CN116822382A - 基于时空多重特性图卷积的海表面温度预测方法及网络 - Google Patents

Abstract

本发明属于海表面温度预测技术领域，公开了基于时空多重特性图卷积的海表面温度预测方法及网络，包括图构建模块、时空关联特征挖掘模块、偏差纠正模块、周期依赖模块、融合模块，图构建模块通过海表面温度时空网格序列构建图节点特征序列和邻接矩阵；时空关联特征挖掘模块通过双图输入和多层时空卷积块堆叠进行高维特征抽取；偏差纠正模块通过引入时空编码和空间注意力机制，构建空间点偏差校正图；周期依赖模块针对性的提取预测海表面温度序列的时间段所对应的历史数据时间段的周期性特征，得到预测序列；融合模块将时空关联特征挖掘模块、偏差纠正模块和周期依赖模块的输出进行融合，并得出最终预测结果。通过本发明提高长时序预测的准确性。

Description

基于时空多重特性图卷积的海表面温度预测方法及网络

技术领域

本发明属于海表面温度预测技术领域，特别涉及基于时空多重特性图卷积的海表面温度预测方法及网络。

背景技术

海表面温度(SST)预测方法可以大致分为两类:基于物理的方法和数据驱动的方法。基于物理的方法通过整合相关的物理和动力学方程进行预测，但这类方法需要基于专业的先验知识构建复杂的多物理过程，而且其关键过程的参数化又具有很大的不确定性，会影响模型预测的准确性。而数据驱动方法是通过学习数据分布和演化规律，对未来SST变化进行预测，相比基于物理模型驱动的方案更灵活、复杂度低。近几年，基于深度学习的数据驱动方法在SST时空预测上取得广泛应用，例如卷积神经网络（CNN）、卷积LSTM、CNN-LSTM、Unet-LSTM等。上述方法虽然都实现了SST时空关联变化特征的挖掘，但SST的变化是复杂的非线性变化过程，不仅会受到短期历史时间模式变化的影响，也会受到长期历史时间模式变化和海洋区域地理差异的影响。上述方法缺乏对SST时空变化多重特性的建模，难以实现可靠的准确预测，存在以下问题：

1）非规则输入难处理，时空关联挖掘不充分。上述方法需要输入规则矩形网格结构数据，以便卷积运算处理。但这使得它们在某些输入区域无效的情况下不灵活，例如SST预测区域中的陆地和岛屿。而且这种普通卷积操作是通过从输入的空间邻近区域构建表示，难以构建直接的大规模全局关联表示。

2）未考虑空间点差异的影响。海底的不同地形、地貌形态特征会造成区域的空间点差异，而且潮汐、洋流的变化会让这些空间点的差异发生变化。当样本量不是非常充足时，很难对这些空间点的差异性在不同的预测时间产生准确的建模，降低了预测的稳定性。

3）忽略了周期性建模，难以实现精准的长时序预测。例如，预测6-11月夏秋的SST变化通常与历史上每年度6-11月的模式有一定的相似性，但可能与近期12-5月冬春的SST变化模式有所不同。而且，近期SST序列变化通常是对未来预测短时序SST序列产生较多的非平稳性影响，对于长时序SST序列影响比较小，这样仅输入近期数据难以对长时序的SST序列准确预测。

发明内容

针对现有技术存在的不足，本发明提供基于时空多重特性图卷积的海表面温度预测方法及网络，对以下三个方面进行改进：（1）时空关联特征挖掘增强；（2）空间点差异矫正；（3）周期性依赖建模。具体来说，图构建模块通过将SST时空网格序列转换为图序列表示，可实现去除无效区域的不规则数据输入，并能够通过图的边连接构建大规模的全局关联建模。时空关联特征挖掘模块将近期历史序列作为输入，通过双图输入和多层时空卷积块堆叠的构建弥补了使用距离拓扑图仅能捕获有限邻居上的时空相关性的不足，并且可有效共同利用低维、高维特征信息，提升了提取时空关联变化特征的能力。设计了偏差纠正模块，通过引入时空编码和空间注意力机制，自适应的构建空间点偏差校正图，以此来提升预测鲁棒性。此外还构建了周期依赖模块，针对性的提取预测海表面温度序列的时间段所对应的历史数据时间段的周期性特征，以提升长时序预测的准确性。

为了解决上述技术问题，本发明采用的技术方案是：

首先，本发明提供一种基于时空多重特性图卷积的海表面温度预测方法，包括以下步骤：

步骤1、输入观测数据，获取历史海表面温度SST网格数据，构建归一化的SST时空网格序列；

步骤2、图数据构建：

将步骤1构建的SST时空网格序列输入一个图构建模块构建图节点特征序列和邻接矩阵，具体是：首先将SST时空网格序列转换为图节点特征序列表示，然后根据时间划分将其构建为近期时间片段、早期时间片段和年周期时间片段这三个图节点特征序列、、；同时，利用图构建模块生成原始邻接矩阵A和附加邻接矩阵，邻接矩阵A和其相应的图节点特征序列生成距离拓扑图G，附加邻接矩阵和近期时间片段图节点特征序列生成动态海洋模式关系图；

