CN115546609A - 基于静态和动态图学习网络的海温时空预测方法及系统 - Google Patents
基于静态和动态图学习网络的海温时空预测方法及系统 Download PDFInfo
- Publication number
- CN115546609A CN115546609A CN202211255298.1A CN202211255298A CN115546609A CN 115546609 A CN115546609 A CN 115546609A CN 202211255298 A CN202211255298 A CN 202211255298A CN 115546609 A CN115546609 A CN 115546609A
- Authority
- CN
- China
- Prior art keywords
- graph
- sea temperature
- sea
- static
- dynamic
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于静态和动态图学习网络的海温时空预测方法及系统,属于人工智能技术领域,能够解决现有海温预测方法的预测准确率较低的问题。所述方法包括:S1、获取多个海温观测站观测的目标海域的海温数据,并根据海温数据生成多个海温观测站之间的静态图;S2、根据海温数据和静态图,生成多个海温观测站之间的动态图;S3、利用图卷积网络获取静态图和动态图的节点特征,并根据节点特征和海温数据获得目标海域的海温预测值。本发明用于海温预测。
Description
技术领域
本发明涉及一种基于静态和动态图学习网络的海温时空预测方法及系统,属于人工智能技术领域。
背景技术
海洋表面温度(Sea Surface Temperature,简称SST)作为世界海洋的一个重要物理属性,几乎影响着地球大气层的各个方面。海温变化会深刻影响当地和全球气候。例如,海温的变化,特别是异常变化,不可避免地会引起大气水汽水平的剧烈波动,从而产生各种降水模式,甚至导致暴雨、严重干旱和热带气旋等极端天气。这些极端天气往往会导致严重的社会经济影响,如电力系统中断、财产损失和生命损失等。此外,海温变化也显著影响生物活动,特别是海洋生态系统中的植物、动物和微生物。
准确的海温预测可以帮助政府和环境机构提前制定计划,如降水监测、海洋生物保护、旅游、渔业等。然而,预测海温并非易事。全球海洋系统是一个典型的复杂开放系统,影响海温的因素很多,如阳光对能量的吸收、人类活动、当地的地质结构等。此外,全球变暖使得海温异常出现的频率大大增加,为海温预测带来了新的挑战。海温预测技术的发展经历了三个阶段。最初,研究人员使用统计时间序列模型来完成这项任务。随后,机器学习技术被引入这个领域。最近,深度学习技术由于其灵活性和良好性能,已经成为许多现有工作的首选,例如,循环神经网络(Recurrent Neural Network,简称RNN)、长-短期记忆(longshort-term memory,简称LSTM)和图神经网络(Graph Neural Network,简称GNN)。然而,受限于它们各自的网络结构,特别当涉及不规则空间数据时,RNN和LSTM很难捕获和表达海表温度数据之间复杂的时空相关性。同时,基于GNN的方法通常依赖于预定义的图矩阵,可能无法灵活处理SST数据中的异常。因此,现有的海温预测方法的预测准确率较低。
发明内容
本发明提供了一种基于静态和动态图学习网络的海温时空预测方法及系统,能够解决现有海温预测方法的预测准确率较低的问题。
一方面,本发明提供了一种基于静态和动态图学习网络的海温时空预测方法,所述方法包括:
S1、获取多个海温观测站观测的目标海域的海温数据,并根据所述海温数据生成所述多个海温观测站之间的静态图;
S2、根据所述海温数据和所述静态图,生成所述多个海温观测站之间的动态图;
S3、利用图卷积网络获取所述静态图和所述动态图的节点特征,并根据所述节点特征和所述海温数据获得目标海域的海温预测值。
可选的,所述S1具体包括:
S11、获取多个海温观测站观测的海温数据,并根据所述海温数据生成自适应邻接矩阵;
S12、根据所述自适应邻接矩阵生成所述多个海温观测站之间的静态图。
可选的,所述S1还包括:
S13、利用图的正则化对所述静态图进行优化处理,得到优化后的静态图。
可选的,所述S11具体为:
获取多个海温观测站观测的海温数据,并通过节点嵌入方法计算所述海温数据的自适应邻接矩阵。
可选的,所述S2具体包括:
S21、利用多层感知器将所述海温数据映射到与所述自适应邻接矩阵具有相同维度的空间中,得到映射结果;
S22、利用门控机制将所述映射结果和所述自适应邻接矩阵进行信息融合,得到所述多个海温观测站之间的动态图。
可选的,所述S22具体为:
根据第一公式组得到所述多个海温观测站之间的动态图;
所述第一公式组为:
可选的,所述图卷积网络包括第一图卷积网络和第二图卷积网络;
所述S3具体包括:
