CN116821673A - Enso预测方法、装置、电子设备和存储介质 - Google Patents
Enso预测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116821673A CN116821673A CN202310573425.0A CN202310573425A CN116821673A CN 116821673 A CN116821673 A CN 116821673A CN 202310573425 A CN202310573425 A CN 202310573425A CN 116821673 A CN116821673 A CN 116821673A
- Authority
- CN
- China
- Prior art keywords
- target
- prediction
- oni
- time period
- enso
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims description 39
- 238000000354 decomposition reaction Methods 0.000 claims description 34
- 238000013527 convolutional neural network Methods 0.000 claims description 26
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 13
- 230000007787 long-term memory Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 8
- 230000006403 short-term memory Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 12
- 238000005070 sampling Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000020477 pH reduction Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种ENSO预测方法、装置、电子设备和存储介质，将目标海域在目标历史时间段内的气象特征序列输入一阶段ENSO预测模型，得到目标海域在目标未来时间段内的气象特征序列预测结果；将目标海域在目标历史时间段内的气象特征序列、目标海域在目标未来时间段内的气象特征序列预测结果和目标历史时间段内的海洋尼诺指数ONI分别输入二阶段ENSO预测模型的三个预测子模型，根据三个预测子模型分别输出的目标未来时间段内的ONI预测结果，得到目标未来时间段内的ONI最终预测结果。本发明通过分步进行ENSO预测，提高了ENSO预测的效果。
Description
技术领域
本发明涉及气象预测技术领域，尤其涉及一种ENSO预测方法、装置、电子设备和存储介质。
背景技术
海洋厄尔尼诺/南方涛动(El-Southern Oscillation，ENSO)是发生于赤道东太平洋地区的风场和海面温度震荡，在海洋方面表现为厄尔尼诺-拉尼娜的转变，在大气方面表现为南方涛动。ENSO是全球范围内年际、年代际气候变化的显著信号，其主要影响是改变全球的大气和海洋环流格局，导致全球气温、降水、风暴等天气发生变化，其主要危害包括干旱、洪涝、海平面上升、温度变化、海洋酸化等，对人类和自然环境产生广泛而深远的影响。因此，准确预报海洋厄尔尼诺/南方涛动事件的发生时间和强度具有非常重要的实际意义。
目前的ENSO预测模型基于过去时空关联序列输入因子，预测未来时序输出因子，输入特征为全球海表温度异常、热容异常等，输出特征为海洋尼诺指数(Oceanic NinoIndex，ONI)。目前的ENSO预测模型试图从时空关联序列数据提取特征，直接预测时序输出因子，未考虑时空关联数据本身时空演变模式，预测效果较差。
发明内容
针对现有技术存在的问题，本发明提供一种ENSO预测方法、装置、电子设备和存储介质。
第一方面，本发明提供一种ENSO预测方法，包括：
将目标海域在目标历史时间段内的气象特征序列输入一阶段ENSO预测模型，得到所述目标海域在目标未来时间段内的气象特征序列预测结果；
将所述目标海域在目标历史时间段内的气象特征序列、所述目标海域在目标未来时间段内的气象特征序列预测结果和所述目标历史时间段内的海洋尼诺指数ONI分别输入二阶段ENSO预测模型的三个预测子模型，根据所述三个预测子模型分别输出的所述目标未来时间段内的ONI预测结果，得到所述目标未来时间段内的ONI最终预测结果；
所述一阶段ENSO预测模型是基于带有气象特征序列预测结果标签的所述目标海域的历史样本气象特征序列训练得到的；
所述三个预测子模型包括第一预测子模型、第二预测子模型、第三预测子模型；其中，所述第一预测子模型是基于带有ONI预测结果标签的所述一阶段ENSO预测模型输出的预测结果样本训练得到的；所述第二预测子模型是基于带有ONI预测结果标签的所述目标海域的历史样本气象特征序列训练得到的；所述第三预测子模型是基于带有ONI预测结果标签的历史ONI样本训练得到的。
可选地，所述一阶段ENSO预测模型包括参数共享的多个级联的网络块，
每个所述网络块用于基于输入的特征序列，输出对应于输入的特征序列的隐藏特征；
每个所述网络块的输出与所述网络块之后第二个网络块的输出相加作为所述网络块之后第三个网络块的输入；第一个所述网络块的输入为所述目标海域在目标历史时间段内的气象特征序列。
可选地，每个所述网络块中包括多个级联的通道数相同的网络层，每个所述网络层包括：
预处理子模块，用于对所述网络层的输入特征序列进行滑动窗口特征提取，并通过三维卷积层对所述滑动窗口提取的特征进行降维，使得输出通道数小于输入通道数；
卷积张量链式分解子模块，用于对所述预处理子模块输出的特征序列进行张量链式分解；
长短期记忆网络子模块，用于基于所述卷积张量链式分解子模块输出的特征序列和所述网络层的输入特征序列，输出对应的隐藏特征。
可选地，
所述第一预测子模型用于基于第一卷积神经网络，从所述目标海域在目标未来时间段内的气象特征序列预测结果中提取第一ONI预测结果；所述第一卷积神经网络包括卷积层、池化层、全连接层；