步骤3、训练优化预测网络：

步骤3.1、获取时空多重特性特征：

所述预测网络包括时空关联特征挖掘模块、偏差纠正模块和周期依赖模块，将步骤2中图构建模块生成的三个图节点特征序列、、和其对应邻接矩阵分别输入时空关联特征挖掘模块、偏差纠正模块和周期依赖模块来实现海表面温度时空多重特性的建模，输出时空多重特性特征；

具体是，所述时空关联特征挖掘模块，将历史序列作为输入，通过距离拓扑图G和动态海洋模式关系图双图输入和多层时空卷积块堆叠进行高维特征抽取，得到时空关联特征挖掘模块的输出；所述偏差纠正模块，通过引入时空编码和空间注意力机制，自适应的构建空间点偏差校正图；所述周期依赖模块，针对性的提取预测海表面温度序列的时间段所对应的历史数据时间段的周期性特征，得到预测序列；

步骤3.2、时空多重特性特征融合：

将时空关联特征挖掘模块、偏差纠正模块和周期依赖模块输出的时空多重特性特征进行融合，并得出最终预测结果；

步骤3.3、损失计算，更新网络参数，直至网络模型收敛，保存当前最优的训练网络模型；

步骤4、利用训练好的网络模型进行测试，最终输出海表面温度预测结果。

进一步的，步骤2中，设定当前时间为，预测窗口的大小为，沿时间轴截取长度为、和的三个时间段，分别为近期时间片段、早期时间片段、年周期时间片段，三个时间段的图节点特征序列、、和其邻接矩阵分别作为时空关联特征挖掘模块、偏差纠正模块和周期依赖模块的输入。

进一步的，步骤2中，定义为无向图的节点，其中每个节点是一个有效的网格点，由其纬度和经度定义；E是一组边，表示节点之间的连通性，

设是所有节点在个时间步长上的动态序列，其中N是节点数量，F是每个节点的特征值数量，表示t时刻所有节点的全部特征值；

、和三个时间段的图节点特征序列的细节如下：

（1）近期时间片段图节点特征序列：

，是与预测周期直接相邻的历史时间序列片段；其中，，，...，分别表示时刻、时刻，…，时刻所有节点的全部特征值；

（2）早期时间片段图节点特征序列：

，是与相邻的历史时间序列片段；其中，，分别表示时刻、时刻，…，时刻所有节点的全部特征值；

（3）年周期时间片段图节点特征序列：

；

由过去若干年的部分时间段组成，与预测时间具有相同的月属性和时间间隔；

其中，，...，，，...，，...，，...，分别表示时刻，…，时刻、时刻，…，时刻，…，时刻，…，时刻所有节点的全部特征值。

进一步的，步骤2中，利用节点i和节点j之间的空间距离建立原始邻接矩阵A，邻接矩阵A计算如下：

；

公式中，是一个阈值距离，是邻接矩阵A的元素；在图结构中，位于距离内的节点被认为与目标节点连接；邻接矩阵A和其相应的图节点特征序列生成距离拓扑图G；

然后通过附加的邻接矩阵来构建一个关于近期时间序列的动态海洋模式关系图，具体来说，利用皮尔逊相关系数计算节点之间的海表面温度变化关系，最终邻接矩阵计算如下：

；

其中，是附加邻接矩阵的元素，表示时间段内节点i和j特征序列的皮尔逊相关关系系数。

进一步的，所述时空关联特征挖掘模块包括多个时空卷积块和一个图卷积层GCL，每个时空卷积块包含两个平行的图卷积层GCL和一个时间门控卷积层；第1个时空卷积块后得到浅层特征图，第k个时空卷积块后得到深层特征图，k个时空卷积块堆叠，通过残差跳跃连接将浅层特征图和深层特征图进行充分融合，经过k个时空卷积块后，再通过一个图卷积层GCL对多个时空卷积块融合的多层特征图进行高维特征抽取，得到时空关联特征挖掘模块的输出。

进一步的，GCL执行基于空间的图卷积操作，如下所示：

；

公式中是节点通过聚合自身特征和邻域节点特征的新特征表示，表示节点和节点的连通性，代表节点的邻域节点，和是可学习的参数；

使用函数来表示在距离拓扑图G上执行GCL层的操作，函数表示在动态海洋模式关系图上执行GCL层的操作，因此，对于第一个时空卷积块，经过双图输入卷积操作后，得到的特征表示为：

；

公式中是可学习的参数，激活函数是线性整流函数ReLU( )；

时间门控卷积层包含一个一维因果卷积和门控线性单位，因此，在第k个时空卷积块中通过时间门控卷积层操作后，最终输出可以表示为：

；

其中表示第k个时空卷积块后最终的输出，表示时间门控卷积层操作，表示第k个时空卷积块中时间门控卷积层的输入，表示卷积运算，是卷积核的参数，是sigmod函数，表示元素级的哈达玛积；

