CN118378664A - 一种信号分解的多级扩散海表温度预测方法 - Google Patents
一种信号分解的多级扩散海表温度预测方法 Download PDFInfo
- Publication number
- CN118378664A CN118378664A CN202410817321.4A CN202410817321A CN118378664A CN 118378664 A CN118378664 A CN 118378664A CN 202410817321 A CN202410817321 A CN 202410817321A CN 118378664 A CN118378664 A CN 118378664A
- Authority
- CN
- China
- Prior art keywords
- diffusion
- surface temperature
- sea surface
- module
- 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
Links
- 238000009792 diffusion process Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims abstract description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000012351 Integrated analysis Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 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
本发明公开了一种信号分解的多级扩散海表温度预测方法，包括以下步骤：（1）获取五个观测点相同一段时间的一维海表温度数据进行预处理；并划分训练集、验证集、测试集；（2）构建信号分解的多级扩散模型即STL‑ML‑DIFF模型包括STL分解模块和多级别扩散ML‑DIFF模块；（3）将训练集的数据输入到STL‑ML‑DIFF模型进行训练，获得海表温度预测数据；本发明提高了海表温度预测精度。
Description
技术领域
本发明涉及海洋预测技术领域，尤其涉及一种信号分解的多级扩散海表温度预测方法。
背景技术
海表温度（sea surface temperature，SST）是海洋科学研究的重要内容之一,SST的精确预测对海洋环境保护和海洋经济发展有重要意义。了解 SST 序列变化趋势并实现高精度预测，有利于自然灾害的预警和防护，对海洋生态环境保护和经济发展有重要意义。现有的 SST 预测方法分为数值预报和数据驱动两类。其中，数值预报方法是利用海洋中的物理、化学指标，研究其相互关系，建立复杂的热力学和物理学方程，进而对 SST 进行预测。现有技术利用海洋混合层热能守恒方程，对平均洋流、蒸发量和感热量等因素进行分析，实现对每个季节以及全时段的 SST 预测。现有技术还提出一种简单新颖的数学方法，利用基于特征向量的降阶数值预报方法（reduced-order modelusing eigenvectors,RMEV）中的前 10 种模式，进一步优化 RMEV 方法，提高印度洋西北部 SST预测精度；但是现有的预测方法存在诸多问题，譬如难以捕捉SST的小尺度变化，以及可能无法对SST的季节性与趋势性进行整合分析，从而影响模型性能。
发明内容
发明目的：本发明的目的是提供了一种信号分解的多级扩散海表温度预测方法，考虑了不同级别下的海表温度趋势和周期性数据对SST预测精度的影响，通过将原始的时间序列数据进行趋势提取，得到不同级别的趋势样本数据，在对不同级别的趋势样本进行由粗糙到精致扩散的SST预测。
技术方案：本发明所述的一种信号分解的多级扩散海表温度预测方法，包括以下步骤：
（1）获取五个观测点相同一段时间的一维海表温度数据进行预处理；并划分训练集、验证集、测试集；
（2）构建信号分解的多级扩散模型即STL-ML-DIFF模型包括STL分解模块和多级别扩散ML-DIFF模块；
（3）将训练集的数据输入到STL-ML-DIFF模型进行训练，获得海表温度预测数据。
进一步的，步骤（1）中，五个观测点相同一段时间的一维海表温度数据为：美国国家海洋和大气管理局的最优插值海面温度OISSTV2 网格数据，时间分辨率为一维数据，空间分辨率为 0.25°×0.25°；数据时间范围为 2004 年 1 月1 日至 2016 年 12 月 31日；预处理具体如下：对一维海表温度数据进行归一化处理。
进一步的，步骤（2）包括以下步骤：
（21）将预处理后的一维海表温度数据输入STL分解模块中，通过内循环和外循环处理直至收敛，得到最终趋势T，最终季节S，残差R；其中，STL分解模块包括：内循环、外循环；其中，内循环用于得到不同收敛情况的趋势T和季节S；包括局部加权回归和低通滤波；外循环用于获取残差R并用于减小异常值对内循环的影响；