所述第二预测子模型用于基于第二卷积神经网络，从所述目标海域在目标历史时间段内的气象特征序列中提取第二ONI预测结果；所述第二卷积神经网络包括卷积层、池化层、全连接层；
所述第三预测子模型用于基于线性门控循环网络，从所述目标历史时间段内的ONI中提取第三ONI预测结果。
可选地，将所述第一ONI预测结果、所述第二ONI预测结果和所述第三ONI预测结果加权相加，得到所述目标未来时间段内的ONI最终预测结果。
可选地，所述线性门控循环网络包括并行连接的线性模块和非线性模块，
所述线性模块用于基于线性转移矩阵，捕捉所述目标未来时间段内的ONI最终预测结果与所述目标历史时间段内的ONI之间的线性依赖；
所述非线性模块用于基于门控循环单元，捕捉所述目标未来时间段内的ONI最终预测结果与所述目标历史时间段内的ONI之间的非线性依赖。
第二方面，本发明还提供一种ENSO预测装置，包括：
第一确定模块，用于将目标海域在目标历史时间段内的气象特征序列输入一阶段ENSO预测模型，得到所述目标海域在目标未来时间段内的气象特征序列预测结果；
第二确定模块，用于将所述目标海域在目标历史时间段内的气象特征序列、所述目标海域在目标未来时间段内的气象特征序列预测结果和所述目标历史时间段内的海洋尼诺指数ONI分别输入二阶段ENSO预测模型的三个预测子模型，根据所述三个预测子模型分别输出的所述目标未来时间段内的ONI预测结果，得到所述目标未来时间段内的ONI最终预测结果；
所述一阶段ENSO预测模型是基于带有气象特征序列预测结果标签的所述目标海域的历史样本气象特征序列训练得到的；
所述三个预测子模型包括第一预测子模型、第二预测子模型、第三预测子模型；其中，所述第一预测子模型是基于带有ONI预测结果标签的所述目标海域的历史样本气象特征序列训练得到的；所述第二预测子模型是基于带有ONI预测结果标签的所述一阶段ENSO预测模型输出的预测结果样本训练得到的；所述第三预测子模型是基于带有ONI预测结果标签的历史ONI样本训练得到的。
第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述第一方面所述的ENSO预测方法。
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上所述第一方面所述的ENSO预测方法。
第五方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述ENSO预测方法。
本发明提供的ENSO预测方法、装置、电子设备和存储介质，先通过一阶段ENSO预测模型，根据目标海域在目标历史时间段内的气象特征序列，得到目标海域在目标未来时间段内的气象特征序列预测结果，再通过二阶段ENSO预测模型，根据目标海域在目标未来时间段内的气象特征序列预测结果、目标海域在目标历史时间段内的气象特征序列和目标历史时间段内的ONI，得到目标未来时间段内的ONI最终预测结果，提高了ENSO预测的效果。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的ENSO预测方法的流程示意图之一；
图2是本发明提供的ENSO预测方法的流程示意图之二；
图3是本发明提供的序列到序列深度模型的结构示意图之一；
图4是本发明提供的序列到序列深度模型的结构示意图之二；
图5是本发明提供的序列到序列深度模型的结构示意图之三；
图6是本发明提供的阶段2深度模型的结构示意图；
图7是本发明提供的ENSO预测装置的结构示意图；
图8是本发明提供的电子设备的结构示意图。
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，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明提供的ENSO预测方法的流程示意图之一，如图1所示，该方法包括如下步骤：
步骤100、将目标海域在目标历史时间段内的气象特征序列输入一阶段ENSO预测模型，得到目标海域在目标未来时间段内的气象特征序列预测结果。
步骤101、将目标海域在目标历史时间段内的气象特征序列、目标海域在目标未来时间段内的气象特征序列预测结果和目标历史时间段内的海洋尼诺指数ONI分别输入二阶段ENSO预测模型的三个预测子模型，根据三个预测子模型分别输出的目标未来时间段内的ONI预测结果，得到目标未来时间段内的ONI最终预测结果。
一阶段ENSO预测模型是基于带有气象特征序列预测结果标签的目标海域的历史样本气象特征序列训练得到的；
三个预测子模型包括第一预测子模型、第二预测子模型、第三预测子模型；其中，第一预测子模型是基于带有ONI预测结果标签的一阶段ENSO预测模型输出的预测结果样本训练得到的；第二预测子模型是基于带有ONI预测结果标签的目标海域的历史样本气象特征序列训练得到的；第三预测子模型是基于带有ONI预测结果标签的历史ONI样本训练得到的。
具体地，目标海域在目标历史时间段内的气象特征序列和目标历史时间段内的海洋尼诺指数(Oceanic Nino Index，ONI)可以是通过对全球海表多特征样本数据库进行预处理后得到的。
目标海域在目标历史时间段内的气象特征序列可以是目标海域过去某一时刻到当前时刻(例如过去12个月)的海表温度、热容等。目标历史时间段内的ONI可以用于表征过去某一时刻到当前时刻(例如过去12个月)的ENSO现象程度。
可以获取全球海表多特征数据样本库的地址包括美国国家海洋和大气管理局、美国国家气象局的气候观测中心、美国宇航局提供的气象卫星资料下载网站、世界气象组织的气候数据存储和查询平台等。
对全球海表多特征样本数据库进行预处理，可以是使用数据预处理软件、python数据处理包等方式进行预处理。
可选地，在得到目标海域在目标历史时间段内的气象特征序列和目标历史时间段内的ONI后，还可以根据采样间隔δ对气象特征序列和ONI进行滑动采样。采样间隔δ可以针对年设置，或者，也可以针对月设置。权衡数据量不足和模型过拟合风险，针对月份的采样间隔δ的取值范围可以是1≤δ≤12。
一阶段ENSO预测模型可以基于输入的目标海域在目标历史时间段内的气象特征序列，得到目标海域在目标未来时间段内的气象特征序列预测结果。目标未来时间段可以是当前时刻至未来某一时刻(例如未来24个月)。
二阶段ENSO预测模型中包括三个预测子模型：第一预测子模型、第二预测子模型、第三预测子模型。