经过多个时空卷积块后，再使用一个GCL层对融合的多层特征图进行高维特征抽取，最终时空关联特征挖掘模块的输出可表示为：

；

其中表示经过第1个时空卷积块后得到的浅层特征图输出，表示经过第k个时空卷积块后得到的深层特征图输出。

进一步的，所述偏差纠正模块包括空间注意力编码块和图卷积层GCL，具体来说，图构建模块输出的和邻接矩阵A首先被输入空间注意力编码块中，然后将空间注意力编码块的输出与作差得到空间差分特征向量，最后，将空间差分特征向量输入到GCL进行深层空间关系挖掘，最终得到空间点偏差校正图：

。

进一步的，在空间注意力编码块中，首先，添加空间位置编码作为先验输入，也就是海表面温度数据每个网格的经纬度；引入时间编码，根据输入历史时间端的月份初始将其编码成二维输入；然后，将和转换为图节点特征序列表示，经过数据归一化和全连接层以及ReLU激活函数得到其高维特征表示，然后将其与拼接后表示为一起送入空间注意力层来挖掘不同空间点对其周围点的影响差异；其中空间注意力计算如下：

；

；

公式中，，，，，是可学习的参数，是sigmod激活函数，表示和空间位置、时间编码映射特征拼接组合的变量，注意力矩阵中元素的值语义上表示节点i与节点j之间的相关性强度，表示经过softmax函数计算后相应的值，所有点值表示的矩阵为空间注意力矩阵S；在进行后续GCL层图卷积时，用空间注意力矩阵S和邻接矩阵A来动态调整不同空间点之间的影响差异权值；最终，得到了能够捕获出空间点差异的高维特征向量：

；

其中，表示在距离拓扑图上执行图卷积GCL层的操作，表示利用空间注意力矩阵S进行一次图卷积GCL层操作；表示利用邻接矩阵A对和的加和输出进行一次图卷积GCL层操作。

进一步的，所述周期依赖模块包括一个GCL层、一个ReLU函数、一个时间门控卷积层和一个输出GCL层；在所述周期依赖模块中，只使用与预测段相同的历史时间序列，预测序列通过如下公式得出：

；

其中，和邻接矩阵A是周期依赖模块的输入，是周期依赖模块输出的预测序列，表示在距离拓扑图上执行GCL层的操作，表示时间门控卷积层操作。

本发明还提供基于时空多重特性图卷积的海表面温度预测网络，用于实现如前所述的基于时空多重特性图卷积的海表面温度预测方法，具体包括输入模块、图构建模块、时空关联特征挖掘模块、偏差纠正模块、周期依赖模块、融合模块和输出模块，

所述输入模块用于输入历史海表面温度数据，获取历史海表面温度SST网格数据，构建归一化的SST时空网格序列；

所述图构建模块将SST时空网格序列作为输入，构建图节点特征序列和邻接矩阵；

所述时空关联特征挖掘模块，将历史序列作为输入，通过双图输入和多层时空卷积块堆叠进行高维特征抽取，得到时空关联特征挖掘模块的输出；

所述偏差纠正模块，通过引入时空编码和空间注意力机制，自适应的构建空间点偏差校正图；

所述周期依赖模块，针对性的提取预测海表面温度序列的时间段所对应的历史数据时间段的周期性特征，得到预测序列；

所述融合模块用于将时空关联特征挖掘模块、偏差纠正模块和周期依赖模块的输出进行融合，并得出最终预测结果；

所述输出模块用于输出预测的海表面温度。

与现有技术相比，本发明优点在于：

（1）为了解决目前许多方法使用普通卷积难以高效处理海洋有效区域（不考虑陆地和岛屿的不规则区域）的SST预测，本发明基于图卷积神经网络设计了一个能够建模SST时空演变多重特性的预测模型。

（2）为了提升模型对于时空关联关系挖掘的能力，本发明设计了基于双图输入和多个时空卷积块堆叠的时空关联特征挖掘模块。具体的，首先采取并行图卷积操作完成双图输入的空间关联特征挖掘，弥补了使用距离拓扑图只能捕获有限邻居上的时空相关性的不足；其次，构建多个堆叠时空卷积块，并采用残差跳跃连接将浅层时空卷积块的特征图和深层时空卷积块的特征图进行充分融合，可有效共同利用低维高维特征信息，提升了时空动态关联特征抽取的能力，进而提高预测准确性。

（3）为了有效纠正预测模型对于捕获区域及空间点差异的偏差，本发明提出了基于时空编码和空间注意力机制构建的偏差纠正模块，能有效地构建自适应的空间点偏差校正图，以此来提升模型预测的鲁棒性。

（4）针对当前基于深度学习的SST预测模型没有单独考虑周期性依赖的问题，本发明构建了周期依赖模块，使用与预测段相同的历史时间序列作为输入，利用图卷积和时间门控卷积操作进行SST预测时间序列段的周期平稳特征挖掘，使得即使在样本量不充足的情况下网络也可以快速收敛并精准映射预测时间段的平稳变化规律，提升了长时预测的准确性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明的流程图；