S31、将所述静态图输入第一图卷积网络中,得到静态图节点特征,并将所述动态图输入第二图卷积网络中,得到动态图节点特征;
S32、根据所述静态图节点特征、所述动态图节点特征和所述海温数据,得到目标海域的海温预测值。
可选的,所述S32具体包括:
S321、获取所述静态图节点特征和所述动态图节点特征的和值,记作最终特征;
S322、将所述最终特征和所述海温数据的和值输入到输出模块中,得到目标海域的海温预测值。
可选的,所述输出模块包括残差网络和多层感知器。
另一方面,本发明提供了一种基于静态和动态图学习网络的海温时空预测系统,所述系统包括:
静态图生成模块,用于获取多个海温观测站观测的目标海域的海温数据,并根据所述海温数据生成所述多个海温观测站之间的静态图;
动态图生成模块,用于根据所述海温数据和所述静态图,生成所述多个海温观测站之间的动态图;
海温预测模块,用于利用图卷积网络获取所述静态图和所述动态图的节点特征,并根据所述节点特征和所述海温数据获得目标海域的海温预测值。
本发明能产生的有益效果包括:
本发明提供的基于静态和动态图学习网络的海温时空预测方法,有效地捕获了多元数据的时空相关性,能够挖据出数据中的长期模式和不断变化的短期模式,极大提升预测准确率。同时,本发明提供了一种端到端的海表温度预测框架,该框架综合了静态、动态图学习,时间卷积和图卷积,为多元时间序列数据(如海表温度数据)提供了有前景的预测。
附图说明
图1为本发明实施例提供的基于静态和动态图学习网络的海温时空预测方法流程图。
具体实施方式
下面结合实施例详述本发明,但本发明并不局限于这些实施例。
本发明实施例提供了一种基于静态和动态图学习网络的海温时空预测方法,如图1所示,所述方法包括:
S1、获取多个海温观测站观测的目标海域的海温数据,并根据海温数据生成多个海温观测站之间的静态图。
具体包括:
S11、获取多个海温观测站观测的海温数据,并根据海温数据生成自适应邻接矩阵。
S12、根据自适应邻接矩阵生成多个海温观测站之间的静态图。在得到自适应邻接矩阵Ms后,可以根据自适应邻接矩阵Ms导出海洋温度观测站之间的空间依赖权值,我们称空间依赖权值为静态图。
在实际应用中,在获取多个海温观测站观测的海温数据X后,可以通过节点嵌入方法计算海温数据的自适应邻接矩阵Ms,再利用自适应邻接矩阵Ms来推断出静态图,以获取数据的固定长期模式。其中,节点嵌入方法可以采用现成的网络方法,比如前馈神经网络,本发明实施例对此不做限定。
进一步的,S1还包括:
S13、利用图的正则化对静态图进行优化处理,得到优化后的静态图。
通过利用图的正则化方法来提升静态图的生成质量。
S2、根据海温数据和静态图,生成多个海温观测站之间的动态图。
具体包括:
S21、利用多层感知器将海温数据映射到与自适应邻接矩阵具有相同维度的空间中,得到映射结果;
S22、利用门控机制将映射结果和自适应邻接矩阵进行信息融合,得到多个海温观测站之间的动态图。
具体的:可以根据第一公式组得到多个海温观测站之间的动态图;
第一公式组为:
S21中的多层感知器和S22中的门控机制合起来可以称为动态图学习层(DynamicLearning Layer)。本发明通过构建动态图学习层来建模数据短期内的动态依赖关系,挖掘出在时间窗口内不同观测站海温数据之间的时空依赖性,最终生成动态图。
S3、利用图卷积网络获取静态图和动态图的节点特征,并根据节点特征和海温数据获得目标海域的海温预测值。
其中,图卷积网络包括第一图卷积网络和第二图卷积网络。
S3具体包括:
S31、将静态图输入第一图卷积网络中,得到静态图节点特征,并将动态图输入第二图卷积网络中,得到动态图节点特征。
其中,第一图卷积网络和第二图卷积网络为相同图卷积网络,但两者参数不同。
将S1得到的静态图和S2得到的动态图通过两个图卷积网络来分别捕获静态和动态图的节点表示,即静态图节点特征和动态图节点特征。
S32、根据静态图节点特征、动态图节点特征和海温数据,得到目标海域的海温预测值。
具体包括:
S321、获取静态图节点特征和动态图节点特征的和值,记作最终特征。
将静态图节点特征和动态图节点特征相加得到特征变换结果,记作最终特征。具体数学表达式如第二公式所示:
Zf=Zstatic+Zdynamic;
其中,Zf为最终特征,zstatic为静态图节点特征,Zdynamic为动态图节点特征。
S322、将最终特征和海温数据的和值输入到输出模块中,得到目标海域的海温预测值。其中,输出模块包括残差网络和多层感知器。
将S321得到的最终特征Zf,与海温数据相加后,输入到残差网络和多层感知器中,输出得到最终的输出结果,即目标海域未来时段的海温预测值,从而捕捉到输入的海温数据的时间趋势。
本发明同时挖掘隐藏在多元海温数据中的稳定长期模式和动态短期模式,使得海洋温度时空预测性能得到大幅提升。
本发明提供的基于静态和动态图学习网络的海温时空预测方法,有效地捕获了多元数据的时空相关性,能够挖据出数据中的长期模式和不断变化的短期模式,极大提升预测准确率。同时,本发明提供了一种端到端的海表温度预测框架,该框架综合了静态、动态图学习,时间卷积和图卷积,为多元时间序列数据(如海表温度数据)提供了有前景的预测。