将目标海域在目标历史时间段内的气象特征序列、目标海域在目标未来时间段内的气象特征序列预测结果和目标历史时间段内的ONI分别输入三个预测子模型，三个预测子模型可以根据其输入分别输出对应的目标未来时间段内的ONI预测结果。结合三个预测子模型的输出结果，可以得到目标未来时间段内的ONI最终预测结果。
在模型训练过程中，可以将目标海域的历史气象特征序列作为训练样本，将目标海域在预测时段的气象特征序列作为气象特征序列预测结果标签对一阶段ENSO预测模型进行训练。例如，需要根据过去12个月的气象特征预测未来12个月的气象特征，则在训练时，可以将目标海域过去24至12个月间的气象特征序列作为训练样本，将目标海域过去12个月的气象特征序列作为气象特征序列预测结果标签。
二阶段ENSO预测模型在训练过程中，可以将预测时段的ONI作为预测结果标签。第一预测子模型的训练样本可以是一阶段ENSO预测模型输出的目标海域气象特征的预测结果。第二预测子模型的训练样本可以是目标海域的历史气象特征序列。第三预测子模型的训练样本可以是历史ONI。例如，需要根据过去12个月的气象特征预测未来12个月的ONI，则预测结果标签可以是过去12个月的ONI，第一预测子模型的训练样本可以是一阶段ENSO预测模型输出的目标海域过去12个月的气象特征序列的预测结果，第二预测子模型的训练样本可以是目标海域过去24至12个月间的气象特征序列，第三预测子模型的训练样本可以是过去24至12个月间的ONI。
本发明提供的ENSO预测方法，先通过一阶段ENSO预测模型，根据目标海域在目标历史时间段内的气象特征序列，得到目标海域在目标未来时间段内的气象特征序列预测结果，再通过二阶段ENSO预测模型，根据目标海域在目标未来时间段内的气象特征序列预测结果、目标海域在目标历史时间段内的气象特征序列和目标历史时间段内的ONI，得到目标未来时间段内的ONI最终预测结果，提高了ENSO预测的效果。
可选地，一阶段ENSO预测模型包括参数共享的多个级联的网络块，
每个网络块用于基于输入的特征序列，输出对应于输入的特征序列的隐藏特征；
每个网络块的输出与网络块之后第二个网络块的输出相加作为网络块之后第三个网络块的输入；第一个网络块的输入为目标海域在目标历史时间段内的气象特征序列。
具体地，一阶段ENSO预测模型包括的多个级联的网络块之间是参数共享的，每个网络块都可以基于循环卷积神经网络获取对应于输入的特征序列的隐藏特征。网络块中所使用的循环卷积神经网络可以是长短期记忆网络，或者其他的循环卷积神经网络，在此不做具体限定。
每个网络块的输出与网络块之后第二个网络块的输出相加作为网络块之后第三个网络块的输入。例如，第一个网络块的输出与第三个网络块的输出相加作为第四个网络块的输入。
一阶段ENSO预测模型第一个网络块的输入为目标海域在目标历史时间段内的气象特征序列。
可选地，每个网络块中包括多个级联的通道数相同的网络层，每个网络层包括：
预处理子模块，用于对网络层的输入特征序列进行滑动窗口特征提取，并通过三维卷积层对滑动窗口提取的特征进行降维，使得输出通道数小于输入通道数；
卷积张量链式分解子模块，用于对预处理子模块输出的特征序列进行张量链式分解；
长短期记忆网络子模块，用于基于卷积张量链式分解子模块输出的特征序列和网络层的输入特征序列，输出对应的隐藏特征。
具体地，一阶段ENSO预测模型的每个网络块中，包括多个级联的网络层，并且每个网络层的通道数相同。
每个网络层中可以包括：
预处理子模块，可以先通过预设步长对该网络层的输入特征序列进行滑动窗口特征提取。
例如，输入的特征序列包含连续5个时刻的特征，预设步长为3，则通过滑动窗口特征提取后，分别得到第1至第3时刻、第2至第4时刻以及第3至第5时刻的特征。
在对该网络层的输入特征序列进行滑动窗口特征提取后，可以通过三维卷积层对提取的每一个特征进行降维，使得三维卷积层输出特征的通道数小于输入特征的通道数。
卷积张量链式分解子模块，可以使用几个低维卷积核的连续卷积来得到多个高维的卷积核，然后使用多个高维的卷积核对预处理子模块输出的特征序列进行张量链式分解，卷积核的大小随着时间尺度上历史时刻到当前时刻的距离增加而变大。
例如，预处理子模块输出的特征序列为第1至第3时刻、第2至第4时刻以及第3至第5时刻的特征，可以使用3×3的卷积核A对第3至第5时刻的特征进行张量链式分解，得到特征F1；然后使用5×5的卷积核对第2至第4时刻的特征进行张量链式分解，得到特征F2，该5×5的卷积核可以通过3×3的卷积核A和新的3×3的卷积核B得到；再使用7×7的卷积核对第1至第3时刻的特征进行张量链式分解，得到特征F3，该7×7的卷积核可以通过5×5的卷积核和新的3×3的卷积核C得到。将得到的特征F1、F2和F3相加，作为卷积张量链式分解子模块的输出。
针对第i个时刻的四维卷积核其中，Ki×Ki表示卷积核的大小，C(i)表示卷积核的输入通道数，C(0)表示卷积核的输出通道数，卷积张量链式分解表达式可以为：
其中，表示第i个分解因子，对于卷积核K(1),...K(i)，分解之后的分解因子集合为{G(1),...G(i)}。
长短期记忆网络子模块，可以基于卷积张量链式分解子模块输出的特征序列和网络层的输入特征序列相加后得到特征序列，输出对应的隐藏特征。
可选地，
第一预测子模型用于基于第一卷积神经网络，从目标海域在目标未来时间段内的气象特征序列预测结果中提取第一ONI预测结果；第一卷积神经网络包括卷积层、池化层、全连接层；
第二预测子模型用于基于第二卷积神经网络，从目标海域在目标历史时间段内的气象特征序列中提取第二ONI预测结果；第二卷积神经网络包括卷积层、池化层、全连接层；
第三预测子模型用于基于线性门控循环网络，从目标历史时间段内的ONI中提取第三ONI预测结果。
具体地，二阶段ENSO预测模型所包括三个预测子模型中，第一预测子模型可以基于第一卷积神经网络，从目标海域在目标未来时间段内的气象特征序列预测结果中，提取目标未来时间段内的第一ONI预测结果。
第二预测子模型可以基于第二卷积神经网络，从目标海域在目标历史时间段内的气象特征序列中，提取目标未来时间段内的第二ONI预测结果。
第三预测子模型可以基于线性门控循环网络，从目标历史时间段内的ONI中提取目标未来时间段内的第三ONI预测结果。
可选地，将第一ONI预测结果、第二ONI预测结果和第三ONI预测结果加权相加，可以得到目标未来时间段内的ONI最终预测结果。
一种实施方式中，可以将第一ONI预测结果、第二ONI预测结果和第三ONI预测结果的权重都设置为1然后相加，即直接将第一ONI预测结果、第二ONI预测结果和第三ONI预测结果相加得到目标未来时间段内的ONI最终预测结果。