图2为本发明网络架构图；

图3为本发明的时间轴划分示意图；

图4为本发明的空间注意力编码块结构示意图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步的说明。

实施例1

本实施例提供一种基于时空多重特性图卷积的海表面温度预测方法，结合图1和图2，包括以下步骤：

步骤1、输入观测数据，获取历史海表面温度SST网格数据，构建归一化的SST时空网格序列。比如获取天气预报中心的月平均SST数据，构建某海域海表面温度SST时空网格序列，包括SST时空网格训练序列和测试序列。

步骤2、图数据构建：

将步骤1构建的SST时空网格序列输入一个图构建模块构建图节点特征序列和邻接矩阵。具体是：首先将SST时空网格序列转换为图节点特征序列表示，即首先引入掩膜操作过滤掉陆地、岛屿等无效区域点，也就是将SST规则化网格数据的有效点映射到图网络的节点表示。然后根据时间划分将其构建为近期时间片段、早期时间片段和年周期时间片段这三个图节点特征序列、、；同时，利用图构建模块生成原始邻接矩阵A和附加邻接矩阵，邻接矩阵A和其相应的图节点特征序列生成距离拓扑图G，附加邻接矩阵和近期时间片段图节点特征序列生成动态海洋模式关系图。

下面详细介绍图数据构建具体步骤及原理。

定义为无向图的节点，其中每个节点是一个有效的网格点，由其纬度和经度定义；E是一组边，表示节点之间的连通性，这可以通过邻接矩阵来实现。

设是所有节点在个时间步长上的动态序列，其中N是节点数量，F是每个节点的特征值数量，表示t时刻所有节点的全部特征值。SST预测的目标是根据一段历史序列来预测未来时间步长的序列，可以表述为：

；

公式中，表示从时刻开始的预测序列。

结合图3所示，设定当前时间为，预测窗口的大小为，沿时间轴截取长度为、和的三个时间段，分别为近期时间片段、早期时间片段、年周期时间片段，三个时间段的图节点特征序列、、和其邻接矩阵分别作为时空关联特征挖掘模块、偏差纠正模块和周期依赖模块的输入。

关于、和三个时间段的图节点特征序列的细节如下：

（1）近期时间片段图节点特征序列：

，是与预测周期直接相邻的历史时间序列片段；其中，，，...，分别表示时刻、时刻，…，时刻所有节点的全部特征值。

（2）早期时间片段图节点特征序列：

，是与相邻的历史时间序列片段；其中，，分别表示时刻、时刻，…，时刻所有节点的全部特征值。

（3）年周期时间片段图节点特征序列：

；

由过去若干年的部分时间段组成，与预测时间具有相同的月属性和时间间隔；

其中，，...，，，...，，...，，...，分别表示时刻，…，时刻、时刻，…，时刻，…，时刻，…，时刻所有节点的全部特征值。

此外，根据节点间的空间距离，建立了图2中原始邻接矩阵A，其中，节点i和节点j之间的空间距离表示为：

；

公式中，和分别为节点i的纬度和经度，和分别为节点j的纬度和经度，因此，邻接矩阵A计算如下：

；

公式中，是一个阈值距离，是邻接矩阵A的元素；在图结构中，位于距离内的节点被认为与目标节点连接；邻接矩阵A和其相应的图节点特征序列生成距离拓扑图G。

节点间的时空相关性不仅要考虑距离的连通性，还要考虑海洋动态演变模式的变化关系。因此，本发明通过一个附加的邻接矩阵来构建一个关于近期时间序列的动态海洋模式关系图，也就是由近期时间片段图节点特征序列和构成，海洋模式关系图打破了节点拓扑结构的局限性，使变化相似的节点之间的连接更紧密。具体来说，利用皮尔逊相关系数计算这些节点之间的海表面温度变化关系：

；

公式中，当前时间为，表示输入近期时间段的长度，，为中节点i的历史序列，表示在t时间的值，表示在到这个时间段的平均值；同理，为 中节点j的历史序列，表示在t时间的值，表示在到这个时间段的平均值；最终邻接矩阵计算如下：

；

其中，是附加邻接矩阵的元素，表示时间段内节点i和j特征序列的皮尔逊相关关系系数。

步骤3、训练优化预测网络：该步骤主要负责将图构建模块生成的SST序列、、分别输入时空关联特征挖掘模块、偏差纠正模块和周期依赖模块来实现SST时空多重特性的建模，以充分挖掘SST时空动态关联演变特征，提升长时预测的准确性和稳定性。

步骤3.1、获取时空多重特性特征：

所述预测网络包括时空关联特征挖掘模块、偏差纠正模块和周期依赖模块，将步骤2中图构建模块生成的三个图节点特征序列、、和其对应邻接矩阵分别输入时空关联特征挖掘模块、偏差纠正模块和周期依赖模块来实现海表面温度时空多重特性的建模，输出时空多重特性特征。原理是：利用时空关联特征挖掘模块模块挖掘近期历史SST对未来预测SST序列产生的时空平稳性和非平稳性关联特征影响；利用偏差纠正模块构建自适应的空间点偏差校正图；利用周期依赖模块来针对性的提取预测SST序列的时间段所对应的历史数据时间段的周期性特征。