本发明另一实施例提供一种基于静态和动态图学习网络的海温时空预测系统,所述系统包括:
静态图生成模块,用于获取多个海温观测站观测的目标海域的海温数据,并根据海温数据生成多个海温观测站之间的静态图;
动态图生成模块,用于根据海温数据和静态图,生成多个海温观测站之间的动态图;
海温预测模块,用于利用图卷积网络获取静态图和动态图的节点特征,并根据节点特征和海温数据获得目标海域的海温预测值。
上述预测系统中各个模块的具体描述可以参考预测方法中对每个步骤的描述,在此不再赘述,上述预测系统可以实现与预测方法同样的功能。
以上所述,仅是本申请的几个实施例,并非对本申请做任何形式的限制,虽然本申请以较佳实施例揭示如上,然而并非用以限制本申请,任何熟悉本专业的技术人员,在不脱离本申请技术方案的范围内,利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例,均属于技术方案范围内。
Claims (10)
1.一种基于静态和动态图学习网络的海温时空预测方法,其特征在于,所述方法包括:
S1、获取多个海温观测站观测的目标海域的海温数据,并根据所述海温数据生成所述多个海温观测站之间的静态图;
S2、根据所述海温数据和所述静态图,生成所述多个海温观测站之间的动态图;
S3、利用图卷积网络获取所述静态图和所述动态图的节点特征,并根据所述节点特征和所述海温数据获得目标海域的海温预测值。
2.根据权利要求1所述的方法,其特征在于,所述S1具体包括:
S11、获取多个海温观测站观测的海温数据,并根据所述海温数据生成自适应邻接矩阵;
S12、根据所述自适应邻接矩阵生成所述多个海温观测站之间的静态图。
3.根据权利要求2所述的方法,其特征在于,所述S1还包括:
S13、利用图的正则化对所述静态图进行优化处理,得到优化后的静态图。
4.根据权利要求2所述的方法,其特征在于,所述S11具体为:
获取多个海温观测站观测的海温数据,并通过节点嵌入方法计算所述海温数据的自适应邻接矩阵。
5.根据权利要求2或4所述的方法,其特征在于,所述S2具体包括:
S21、利用多层感知器将所述海温数据映射到与所述自适应邻接矩阵具有相同维度的空间中,得到映射结果;
S22、利用门控机制将所述映射结果和所述自适应邻接矩阵进行信息融合,得到所述多个海温观测站之间的动态图。
7.根据权利要求1所述的方法,其特征在于,所述图卷积网络包括第一图卷积网络和第二图卷积网络;
所述S3具体包括:
S31、将所述静态图输入第一图卷积网络中,得到静态图节点特征,并将所述动态图输入第二图卷积网络中,得到动态图节点特征;
S32、根据所述静态图节点特征、所述动态图节点特征和所述海温数据,得到目标海域的海温预测值。
8.根据权利要求7所述的方法,其特征在于,所述S32具体包括:
S321、获取所述静态图节点特征和所述动态图节点特征的和值,记作最终特征;
S322、将所述最终特征和所述海温数据的和值输入到输出模块中,得到目标海域的海温预测值。
9.根据权利要求8所述的方法,其特征在于,所述输出模块包括残差网络和多层感知器。
10.一种基于静态和动态图学习网络的海温时空预测系统,其特征在于,所述系统包括:
静态图生成模块,用于获取多个海温观测站观测的目标海域的海温数据,并根据所述海温数据生成所述多个海温观测站之间的静态图;
动态图生成模块,用于根据所述海温数据和所述静态图,生成所述多个海温观测站之间的动态图;
海温预测模块,用于利用图卷积网络获取所述静态图和所述动态图的节点特征,并根据所述节点特征和所述海温数据获得目标海域的海温预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211255298.1A CN115546609A (zh) | 2022-10-13 | 2022-10-13 | 基于静态和动态图学习网络的海温时空预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211255298.1A CN115546609A (zh) | 2022-10-13 | 2022-10-13 | 基于静态和动态图学习网络的海温时空预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115546609A true CN115546609A (zh) | 2022-12-30 |
Family
ID=84732864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211255298.1A Pending CN115546609A (zh) | 2022-10-13 | 2022-10-13 | 基于静态和动态图学习网络的海温时空预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115546609A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822382A (zh) * | 2023-08-30 | 2023-09-29 | 中国海洋大学 | 基于时空多重特性图卷积的海表面温度预测方法及网络 |