可选地，线性门控循环网络包括并行连接的线性模块和非线性模块，
线性模块用于基于线性转移矩阵，捕捉目标未来时间段内的ONI最终预测结果与目标历史时间段内的ONI之间的线性依赖；
非线性模块用于基于门控循环单元，捕捉目标未来时间段内的ONI最终预测结果与目标历史时间段内的ONI之间的非线性依赖。
具体地，第三预测子模型中使用的线性门控循环网络包括并行连接的线性模块和非线性模块。
线性模块由线性转移矩阵构成，可以对输入因子进行线性映射，用于捕捉目标未来时间段内的ONI最终预测结果与目标历史时间段内的ONI之间的线性依赖。
非线性模块由门控循环单元构成，可以对输入因子进行非线性映射，用于捕捉目标未来时间段内的ONI最终预测结果与目标历史时间段内的ONI之间的非线性依赖。
基于目标未来时间段内的ONI最终预测结果与目标历史时间段内的ONI之间的线性依赖和非线性依赖，可以得到目标未来时间段内的第三ONI预测结果。
以下通过具体应用场景对本发明提供的方法进行举例说明。
本发明提供的ENSO预测方法，核心在于先使用序列到序列深度模型捕捉时空关联序列的时空演变模式，再将预测的未来时空关联序列数据映射到未来对应时刻的时间序列数据，通过数据层面引入更多监督信息的方式构建两个阶段的多步预测方法，提高了预测效率、准确度和稳定性。
图2为本发明提供的ENSO预测方法的流程示意图之二，如图2所示，该方法包括如下步骤：
1、获取全球海表多特征数据样本库，进行预处理，提取包含海洋厄尔尼诺/南方涛动预测相关特征的时空关联网格序列数据和ONI时间序列数据。
海洋厄尔尼诺/南方涛动的预测数据样本主要分为两类：历史观测数据和模式模拟数据。两种数据源通常会结合使用，以提高预测的准确性和可靠性。历史观测数据可以用来校准模型，并作为模型输入的基准数据；模式模拟数据则可以帮助预测未来海洋厄尔尼诺/南方涛动时间的可能性和趋势。可以获取全球海表多特征数据样本库的地址包括美国国家海洋和大气管理局、美国国家气象局的气候观测中心、美国宇航局提供的气象卫星资料下载网站、世界气象组织的气候数据存储和查询平台等。
对获得的全球海表多特征样本数据库进行预处理，目的是为了得到包含海洋厄尔尼诺/南方涛动预测相关特征的特定格式的样本集合。特征是与海洋厄尔尼诺/南方涛动时间密切相关的预测因子，如海表温度、热容等。为了便于理解，下面针对海表温度、热容进行阐述。数据预处理可以使用数据预处理软件、python数据处理包等方式进行。得到最终的数据格式为时空关联网格序列数据，表示为X＝{X1,X2,...,Xn}，Xi∈RH×W，和时间序列数据，表示为y＝{y1,y2,...,yn},yi∈R。
对获得的海表温度、热容时空关联网格序列数据和ONI时间序列数据进行顺序滑动采样，目的是得到样本集合。针对海洋厄尔尼诺/南方涛动预测问题，采样间隔δ可以针对年设置，也可以针对序列数据的时间分辨率(一般为月)进行设置，后者的好处是可以大大增加样本量，缓解海洋领域有效数据量不足的问题，坏处是因为数据重复使用可能会造成模型过拟合。针对月份的采样间隔δ设置为12时，等价于针对年份的采样间隔δ设置为1。因此，权衡数据量不足和模型过拟合风险，针对月份的采样间隔δ可以取1≤δ≤12。
2、依据海洋厄尔尼诺/南方涛动时空特征和演化趋势，针对海表温度、热容时空关联网格序列数据，构建并训练阶段1序列到序列深度模型。
阶段1构建的模型所针对的典型问题是时空序列预测问题，即基于过去时空关联网格序列数据，预测未来时空关联网格序列数据。其关键在于捕获时空关联网格序列数据的时空演变特征，形式化表达式为：
其中，t表示当前时刻，T表示过去时刻数，τ表示未来时刻数。
阶段1构建的模型整体框架为典型的序列到序列深度模型。
图3为本发明提供的序列到序列深度模型的结构示意图之一，如图3所示，输入数据为过去T个时刻网格序列数据Xt-T+1,...,Xt，经过编码模块Encoder对网格序列数据进行时空关联特征的提取，得到语义编码特征Context。语义编码特征Context经过解码模块Decoder得到预测的未来时刻海表温度、热容时空序列
在编码方面，依据海洋厄尔尼诺/南方涛动预测问题特征及要求，可以采用正余弦周期函数对日历月信息进行编码，采用卷积神经网络单一时刻网格数据空间关联信息进行提取，采用长短期记忆网络对单一位置以为时间序列前后关联信息进行提取。时空序列预测问题涉及领域广泛，包括天气预测、交通流量预测、视频预测、医学影像预测、行为轨迹预测等，典型方法如卷积长短期记忆网络、物理知识启发式动态神经网络、基于注意力机制的神经网络、递归神经网络、卷积张量链式分解长短期记忆网络、自注意力卷积长短期记忆网络等。本发明采用卷积张量链式分解长短期记忆网络来对连续时刻、非连续时刻时空网格序列数据时空关联信息进行提取。
在解码方面，依据海洋厄尔尼诺/南方涛动预测问题特征及要求，采用课程学习策略进行解码，预设一个概率p，0≤p≤1，当前时刻的输入以概率p为前一个时刻的输出，以1-p的概率为当前时刻的真实输入因子。随着训练次数的增加，p逐渐增大至1，此时，当前时刻的输入为前一时刻的输出。解码策略只在训练阶段使用，验证和测试阶段不使用，此时，当前时刻的输入即为前一时刻的输出。
图4为本发明提供的序列到序列深度模型的结构示意图之二，如图4所示，基于卷积张量链式分解长短期记忆网络的序列到序列模型结构包括预处理模块、卷积张量链式分解模块、长短期记忆网络模块。
序列到序列模型针对的是当前t时刻的操作，目的是基于过去各时刻的特征，得到当前t时刻的输出X(t)。
图4所示是各时刻的特征维度(即通道数)为1的情况，实际各时刻特征维度大于1，但是原理相同。模型各个模块作用表述如下：
预处理模块(Preprocessing Module)，对过去多个时刻的特征进行处理，然后基于三维卷积进行降低通道维数。图4所示的是对t-1，...，t-5时刻进行处理，示例性的，将t-1，t-2，t-3时刻特征拼接在一起，使用三维卷积对拼接得到的特征进行卷积，同时输出通道数小于输入通道数，达到降低通道维数的目的。类似的对t-2，t-3，t-4时刻特征拼接在一起，对t-3，t-4，t-5时刻特征拼接在一起，进行相同操作。