具体是，时空关联特征挖掘模块，将历史序列作为输入，通过距离拓扑图G和动态海洋模式关系图双图输入和多层时空卷积块堆叠进行高维特征抽取，得到时空关联特征挖掘模块的输出；所述偏差纠正模块，通过引入时空编码和空间注意力机制，自适应的构建空间点偏差校正图；所述周期依赖模块，针对性的提取预测海表面温度序列的时间段所对应的历史数据时间段的周期性特征，得到预测序列。

下面分别介绍各模块。

（1）时空关联特征挖掘模块

该模块负责挖掘近期SST时间序列对未来SST的时空平稳性和非平稳性变化影响。通过将动态海洋模式关系图引入该模块，弥补了使用距离拓扑图只能捕获有限邻居上的时空相关性的不足。如图2所示，时空关联特征挖掘模块包括多个时空卷积块和一个图卷积层GCL，每个时空卷积块包含两个平行的图卷积层GCL和一个时间门控卷积层，分别用于增强邻域空间依赖的特征抽取和沿时间维度的邻近时间挖掘时间依赖特征；第1个时空卷积块后得到浅层特征图，第k个时空卷积块后得到深层特征图，k个时空卷积块堆叠，通过残差跳跃连接将浅层特征图和深层特征图进行充分融合，经过k个时空卷积块后，再通过一个图卷积层GCL对多个时空卷积块融合的多层特征图进行高维特征抽取，得到时空关联特征挖掘模块的输出。

GCL执行基于空间的图卷积操作，如下所示：

；

公式中是节点通过聚合自身特征和邻域节点特征的新特征表示，表示节点和节点的连通性，代表节点的邻域节点，和是可学习的参数。

本发明中使用函数来表示在距离拓扑图G上执行GCL层的操作，函数表示在动态海洋模式关系图上执行GCL层的操作，因此，对于第一个时空卷积块，经过双图输入卷积操作后，得到的特征表示为：

；公式中是可学习的参数，激活函数是线性整流函数ReLU( )。

时间门控卷积层包含一个一维因果卷积和门控线性单位，因此，在第k个时空卷积块中通过时间门控卷积层操作后，最终输出可以表示为：

；

其中表示第k个时空卷积块后最终的输出，表示时间门控卷积层操作，表示第k个时空卷积块中时间门控卷积层的输入，表示卷积运算，是卷积核的参数，是sigmod函数，表示元素级的哈达玛积。

时空关联特征挖掘模块中多个时空卷积块进行堆叠，通过残差跳跃连接将浅层特征图和深层特征图进行充分融合，扩展了仅使用深层特征图特征的信息量，提升了时空关联特征抽取的能力。所以，经过多个时空卷积块后，再使用一个GCL层对融合的多层特征图进行高维特征抽取，最终时空关联特征挖掘模块的输出可表示为：

；

其中表示经过第1个时空卷积块后得到的浅层特征图输出，表示经过第k个时空卷积块后得到的深层特征图输出。

（2）偏差纠正模块

在传统预测方法中，会通过添加自定义固定的偏差校正图来考虑不同站点之间的自然差异，最终对预测结果进行校正。但是，设计这种地图需要专门的领域知识，并且对于不同的预测区域需要重新构建为一个新的偏差图。考虑到上述问题，以及神经网络对于这些自然差异的区分性能在不同的时间段内也会有所不同。本发明通过引入时空编码和注意力机制，设计了一个偏差纠正模块来建模空间点差异，并输出一个自适应校正图，即空间点偏差校正图，以进一步校正预测结果。

具体来说，如图2所示，包括空间注意力编码块和图卷积层GCL，图构建模块输出的和邻接矩阵A首先被输入空间注意力编码块中，然后将空间注意力编码块的输出与作差得到空间差分特征向量，最后，将空间差分特征向量输入到GCL进行深层空间关系挖掘，最终得到空间点偏差校正图：

。

进一步，在空间注意力编码块中，如图4所示，首先，添加空间位置编码作为先验输入，也就是海表面温度数据每个网格的经纬度，以便偏差纠正模块能够快速充分挖掘不同区域不同空间点的差异特性；引入时间编码，根据输入历史时间端的月份初始将其编码成二维输入，以便偏差纠正模块判断网络在不同时间段对于这些空间点差异的挖掘能力；然后，将和转换为图节点特征序列表示，经过数据归一化和全连接层以及ReLU激活函数得到其高维特征表示，然后将其与拼接后表示为一起送入空间注意力层来挖掘不同空间点对其周围点的影响差异；其中空间注意力计算如下：

；

；

公式中，，，，，是可学习的参数，是sigmod激活函数，表示和空间位置、时间编码映射特征拼接组合的变量，注意力矩阵中元素的值语义上表示节点i与节点j之间的相关性强度，表示经过softmax函数计算后相应的值，所有点值表示的矩阵为空间注意力矩阵S；在进行后续GCL层图卷积时，用空间注意力矩阵S和邻接矩阵A来动态调整不同空间点之间的影响差异权值；最终，得到了能够捕获出空间点差异的高维特征向量：