（22）将步骤（21）得到的最终趋势T，最终季节S，残差R输入到多级扩散ML-DIFF模块中，获得第S阶段预测窗口的特征；其中，多级扩散ML-DIFF模块包括前向扩散模块、调节网络和反向去噪模块；前向扩散模块用于逐级向反向去噪模块中添加噪声序列；调节网络用于为当前阶段的反向去噪模块提供条件信息；反向去噪模块用于利用条件信息从前向扩散生成的噪声序列中预测当前阶段的趋势。
进一步的，前向扩散的具体表达式为：
；
其中，为噪声矩阵，用于生成噪声序列，~N(0,1) 是从标准高斯分布采样得到的噪声。
进一步的，调节网络具体公式如下：
；
；
其中，为第S级的回望窗口，为第S+1级的预测值，concat为拼接函数；用于把回望窗口和预测值的信息提供给反向去噪模块。
进一步的，反向去噪的具体表达式：
；
；
其中，是第s阶段的损失函数，用于获得最优；表示当时的前向扩散噪声和时间步k进行期望计算；表示去噪网络在参数下,给定预测值、时间步k和条件cs时的预测值；表示计算前向扩散与预测值之间的均方误差；、和都是方差调节超参数，用于对当前级别的估计值进行缩放；是基于和条件件在第k步的预测值，当k>1时，~N(0,1)，否则=0，当k=K时，~。
附图说明
图1为本发明的系统原理图；
图2为本发明STL-ML-DIFF预测方法的结构图；
图3为本发明ML-DIFF方法的结构图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示，本发明实施例提供一种信号分解的多级扩散海表温度预测方法，包括以下步骤：
（1）获取五个观测点相同一段时间的一维海表温度数据进行预处理；并划分训练集、验证集、测试集；五个观测点相同一段时间的一维海表温度数据为：美国国家海洋和大气管理局 NOAA的最优插值海面温度OISSTV2 网格数据，时间分辨率为一维数据，空间分辨率为 0.25°×0.25°；数据时间范围为 2004 年 1 月1 日至 2016 年 12 月 31 日；预处理具体如下：对一维海表温度数据进行归一化处理。
（2）如图2所示，构建信号分解的多级扩散模型即STL-ML-DIFF模型包括STL分解模块和多级别扩散ML-DIFF模块；包括以下步骤：
（21）将预处理后的一维海表温度数据输入STL分解模块中，通过内循环和外循环处理直至收敛，得到最终趋势T，最终季节S，残差R；其中，STL分解模块包括：内循环、外循环组；其中，内循环用于得到不同收敛情况的趋势T和季节S；包括局部加权回归和低通滤波算法；外循环用于获取残差差R并用于减小异常值对内循环的影响；
（22）如图3所示，将步骤（21）得到的最终趋势T，最终季节S，残差R输入到多级扩散ML-DIFF模块中，获得第S阶段预测窗口的特征；其中，多级扩散ML-DIFF模块包括前向扩散模块、调节网络和反向去噪模块；前向扩散模块用于逐级向反向去噪模块中添加噪声序列；调节网络用于是为当前阶段s的反向去噪模块提供条件信息；反向去噪模块用于利用条件信息从前向扩散生成的噪声序列中预测当前阶段的趋势 ̂，其预测值 ̂将作为下一更精细阶段S-1的条件之一，用于重构出更精细的趋势序列。
其中，前向扩散的具体表达式为：
；
其中，为噪声矩阵，用于生成噪声序列，~N(0,1) 是从标准高斯分布采样得到的噪声。
调节网络具体公式如下：
；
；
其中，为第S级的回望窗口，为第S+1级的预测值，concat为拼接函数；用于把回望窗口和预测值的信息提供给反向去噪模块。
反向去噪的具体表达式：
；
；
其中，是第s阶段的损失函数，用于获得最优；表示当时的前向扩散噪声和时间步k进行期望计算；表示去噪网络在参数下,给定预测值、时间步k和条件cs时的预测值；表示计算前向扩散与预测值之间的均方误差；、和都是方差调节超参数，用于对当前级别的估计值进行缩放；是基于和条件件在第k步的预测值，当k>1时，~N(0,1)，否则=0，当k=K时，~。
图3中，本发明设定S=0,1,2；、、表示回溯窗口，表示最终预测结果。
（3）将训练集的数据输入到STL-ML-DIFF模型进行训练，获得海表温度预测数据。
（4）为了验证模型的有效性选择均方根误差(root mean square error, RMSE)、平均绝对百分比误差(mean absolute percent error, MAPE）和Pearson相关系数 3 个评价指标对SST预测值进行评估，具体公式为：
；
；
；
其中，T 表示测试样例总数；表示观测值；表示预测值；为观测值的平均值；为预测值的平均值。
为了进一步分析所提出STL-ML-DIFF预测模型的预测性能，选取了LSTM、STL-LSTM方法与本发明提出的方法进行比较；测试集选取历史NOAA的最优插值海表温度网格数据和范围为2004年1月1日至2016年12月31日的时间数据样本组成一维数据集，不同方法在RMSE、MAPE和Pearson上的误差指标值见表1、表2和表3。
表1不同方法的 RMSE 指标值（℃）
表2不同方法的MAPE指标值（%）
表3不同方法的Pearson 指标值
表1、表2和表3展示了LSTM方法、STL-LSTM和STL-ML-DIFF预测模型在测试集上的预测误差。STL-ML-DIFF预测模型在5个观测点，即P1、P2、P3、P4、P5测试集上的RMSE、MAPE和Pearson平均值分别为0.42℃、1.16%和0.95，实验表明在的海表温度的预测模型中，本发明提出的模型的预测性能最优。