卷积张量链式分解模块(Conv.Tensor-Train Module)，目的基于卷积张量链式分解的方式，在时间空间复杂度均为线性的前提下，使用相同的几个低维卷积核的连续卷积来得到多个高维的卷积核，得到的多个高维的卷积核分别作用在预处理模块输出的特征上，卷积核的大小随着时间尺度上历史时刻到当前时刻的距离增加而变大。如图4所示，对t-1，t-2，t-3时刻卷积之后的特征使用3×3的卷积核A进行卷积，得到特征F1；对t-2，t-3，t-4时刻卷积之后的特征使用5×5的卷积核进行卷积，得到特征F2，5×5的卷积核是通过3×3的卷积核A和新的3×3的卷积核卷积B得到的；同理，对t-3，t-4，t-5时刻卷积之后的特征使用7×7的卷积核进行卷积，得到特征F3，7×7的卷积核是5×5的卷积核和新的3×3的卷积核C进行卷积得到的。7×7的卷积核也可以看作是三个3×3的卷积核A、B、C连续卷积得到的。将得到的特征F1，F2，F3进行相加，得到融合之后的包含多个历史时刻的特征。
长短期记忆网络(Long Short-term Memory Networks，LSTM)模块，和传统的长短期记忆网络模块结构相同，包括遗忘门、输入门和输出门。
针对第i个时刻的四维卷积核其中，Ki×Ki表示卷积核的大小，C(i)表示卷积核的输入通道数，C(0)表示卷积核的输出通道数，卷积张量链式分解表达式可以为：
其中，表示第i个分解因子，对于卷积核K(1),...K(i)，分解之后的分解因子集合为{G(1),...G(i)}。
图5为本发明提供的序列到序列深度模型的结构示意图之三，如图5所示，堆叠多层卷积张量链式分解长短期记忆网络(Conv-TT-LSTM)可以得到的序列到序列模型结构。具体包括4个块(block)，每一个块内又包括3个层(layer)，每一层的结构均为图4所示。同一块内各层通道数相同，不同块内各层地通道数不同，依次为32、48、48、32。同时，在第一块的输出和第三块的输出，第二块的输出和第四块的输出之间采用残差链接。
在训练方面，选定训练相关参数、方法、函数，将网格序列数据导入阶段1序列到序列深度模型进行训练，得到已训练序列到序列深度模型。训练损失函数可以为预测的未来网格序列数据与真实的网格序列数据之间的均方误差损失。
3、依据时空关联网格数据到对应时刻的ONI时序数据映射关系，构建阶段2时空关联网格数据到对应时刻ONI时序数据的深度模型，固定阶段1已训练的序列到序列深度模型参数，针对时空关联网格序列数据和ONI时间序列数据，训练阶段2深度模型。
阶段2构建深度模型是在阶段1序列到序列深度模型训练完成的基础上实现的。在阶段1序列到序列深度模型训练结束之后，将样本数据输入训练好的模型，得到预测的未来时刻海表温度、热容时空序列。阶段2核心是针对预测的未来时刻海表温度、热容时空序列，构建模型，得到最终预测的未来时刻ONI时间序列。可以将阶段1的工作视为进行预训练，预训练完成之后，针对每一个样本数据，模型会学到一个表示，应用到阶段2的具体下游任务当中，在阶段2只需要对模型进行微调即可。
图6为本发明提供的阶段2深度模型的结构示意图，如图6所示，该模型的使用过程包括：
固定阶段1已训练序列到序列深度模型的参数，选定阶段2模型训练相关参数、方法、函数，将时空关联网格序列数据和ONI时间序列数据导入阶段2模型训练，得到阶段2已训练模型。
固定阶段1已训练序列到序列深度模型的参数，此时阶段1模型等价于一个函数fModel。
依据所预测未来时空关联网格数据到对应时刻的ONI时间序列数据映射关系，基于卷积神经网络1，将所预测时空关联网格数据映射到对应时刻ONI时序数据，表达式为：
依据当前时刻过去T′(1≤T′≤T)个时刻时空关联网格数据时空关联特点，基于卷积神经网络2，提取时空关联特征，映射到未来时刻ONI时序数据，表达式为：
依据当前时刻过去T′(1≤T′≤T)个时刻ONI时序数据时间关联特点，基于线性门控循环单元网络3，提取时间关联特征，映射到未来时刻ONI时序数据，表达式为：
阶段2深度模型由卷积神经网络1、卷积神经网络2和线性门控循环单元网络3组成，其输出结果的表达式为：
阶段2深度模型在训练时的损失函数可以为预测的未来时间序列输出因子和真实的时间序列输出因子之间的均方误差损失。
线性门控循环网络包括线性模块和非线性模块，线性模块由线性转移矩阵构成，对输入因子进行线性映射，用于捕捉时间序列输出因子与时间序列输入因子之间的线性依赖；非线性模块由门控循环单元构成，对输入因子进行非线性映射，用于捕捉时间序列输出因子与时间序列输入因子之间的非线性依赖。两个模块并行连接，构成线性门控循环网络。
本发明验证各物理变量的输入序列长度T＝12,T′＝3，输出序列长度T＝24时，模型的性能、资源占用、实际价值可以达到最优平衡。
4、固定阶段1和阶段2的深度模型参数，将待预测时段海表温度、热容时空关联网格序列输入深度模型，得到预测的未来多步ONI时间序列。
海洋厄尔尼诺/南方涛动预测问题本质上是基于过去海表温度、热容时空关联序列，预测未来ONI时间序列，形式化表达为：传统的预测模型则是直接对历史时空关联序列进行特征提取，然后直接解码预测得到最终的ONI时间序列，忽略了时空关联数据本身的时空演变模式，预测效率低，预测准确性和稳定性差。本发明整体上则是将该问题分解为两步，第一步是基于过去海表温度、热容时空关联序列，预测未来海表温度、热容时空关联序列；第二步是基于第一步得到的时空关联序列输出，预测得到未来ONI时间序列。通过在数据层面引入更多监督信息的方式构建两个阶段多步预测模型，提高了预测效率、准确度和稳定性，扩展了深度学习在海洋领域的应用。
下面对本发明提供的ENSO预测装置进行描述，下文描述的ENSO预测装置与上文描述的ENSO预测方法可相互对应参照。
图7为本发明提供的ENSO预测装置的结构示意图，如图7所示，该装置包括：
第一确定模块700，用于将目标海域在目标历史时间段内的气象特征序列输入一阶段ENSO预测模型，得到目标海域在目标未来时间段内的气象特征序列预测结果；
第二确定模块710，用于将目标海域在目标历史时间段内的气象特征序列、目标海域在目标未来时间段内的气象特征序列预测结果和目标历史时间段内的海洋尼诺指数ONI分别输入二阶段ENSO预测模型的三个预测子模型，根据三个预测子模型分别输出的目标未来时间段内的ONI预测结果，得到目标未来时间段内的ONI最终预测结果；
一阶段ENSO预测模型是基于带有气象特征序列预测结果标签的目标海域的历史样本气象特征序列训练得到的；
三个预测子模型包括第一预测子模型、第二预测子模型、第三预测子模型；其中，第一预测子模型是基于带有ONI预测结果标签的一阶段ENSO预测模型输出的预测结果样本训练得到的；第二预测子模型是基于带有ONI预测结果标签的目标海域的历史样本气象特征序列训练得到的；第三预测子模型是基于带有ONI预测结果标签的历史ONI样本训练得到的。