；

其中，表示在距离拓扑图上执行图卷积GCL层的操作，表示利用空间注意力矩阵S进行一次图卷积GCL层操作；表示利用邻接矩阵A对和的加和输出进行一次图卷积GCL层操作。

（3）周期依赖模块

针对当前基于深度学习的SST预测模型没有单独考虑周期性依赖问题，在网络中引入周期依赖模块进行预测时间序列段的周期平稳特征挖掘，提升长时预测的准确性。举例来说，在预测冬季12-2月的SST序列时，可能与历史上12-2月的模式有一定的相似性，但与夏秋季6-11月序列的时空演变不同。也就是说，由于SST的时空演化是动态且复杂的，该模型不能仅用刚刚过去的序列提供2月份（3个月步长）的准确预测，更不用说5月份（6个月步长）的长期预测了。但是，如果选择所有的历史时间序列，如过去的36个月，让模型自动捕获预测月时间段的潜在周期特征，在样本量不是很充足的情况下将很难进行训练，而且会比较耗时难收敛。因此，只使用与预测段相同的历史时间序列，并且可以使用一个简单的网络来预测未来的序列。

更具体地说，如图2所示，周期依赖模块包括一个GCL层、一个ReLU函数、一个时间门控卷积层和一个输出GCL层；在所述周期依赖模块中，只使用与预测段相同的历史时间序列，预测序列通过如下公式得出：

；

其中，和邻接矩阵A是周期依赖模块的输入，是周期依赖模块输出的预测序列，表示在距离拓扑图上执行GCL层的操作，表示时间门控卷积层操作，ReLU（）代表激活函数是线性整流函数。

步骤3.2、时空多重特性特征融合：

将时空关联特征挖掘模块、偏差纠正模块和周期依赖模块输出的时空多重特性特征进行融合，并得出最终预测结果。

本发明设计了一个融合模块，用于融合时空关联特征挖掘模块、偏差纠正模块和周期依赖模块的输出，从而提供最终的预测SST序列。通过将偏差纠正模块的输出添加到时空关联特征挖掘模块的输出中，并进一步使用GCL层进行深层特征抽取，可以进一步得到具有偏置校正的预测序列：

。

一些预测子区域的变化具有周期性的模式和季节差异，所以周期依赖模块的输出更为重要。然而，在其他一些子区域中可能没有明显的周期特征，因此负责抽取近期SST时间序列对未来预测SST的时空变化影响的时空关联特征挖掘模块更为重要。所以，当将和的输出融合到不同的预测子区域和预测时间段时，它们的影响权重是不同的，模型应该自适动地从历史数据中学习。融合模块最终输出的SST预测序列为：

；

公式中，是表示哈达玛积。和是可学习参数，反映了和对预测目标的影响程度。

步骤3.3、损失计算，更新网络参数，直至网络模型收敛，保存当前最优的训练网络模型。

选择L2损失来训练网络。损失函数如下：

；

公式中，表示神经网络的所有可训练参数集合，表示真实值。

步骤4、利用训练好的网络模型进行测试，最终输出海表面温度预测结果。

实施例2

基于时空多重特性图卷积的海表面温度预测网络，可以实现基于时空多重特性图卷积的海表面温度预测方法，具体包括输入模块、图构建模块、时空关联特征挖掘模块、偏差纠正模块、周期依赖模块、融合模块和输出模块。

所述输入模块用于输入历史海表面温度数据，获取历史海表面温度SST网格数据，构建归一化的SST时空网格序列。

所述图构建模块将SST时空网格序列作为输入，构建图节点特征序列和邻接矩阵。

所述时空关联特征挖掘模块，将历史序列作为输入，通过双图输入和多层时空卷积块堆叠进行高维特征抽取，得到时空关联特征挖掘模块的输出。

所述偏差纠正模块，通过引入时空编码和空间注意力机制，自适应的构建空间点偏差校正图。

所述周期依赖模块，针对性的提取预测海表面温度序列的时间段所对应的历史数据时间段的周期性特征，得到预测序列。

所述融合模块用于将时空关联特征挖掘模块、偏差纠正模块和周期依赖模块的输出进行融合，并得出最终预测结果。

所述输出模块用于输出预测的海表面温度。

其中各模块的功能原理及预测方法可参见实施例1部分的记载，此处不再赘述。

综上所述，在当前基于深度学习的海表面温度预测方法中，许多方法都需要输入规则矩形网格结构数据，以便卷积运算处理。但这使得它们在某些输入区域无效的情况下不灵活，例如SST预测区域中的陆地和岛屿。对此，构建了基于图卷积的预测网络模型，可实现非欧式数据的输入，并可以将大规模的全局连接建模为来自不规则数据图的边。而且，现有方法未充分考虑海洋SST演变的时空多重特性建模，导致了难以实现稳定可靠的长时序预测。因此，本发明设计了时空关联特征挖掘模块，提升了利用图卷积进行时空关联特征挖掘的能力。此外，构建了偏差纠正模块和周期依赖模块，充分挖掘时空演变的空间差异性和周期依赖性，提升预测的准确性。