-
2022
- 2022-10-13 CN CN202211255298.1A patent/CN115546609A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822382A (zh) * | 2023-08-30 | 2023-09-29 | 中国海洋大学 | 基于时空多重特性图卷积的海表面温度预测方法及网络 |
CN116822382B (zh) * | 2023-08-30 | 2023-11-21 | 中国海洋大学 | 基于时空多重特性图卷积的海表面温度预测方法及网络 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111859800B (zh) | 用于pm2.5浓度分布的时空估算和预测方法 | |
CN113487088A (zh) | 基于动态时空图卷积注意力模型的交通预测方法及装置 | |
CN112132149B (zh) | 一种遥感影像语义分割方法及装置 | |
CN113673769B (zh) | 基于多元时间序列插补的图神经网络交通流预测方法 | |
CN110570035B (zh) | 同时建模时空依赖性和每日流量相关性的人流量预测系统 | |
CN116822382B (zh) | 基于时空多重特性图卷积的海表面温度预测方法及网络 | |
CN115546609A (zh) | 基于静态和动态图学习网络的海温时空预测方法及系统 | |
CN111882157A (zh) | 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质 | |
CN115983493A (zh) | 一种基于多任务学习及深度学习模型的水质预测方法 | |
CN115629160A (zh) | 一种基于时空图的空气污染物浓度预测方法及系统 | |
CN114417693A (zh) | 一种基于深度学习的海洋三维温度场反演方法 | |
CN115146874A (zh) | 一种基于多图卷积网络的河流水质预测方法 | |
Vu et al. | Long-run forecasting surface and groundwater dynamics from intermittent observation data: An evaluation for 50 years | |
CN113484882A (zh) | 多尺度滑动窗口lstm的gnss序列预测方法及系统 | |
CN113569479B (zh) | 石窟寺岩体裂隙发育长期多步控制方法、装置及存储介质 | |
KIMURA et al. | Convolutional neural network (cnn)-based transfer learning implemented to time-series flood forecast | |
Jiang | A manifold constrained multi-head self-attention variational autoencoder method for hyperspectral anomaly detection | |
Tharzeen et al. | A General Spatiotemporal Imputation Framework for Missing Sensor Data | |
DEMERTZIS et al. | Data analytics for climate and atmospheric science | |
CN114004421B (zh) | 一种基于时空集成学习的交通数据缺失值插补方法 | |
CN115019168B (zh) | 基于混合注意力网络的sar图像水体提取方法及系统 | |
Seyler et al. | Machine learning models for groundwater availability | |
Youwei et al. | Predictions to the Water Level of Changjiang Waterway Employing Deep Learning Algorithm LSTM | |
Van Puyvelde | Forecasting offshore wind farm energy production | |
CN117875493A (zh) | 一种基于原型校正的多步海表面高度时空预测算法 |
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 |