可选地，一阶段ENSO预测模型包括参数共享的多个级联的网络块，
每个网络块用于基于输入的特征序列，输出对应于输入的特征序列的隐藏特征；
每个网络块的输出与网络块之后第二个网络块的输出相加作为网络块之后第三个网络块的输入；第一个网络块的输入为目标海域在目标历史时间段内的气象特征序列。
可选地，每个网络块中包括多个级联的通道数相同的网络层，每个网络层包括：
预处理子模块，用于对网络层的输入特征序列进行滑动窗口特征提取，并通过三维卷积层对滑动窗口提取的特征进行降维，使得输出通道数小于输入通道数；
卷积张量链式分解子模块，用于对预处理子模块输出的特征序列进行张量链式分解；
长短期记忆网络子模块，用于基于卷积张量链式分解子模块输出的特征序列和网络层的输入特征序列，输出对应的隐藏特征。
可选地，
第一预测子模型用于基于第一卷积神经网络，从目标海域在目标未来时间段内的气象特征序列预测结果中提取第一ONI预测结果；第一卷积神经网络包括卷积层、池化层、全连接层；
第二预测子模型用于基于第二卷积神经网络，从目标海域在目标历史时间段内的气象特征序列中提取第二ONI预测结果；第二卷积神经网络包括卷积层、池化层、全连接层；
第三预测子模型用于基于线性门控循环网络，从目标历史时间段内的ONI中提取第三ONI预测结果。
可选地，将第一ONI预测结果、第二ONI预测结果和第三ONI预测结果加权相加，得到目标未来时间段内的ONI最终预测结果。
可选地，线性门控循环网络包括并行连接的线性模块和非线性模块，
线性模块用于基于线性转移矩阵，捕捉目标未来时间段内的ONI最终预测结果与目标历史时间段内的ONI之间的线性依赖；
非线性模块用于基于门控循环单元，捕捉目标未来时间段内的ONI最终预测结果与目标历史时间段内的ONI之间的非线性依赖。
在此需要说明的是，本发明提供的上述装置，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
图8为本发明提供的电子设备的结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行上述各实施例提供的任一所述ENSO预测方法。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在此需要说明的是，本发明提供的电子设备，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的任一所述ENSO预测方法。
在此需要说明的是，本发明提供的非暂态计算机可读存储介质，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
又一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各实施例提供的任一所述ENSO预测方法。
在此需要说明的是，本发明提供的计算机程序产品，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种海洋厄尔尼诺/南方涛动ENSO预测方法，其特征在于，包括：
将目标海域在目标历史时间段内的气象特征序列输入一阶段ENSO预测模型，得到所述目标海域在目标未来时间段内的气象特征序列预测结果；
将所述目标海域在目标历史时间段内的气象特征序列、所述目标海域在目标未来时间段内的气象特征序列预测结果和所述目标历史时间段内的海洋尼诺指数ONI分别输入二阶段ENSO预测模型的三个预测子模型，根据所述三个预测子模型分别输出的所述目标未来时间段内的ONI预测结果，得到所述目标未来时间段内的ONI最终预测结果；
所述一阶段ENSO预测模型是基于带有气象特征序列预测结果标签的所述目标海域的历史样本气象特征序列训练得到的；
所述三个预测子模型包括第一预测子模型、第二预测子模型、第三预测子模型；其中，所述第一预测子模型是基于带有ONI预测结果标签的所述一阶段ENSO预测模型输出的预测结果样本训练得到的；所述第二预测子模型是基于带有ONI预测结果标签的所述目标海域的历史样本气象特征序列训练得到的；所述第三预测子模型是基于带有ONI预测结果标签的历史ONI样本训练得到的。
2.根据权利要求1所述的ENSO预测方法，其特征在于，所述一阶段ENSO预测模型包括参数共享的多个级联的网络块，
每个所述网络块用于基于输入的特征序列，输出对应于输入的特征序列的隐藏特征；
每个所述网络块的输出与所述网络块之后第二个网络块的输出相加作为所述网络块之后第三个网络块的输入；第一个所述网络块的输入为所述目标海域在目标历史时间段内的气象特征序列。
3.根据权利要求2所述的ENSO预测方法，其特征在于，每个所述网络块中包括多个级联的通道数相同的网络层，每个所述网络层包括：
预处理子模块，用于对所述网络层的输入特征序列进行滑动窗口特征提取，并通过三维卷积层对所述滑动窗口提取的特征进行降维，使得输出通道数小于输入通道数；
卷积张量链式分解子模块，用于对所述预处理子模块输出的特征序列进行张量链式分解；
长短期记忆网络子模块，用于基于所述卷积张量链式分解子模块输出的特征序列和所述网络层的输入特征序列，输出对应的隐藏特征。
4.根据权利要求1所述的ENSO预测方法，其特征在于，
所述第一预测子模型用于基于第一卷积神经网络，从所述目标海域在目标未来时间段内的气象特征序列预测结果中提取第一ONI预测结果；所述第一卷积神经网络包括卷积层、池化层、全连接层；
所述第二预测子模型用于基于第二卷积神经网络，从所述目标海域在目标历史时间段内的气象特征序列中提取第二ONI预测结果；所述第二卷积神经网络包括卷积层、池化层、全连接层；
所述第三预测子模型用于基于线性门控循环网络，从所述目标历史时间段内的ONI中提取第三ONI预测结果。
5.根据权利要求4所述的ENSO预测方法，其特征在于，将所述第一ONI预测结果、所述第二ONI预测结果和所述第三ONI预测结果加权相加，得到所述目标未来时间段内的ONI最终预测结果。
6.根据权利要求4所述的ENSO预测方法，其特征在于，所述线性门控循环网络包括并行连接的线性模块和非线性模块，
所述线性模块用于基于线性转移矩阵，捕捉所述目标未来时间段内的ONI最终预测结果与所述目标历史时间段内的ONI之间的线性依赖；
所述非线性模块用于基于门控循环单元，捕捉所述目标未来时间段内的ONI最终预测结果与所述目标历史时间段内的ONI之间的非线性依赖。
7.一种ENSO预测装置，其特征在于，包括：