当然，上述说明并非是对本发明的限制，本发明也并不限于上述举例，本技术领域的普通技术人员，在本发明的实质范围内，做出的变化、改型、添加或替换，都应属于本发明的保护范围。

Claims (10)

1.基于时空多重特性图卷积的海表面温度预测方法，其特征在于，包括以下步骤：

步骤1、输入观测数据，获取历史海表面温度SST网格数据，构建归一化的SST时空网格序列；

步骤2、图数据构建：

将步骤1构建的SST时空网格序列输入一个图构建模块构建图节点特征序列和邻接矩阵，具体是：首先将SST时空网格序列转换为图节点特征序列表示，然后根据时间划分将其构建为近期时间片段、早期时间片段和年周期时间片段这三个图节点特征序列、、；同时，利用图构建模块生成原始邻接矩阵A和附加邻接矩阵，邻接矩阵A和其相应的图节点特征序列生成距离拓扑图G，附加邻接矩阵和近期时间片段图节点特征序列生成动态海洋模式关系图；

步骤3、训练优化预测网络：

步骤3.1、获取时空多重特性特征：

所述预测网络包括时空关联特征挖掘模块、偏差纠正模块和周期依赖模块，将步骤2中图构建模块生成的三个图节点特征序列、、和其对应邻接矩阵分别输入时空关联特征挖掘模块、偏差纠正模块和周期依赖模块来实现海表面温度时空多重特性的建模，输出时空多重特性特征；

具体是，所述时空关联特征挖掘模块，将历史序列作为输入，通过距离拓扑图G和动态海洋模式关系图双图输入和多层时空卷积块堆叠进行高维特征抽取，得到时空关联特征挖掘模块的输出；所述偏差纠正模块，通过引入时空编码和空间注意力机制，自适应的构建空间点偏差校正图；所述周期依赖模块，针对性的提取预测海表面温度序列的时间段所对应的历史数据时间段的周期性特征，得到预测序列；

步骤3.2、时空多重特性特征融合：

将时空关联特征挖掘模块、偏差纠正模块和周期依赖模块输出的时空多重特性特征进行融合，并得出最终预测结果；

步骤3.3、损失计算，更新网络参数，直至网络模型收敛，保存当前最优的训练网络模型；

步骤4、利用训练好的网络模型进行测试，最终输出海表面温度预测结果。

2.根据权利要求1所述的基于时空多重特性图卷积的海表面温度预测方法，其特征在于，步骤2中，设定当前时间为，预测窗口的大小为，沿时间轴截取长度为、和的三个时间段，分别为近期时间片段、早期时间片段、年周期时间片段，三个时间段的图节点特征序列、、和其邻接矩阵分别作为时空关联特征挖掘模块、偏差纠正模块和周期依赖模块的输入。

3.根据权利要求2所述的基于时空多重特性图卷积的海表面温度预测方法，其特征在于，步骤2中，定义为无向图的节点，其中每个节点是一个有效的网格点，由其纬度和经度定义；E是一组边，表示节点之间的连通性，

设是所有节点在个时间步长上的动态序列，其中N是节点数量，F是每个节点的特征值数量，表示t时刻所有节点的全部特征值；

、和三个时间段的图节点特征序列的细节如下：

（1）近期时间片段图节点特征序列：

，是与预测周期直接相邻的历史时间序列片段；其中，，，...，分别表示时刻、时刻，…，时刻所有节点的全部特征值；

（2）早期时间片段图节点特征序列：

，是与相邻的历史时间序列片段；其中，，分别表示时刻、时刻，…，时刻所有节点的全部特征值；

（3）年周期时间片段图节点特征序列：

；

由过去若干年的部分时间段组成，与预测时间具有相同的月属性和时间间隔；

其中，，...，，，...，，...，，...，分别表示时刻，…，时刻、时刻，…，时刻，…，时刻，…，时刻所有节点的全部特征值。

4.根据权利要求1所述的基于时空多重特性图卷积的海表面温度预测方法，其特征在于，步骤2中，利用节点i和节点j之间的空间距离建立原始邻接矩阵A，邻接矩阵A计算如下：

；

公式中，是一个阈值距离，是邻接矩阵A的元素；在图结构中，位于距离内的节点被认为与目标节点连接；邻接矩阵A和其相应的图节点特征序列生成距离拓扑图G；

然后通过附加的邻接矩阵来构建一个关于近期时间序列的动态海洋模式关系图，具体来说，利用皮尔逊相关系数计算节点之间的海表面温度变化关系，最终邻接矩阵计算如下：

；

其中，是附加邻接矩阵的元素，表示时间段内节点i和j特征序列的皮尔逊相关关系系数。

5.根据权利要求1所述的基于时空多重特性图卷积的海表面温度预测方法，其特征在于，所述时空关联特征挖掘模块包括多个时空卷积块和一个图卷积层GCL，每个时空卷积块包含两个平行的图卷积层GCL和一个时间门控卷积层；第1个时空卷积块后得到浅层特征图，第k个时空卷积块后得到深层特征图，k个时空卷积块堆叠，通过残差跳跃连接将浅层特征图和深层特征图进行充分融合，经过k个时空卷积块后，再通过一个图卷积层GCL对多个时空卷积块融合的多层特征图进行高维特征抽取，得到时空关联特征挖掘模块的输出。

