-series analysis and flood prediction using a deep learning approach | |
| Rath et al. | Hierarchical neurofuzzy model for real-time flood forecasting | |
| Nagaraj et al. | Leak detection in smart water grids using EPANET and machine learning techniques | |
| Kundu et al. | Deep learning-based metamodeling technique for nonlinear seismic response quantification | |
| CN114566048B (zh) | 一种基于多视角自适应时空图网络的交通控制方法 | |
| CN116910534A (zh) | 一种不同海域海洋环境要素时空智能预测方法和装置 | |
| Chen et al. | A cellular automaton integrating spatial case-based reasoning for predicting local landslide hazards | |
| Li et al. | Evolving a Bayesian network model with information flow for time series interpolation of multiple ocean variables | |
| CN115600744A (zh) | 一种基于手机数据的共享时空注意力卷积网络人口数量预测方法 | |
| Hung et al. | Development of high-precision wind, wave and current forecast system for offshore wind energy industry in Taiwan: a two-stage method of numerical simulation and AI correction | |
| Sharma et al. | Hydrologic simulation approach for El Niño Southern Oscillation (ENSO)-affected watershed with limited raingauge stations | |
| Vershinin et al. | Neural network as a tool for predicting and controlling the technological regime of production wells |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 300072 Tianjin City, Nankai District Wei Jin Road No. 92 Applicant after: Tianjin University Applicant after: Qingdao Marine Science and Technology Center Address before: 300072 Tianjin City, Nankai District Wei Jin Road No. 92 Applicant before: Tianjin University Applicant before: QINGDAO NATIONAL LABORATORY FOR MARINE SCIENCE AND TECHNOLOGY DEVELOPMENT CENTER |