Claims (6)
1.一种信号分解的多级扩散海表温度预测方法，其特征在于，包括以下步骤：
（1）获取五个观测点相同一段时间的一维海表温度数据进行预处理；并划分训练集、验证集、测试集；
（2）构建信号分解的多级扩散模型即STL-ML-DIFF模型包括STL分解模块和多级别扩散ML-DIFF模块；
（3）将训练集的数据输入到STL-ML-DIFF模型进行训练，获得海表温度预测数据。
2.根据权利要求1所述的一种信号分解的多级扩散海表温度预测方法，其特征在于，步骤（1）中，五个观测点相同一段时间的一维海表温度数据为：美国国家海洋和大气管理局的最优插值海面温度OISSTV2 网格数据，时间分辨率为一维数据，空间分辨率为 0.25°×0.25°；数据时间范围为 2004 年 1 月1 日至 2016 年 12 月 31 日；预处理具体如下：对一维海表温度数据进行归一化处理。
3.根据权利要求1所述的一种信号分解的多级扩散海表温度预测方法，其特征在于，步骤（2）包括以下步骤：
（21）将预处理后的一维海表温度数据输入STL分解模块中，通过内循环和外循环处理直至收敛，得到最终趋势T，最终季节S，残差R；其中，STL分解模块包括：内循环、外循环；其中，内循环用于得到不同收敛情况的趋势T和季节S；包括局部加权回归和低通滤波；外循环用于获取残差R并用于减小异常值对内循环的影响；
（22）将步骤（21）得到的最终趋势T，最终季节S，残差R输入到多级扩散ML-DIFF模块中，获得第S阶段预测窗口的特征；其中，多级扩散ML-DIFF模块包括前向扩散模块、调节网络和反向去噪模块；前向扩散模块用于逐级向反向去噪模块中添加噪声序列；调节网络用于为当前阶段的反向去噪模块提供条件信息；反向去噪模块用于利用条件信息从前向扩散生成的噪声序列中预测当前阶段的趋势。
4.根据权利要求3所述的一种信号分解的多级扩散海表温度预测方法，其特征在于，前向扩散的具体表达式为：
；
其中，为噪声矩阵，用于生成噪声序列，~N(0,1) 是从标准高斯分布采样得到的噪声。
5.根据权利要求3所述的一种信号分解的多级扩散海表温度预测方法，其特征在于，调节网络具体公式如下：
；
；
其中，为第S级的回望窗口，为第S+1级的预测值，concat为拼接函数；用于把回望窗口和预测值的信息提供给反向去噪模块。
6.根据权利要求3所述的一种信号分解的多级扩散海表温度预测方法，其特征在于，反向去噪的具体表达式：
；
；
其中，是第s阶段的损失函数，用于获得最优；表示当时的前向扩散噪声和时间步k进行期望计算；表示去噪网络在参数下,给定预测值、时间步k和条件cs时的预测值；表示计算前向扩散与预测值之间的均方误差；、和都是方差调节超参数，用于对当前级别的估计值进行缩放；是基于和条件件在第k步的预测值，当k>1时，~N(0,1)，否则=0，当k=K时，~。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410817321.4A CN118378664A (zh) | 2024-06-24 | 2024-06-24 | 一种信号分解的多级扩散海表温度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410817321.4A CN118378664A (zh) | 2024-06-24 | 2024-06-24 | 一种信号分解的多级扩散海表温度预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118378664A true CN118378664A (zh) | 2024-07-23 |
Family
ID=91911111
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410817321.4A Pending CN118378664A (zh) | 2024-06-24 | 2024-06-24 | 一种信号分解的多级扩散海表温度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118378664A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022262500A1 (zh) * | 2021-06-15 | 2022-12-22 | 哈尔滨工程大学 | 一种基于steof-lstm的海洋环境要素预测方法 |
| CN116187563A (zh) * | 2023-02-28 | 2023-05-30 | 南京信息工程大学 | 一种融合改进变分模态分解的海表温度时空智能预测方法 |
| CN117240303A (zh) * | 2023-10-25 | 2023-12-15 | 北京理工大学 | 一种基于扩散模型的数据压缩方法 |
-
2024
- 2024-06-24 CN CN202410817321.4A patent/CN118378664A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022262500A1 (zh) * | 2021-06-15 | 2022-12-22 | 哈尔滨工程大学 | 一种基于steof-lstm的海洋环境要素预测方法 |