第一确定模块，用于将目标海域在目标历史时间段内的气象特征序列输入一阶段ENSO预测模型，得到所述目标海域在目标未来时间段内的气象特征序列预测结果；
第二确定模块，用于将所述目标海域在目标历史时间段内的气象特征序列、所述目标海域在目标未来时间段内的气象特征序列预测结果和所述目标历史时间段内的海洋尼诺指数ONI分别输入二阶段ENSO预测模型的三个预测子模型，根据所述三个预测子模型分别输出的所述目标未来时间段内的ONI预测结果，得到所述目标未来时间段内的ONI最终预测结果；
所述一阶段ENSO预测模型是基于带有气象特征序列预测结果标签的所述目标海域的历史样本气象特征序列训练得到的；
所述三个预测子模型包括第一预测子模型、第二预测子模型、第三预测子模型；其中，所述第一预测子模型是基于带有ONI预测结果标签的所述一阶段ENSO预测模型输出的预测结果样本训练得到的；所述第二预测子模型是基于带有ONI预测结果标签的所述目标海域的历史样本气象特征序列训练得到的；所述第三预测子模型是基于带有ONI预测结果标签的历史ONI样本训练得到的。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述ENSO预测方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述ENSO预测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述ENSO预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310573425.0A CN116821673B (zh) | 2023-05-19 | 2023-05-19 | Enso预测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310573425.0A CN116821673B (zh) | 2023-05-19 | 2023-05-19 | Enso预测方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116821673A true CN116821673A (zh) | 2023-09-29 |
| CN116821673B CN116821673B (zh) | 2024-01-16 |
Family
ID=88140192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310573425.0A Active CN116821673B (zh) | 2023-05-19 | 2023-05-19 | Enso预测方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116821673B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011088473A2 (en) * | 2010-01-18 | 2011-07-21 | The Regents Of The University Of California | System and method for identifying patterns in and/or predicting extreme climate events |
| US20160148229A1 (en) * | 2013-07-31 | 2016-05-26 | Locator IP, L.P. | Weather-based industry analysis system |
| CN110941032A (zh) * | 2019-11-20 | 2020-03-31 | 中山大学 | 台风的预报方法、装置、设备和计算机可读存储介质 |
| US20200348448A1 (en) * | 2019-04-30 | 2020-11-05 | ClimateAI, Inc. | Methods and systems for climate forecasting using artificial neural networks |
| CN114565149A (zh) * | 2022-02-23 | 2022-05-31 | 重庆邮电大学 | 一种基于cga融合模型的时间序列数据预测方法、装置及计算机设备 |
| CN114861530A (zh) * | 2022-04-21 | 2022-08-05 | 同济大学 | 一种enso智能预测方法、装置、设备及存储介质 |
| CN115204032A (zh) * | 2022-05-20 | 2022-10-18 | 同济大学 | 一种基于多通道智能模型的enso预测方法及装置 |
-
2023
- 2023-05-19 CN CN202310573425.0A patent/CN116821673B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011088473A2 (en) * | 2010-01-18 | 2011-07-21 | The Regents Of The University Of California | System and method for identifying patterns in and/or predicting extreme climate events |
| US20160148229A1 (en) * | 2013-07-31 | 2016-05-26 | Locator IP, L.P. | Weather-based industry analysis system |
| US20200348448A1 (en) * | 2019-04-30 | 2020-11-05 | ClimateAI, Inc. | Methods and systems for climate forecasting using artificial neural networks |
| CN110941032A (zh) * | 2019-11-20 | 2020-03-31 | 中山大学 | 台风的预报方法、装置、设备和计算机可读存储介质 |