6.根据权利要求5所述的基于时空多重特性图卷积的海表面温度预测方法，其特征在于，GCL执行基于空间的图卷积操作，如下所示：

；

公式中是节点通过聚合自身特征和邻域节点特征的新特征表示，表示节点和节点的连通性，代表节点的邻域节点，和是可学习的参数；

使用函数来表示在距离拓扑图G上执行GCL层的操作，函数表示在动态海洋模式关系图上执行GCL层的操作，因此，对于第一个时空卷积块，经过双图输入卷积操作后，得到的特征表示为：

；

公式中是可学习的参数，激活函数是线性整流函数ReLU( )；

时间门控卷积层包含一个一维因果卷积和门控线性单位，因此，在第k个时空卷积块中通过时间门控卷积层操作后，最终输出可以表示为：

；

其中表示第k个时空卷积块后最终的输出，表示时间门控卷积层操作，表示第k个时空卷积块中时间门控卷积层的输入，表示卷积运算，是卷积核的参数，是sigmod函数，表示元素级的哈达玛积；

经过多个时空卷积块后，再使用一个GCL层对融合的多层特征图进行高维特征抽取，最终时空关联特征挖掘模块的输出可表示为：

；

其中表示经过第1个时空卷积块后得到的浅层特征图输出，表示经过第k个时空卷积块后得到的深层特征图输出。

7.根据权利要求1所述的基于时空多重特性图卷积的海表面温度预测方法，其特征在于，所述偏差纠正模块包括空间注意力编码块和图卷积层GCL，具体来说，图构建模块输出的和邻接矩阵A首先被输入空间注意力编码块中，然后将空间注意力编码块的输出与作差得到空间差分特征向量，最后，将空间差分特征向量输入到GCL进行深层空间关系挖掘，最终得到空间点偏差校正图：

。

8.根据权利要求7所述的基于时空多重特性图卷积的海表面温度预测方法，其特征在于，在空间注意力编码块中，首先，添加空间位置编码作为先验输入，也就是海表面温度数据每个网格的经纬度；引入时间编码，根据输入历史时间端的月份初始将其编码成二维输入；然后，将和转换为图节点特征序列表示，经过数据归一化和全连接层以及ReLU激活函数得到其高维特征表示，然后将其与拼接后表示为一起送入空间注意力层来挖掘不同空间点对其周围点的影响差异；其中空间注意力计算如下：

；

；

公式中，，，，，是可学习的参数，是sigmod激活函数，表示和空间位置、时间编码映射特征拼接组合的变量，注意力矩阵中元素的值语义上表示节点i与节点j之间的相关性强度，表示经过softmax函数计算后相应的值，所有点值表示的矩阵为空间注意力矩阵S；在进行后续GCL层图卷积时，用空间注意力矩阵S和邻接矩阵A来动态调整不同空间点之间的影响差异权值；最终，得到了能够捕获出空间点差异的高维特征向量：

；

其中，表示在距离拓扑图上执行图卷积GCL层的操作，表示利用空间注意力矩阵S进行一次图卷积GCL层操作；表示利用邻接矩阵A对和的加和输出进行一次图卷积GCL层操作。

9.根据权利要求5所述的基于时空多重特性图卷积的海表面温度预测方法，其特征在于，所述周期依赖模块包括一个GCL层、一个ReLU函数、一个时间门控卷积层和一个输出GCL层；在所述周期依赖模块中，只使用与预测段相同的历史时间序列，预测序列通过如下公式得出：

；

其中，和邻接矩阵A是周期依赖模块的输入，是周期依赖模块输出的预测序列，表示在距离拓扑图上执行GCL层的操作，表示时间门控卷积操作。

10.基于时空多重特性图卷积的海表面温度预测网络，其特征在于，用于实现如权利要求1-9任一项所述的基于时空多重特性图卷积的海表面温度预测方法，具体包括输入模块、图构建模块、时空关联特征挖掘模块、偏差纠正模块、周期依赖模块、融合模块和输出模块，

所述输入模块用于输入历史海表面温度数据，获取历史海表面温度SST网格数据，构建归一化的SST时空网格序列；

所述图构建模块将SST时空网格序列作为输入，构建图节点特征序列和邻接矩阵；

所述时空关联特征挖掘模块，将历史序列作为输入，通过双图输入和多层时空卷积块堆叠进行高维特征抽取，得到时空关联特征挖掘模块的输出；

所述偏差纠正模块，通过引入时空编码和空间注意力机制，自适应的构建空间点偏差校正图；

所述周期依赖模块，针对性的提取预测海表面温度序列的时间段所对应的历史数据时间段的周期性特征，得到预测序列；

所述融合模块用于将时空关联特征挖掘模块、偏差纠正模块和周期依赖模块的输出进行融合，并得出最终预测结果；

所述输出模块用于输出预测的海表面温度。