| CN116187563A (zh) * | 2023-02-28 | 2023-05-30 | 南京信息工程大学 | 一种融合改进变分模态分解的海表温度时空智能预测方法 |
| CN117240303A (zh) * | 2023-10-25 | 2023-12-15 | 北京理工大学 | 一种基于扩散模型的数据压缩方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | Using Bayesian deep learning to capture uncertainty for residential net load forecasting | |
| Lv et al. | A VMD and LSTM based hybrid model of load forecasting for power grid security | |
| Li et al. | Concentration estimation of dissolved oxygen in Pearl River Basin using input variable selection and machine learning techniques | |
| CN113157771A (zh) | 一种数据异常检测方法及电网数据异常检测方法 | |
| CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
| CN113505923B (zh) | 一种地区电网短期负荷预测方法及系统 | |
| CN111144644B (zh) | 基于变分异方差高斯过程回归的短期风速预测方法 | |
| CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
| CN112508244B (zh) | 一种用户级综合能源系统多元负荷预测方法 | |
| CN113283155B (zh) | 一种近地表气温估算方法、系统、存储介质及设备 | |
| Arminarahmah et al. | Performance analysis and model determination for forecasting aluminum imports using the Powell-Beale algorithm | |
| CN113807562A (zh) | 海洋表面温度的预测方法 | |
| Wang et al. | Application of DBN for estimating daily solar radiation on horizontal surfaces in Lhasa, China | |
| CN115438576A (zh) | 基于Prophet、自注意力机制和时间序列卷积网络的电子式电压互感器误差预测方法 | |
| Shao et al. | Ocean reanalysis data‐driven deep learning forecast for sea surface multivariate in the South China Sea | |
| Kim et al. | Tutorial on time series prediction using 1D-CNN and BiLSTM: A case example of peak electricity demand and system marginal price prediction | |
| CN117371303A (zh) | 一种海浪下有效波高的预测方法 | |
| CN114498619A (zh) | 一种风电功率预测方法及装置 | |
| CN112541613A (zh) | 一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法 | |
| CN118094473A (zh) | 结合物理约束与孪生网络的北极海冰短期预报方法及系统 | |
| CN115035962A (zh) | 基于变分自编码器和生成对抗网络的虚拟样本生成及软测量建模方法 | |
| CN117972625A (zh) | 基于四维变分约束的注意力神经网络数据同化方法 | |
| CN116613732A (zh) | 一种基于shap值选择策略的多元负荷预测方法及系统 | |
| CN115640916B (zh) | 分布式电源出力和多能负荷态势感知方法及系统 | |
| Pan et al. | Modeling optimization method based on Gamma test and NSGA II for forecast of PV power output |
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 |