| CN114565149A (zh) * | 2022-02-23 | 2022-05-31 | 重庆邮电大学 | 一种基于cga融合模型的时间序列数据预测方法、装置及计算机设备 |
| CN114861530A (zh) * | 2022-04-21 | 2022-08-05 | 同济大学 | 一种enso智能预测方法、装置、设备及存储介质 |
| CN115204032A (zh) * | 2022-05-20 | 2022-10-18 | 同济大学 | 一种基于多通道智能模型的enso预测方法及装置 |
Non-Patent Citations (7)
| Title |
|---|
| DAN SONG 等: "Spatial-temporal transformer network for multi-year ENSO prediction", 《FRONTIERS IN MARINE SCIENCE》, pages 1 - 15 * |
| FATEMEH GHOBADI, DOOSUN KANG: "Improving long-term streamflow prediction in a poorly gauged basin using geo-spatiotemporal mesoscale data and attention-based deep learning: A comparative study", 《JOURNAL OF HYDROLOGY》, pages 1 - 20 * |
| JININGYAN 等: "Temporal Convolutional Networks for the Advance Prediction of ENSO", 《SCIENTIFIC REPORTS》, pages 1 - 15 * |
| 严军、刘健文: "基于神经网络奇异谱分析的ENSO指数预测", 《大气科学》, vol. 29, no. 4, pages 620 - 626 * |
| 刘安安 等: "海洋极端天气现象预测方法研究进展", 《数据采集与处理》, vol. 38, no. 2, pages 231 - 244 * |
| 周明颉、简茂球: "热带印度洋及周边海温对ENSO响应的年代际变化", 《中山大学学报（自然科学版）》, vol. 62, no. 1, pages 64 - 74 * |
| 孙喆: "ENSO环流条件改变对岩溶洞穴氧同位素现代过程的影响研究——以河南鸡冠洞为例", 《万方数据知识服务平台》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116821673B (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230128989A1 (en) | Systems and methods of data preprocessing and augmentation for neural network climate forecasting models | |
| US11835677B2 (en) | Systems and methods for selecting global climate simulation models for training neural network climate forecasting models | |
| US20220146708A1 (en) | Methods and systems for climate forecasting using artificial neural networks | |
| CN114358203B (zh) | 图像描述语句生成模块的训练方法及装置、电子设备 | |
| Chiang et al. | Hybrid time-series framework for daily-based PM 2.5 forecasting | |
| CN111210446A (zh) | 一种视频目标分割方法、装置和设备 | |
| CN116760031B (zh) | 基于气象数据的高时间分辨率光伏功率预测方法和装置 | |
| CN114298290A (zh) | 一种基于自监督学习的神经网络编码方法及编码器 | |
| CN117576910A (zh) | 一种基于循环时空注意力机制的交通流量预测方法 | |
| CN110852066B (zh) | 一种基于对抗训练机制的多语言实体关系抽取方法及系统 | |
| Liu et al. | A fast, high-precision deep learning model for regional wave prediction | |
| CN115186147A (zh) | 对话内容的生成方法及装置、存储介质、终端 | |
| CN118053518B (zh) | 化学工艺时间序列数据因果关系图构建方法、装置和介质 | |
| CN116821673B (zh) | Enso预测方法、装置、电子设备和存储介质 | |
| CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
| CN116993185B (zh) | 时间序列预测方法、装置、设备及存储介质 | |
| CN117421657B (zh) | 一种基于过采样策略的带噪标签图片样本筛选学习方法及系统 | |
| CN114997490B (zh) | 温度廓线预测模型的构建方法、预测方法、装置及设备 | |
| CN117833231A (zh) | 基于Bi-LSTM和双重注意力机制的负荷预测方法 | |
| CN116416131A (zh) | 目标对象预测方法及装置 | |
| CN114819253A (zh) | 城市人群聚集热点区域预测方法、系统、介质及终端 | |
| CN111178630A (zh) | 一种负荷预测方法及装置 | |
| CN118536572B (zh) | 训练对话模型的方法、对话实现方法及相关装置 | |
| CN115049880B (zh) | 生成图像分类网络与图像分类方法、装置、设备及介质 | |
| CN112580658B (zh) | 图像语义描述方法、装置、计算设备及计算机存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |