【技术实现步骤摘要】
本专利技术涉及一种基于时空注意力联合门控网络的沿海站点风速预测方法，属于气象预测，具体是沿海站点风速预测。
技术介绍
1、精确预测沿海地区风速对于极端气象事件识别以及预警有着意义重大。然而，由于存在外部特征和时空相关性等复杂因素，风速预测具有挑战性。
2、在具有时空相关性特点的风速预测任务中，现存的方法主要分为四类：1)物理方法：物理方法通过利用环境和地理参数(包括温度、湿度、表面粗糙度等)模拟完整的流体力学和热力学方程组来解决风速预测问题。尽管物理方法可以很好地描述大气运动的性质，但其应用仍然受到计算负担沉重、对参数依赖性强、时空分辨率有限、无法考虑局部地形等因素的制约；2)经典统计学方法：这是一种低成本且易于应用的技术，用于捕捉时间序列数据中的数学关系。经典统计学方法包括ar(自回归，auto regression，简称ar)和arima(自回归综合移动平均，autoregressive integrated moving average model，简称arima)模型。然而，这些方法的非线性能力限制了他们的预测精度；3)浅层机器学习方法：为了突破经典统计学方法存在的缺陷，一些研究开始使用一些浅层机器学习模型比如svr(支持向量回归，support vector regression，简称svr)等预测风速。相比经典统计学方法，尽管这些方法在非线性能力上有了一定提升，然而这些模型的泛化能力较弱，无法从时空数据中提取复杂且动态的时空相关性，同时，这些方法处理海量数据的能力有限；4)深度学习方法：随着深度学习方法的
技术实现思路
1、专利技术目的：针对现有技术存在的问题与不足，本专利技术提供一种预测效果好、实用性强的基于时空注意力联合门控网络的沿海站点风速预测方法。
2、技术方案：一种基于时空注意力联合门控网络的沿海站点风速预测方法，包括如下步骤：
3、步骤1：生成输入数据；
4、步骤2：构建风速预测模型；
5、步骤3：训练步骤2构建的风速预测模型；
6、步骤4：计算风速预测模型预测的准确率，若准确率超过预设阈值，则执行步骤5，否则，返回步骤3；
7、步骤5：将生成的数据输入训练好的风速预测模型，获得沿海地区所有站点的风速预测值。
8、优选地，所述的步骤1具体为：
9、采集沿海地区所有站点的风速数据，站点的位置信息，时间戳，以及辅助特征数据，然后，对数据进行缺失值填充以及异常值检测和删除的预处理操作，最终生成三类输入数据。所述风速数据包括风向、风速、小时内极大风速信息。所述位置信息和时间戳指的是静态时空特征。所述的辅助特征数据包括：海面温度(℃)、表面气压(hpa)等72种辅助特征。
10、更加优选地，所述的三类输入数据包括：沿海地区所有站点数据生成的无向图结构；通过node2vec和one-hot(独热编码，one hot method，简称one-hot)分别编码道路位置信息和时间戳生成的静态空间和时间特征；以及经过fcs(全连接网络，fully connectedneural networks，简称fcs)处理的辅助特征数据。
11、优选地，所述的步骤2具体为：
12、基于深度学习原理构建门控机制和时空模块建立风速预测模型，门控机制用于融合静态空间、静态时间和辅助特征，时空模块用于提取动态的时空相关性。
13、更加优选地，所述的门控机制，具体方法为：
14、该门控机制模块的输入是静态空间、静态时间和辅助特征。首先，融合静态空间和时间信息组成st(静态时空特征，static spatio-temporal，简称st)；然后，将st与外部特征进行集成构成ste(时空外部特征，spatio-temporal-external feature，简称ste)。
15、更加优选地，所述的时空模块采用st-encoding(时空编码器，spatio-temporalencoder，简称st-encoding)，similar attention(相似注意力模块，similar attentionmodule，简称similar attention)，以及st-decoding(时空解码器，spatio-temporaldecoder，简称st-decoding)，具体方法为：
16、st-encoding的输入组成是无向图结构以及ste，st-encoding的架构包含空间注意力，时间注意力和st fusion结构。空间注意力由multi-head gat(多头图注意力网络，multi-head graph attention network，简称multi-head gat)构成，用于挖掘历史数据中动态的空间相关性；时间注意力由多头自注意力机制构成，用于挖掘历史数据中动态的时间相关性；st fusion(时空融合，spatio-temporal fusion，简称st fusion)用于自适应地融合动态时空特征，根据时空相关特征的重要性进行自适应融合。
17、similar attention的输入是st-encoding的输出表示，它是基于自注意力机制构建，主要用于选择最相关的历史时空隐藏状态，减少预测中的误差传播。
18、st-decoding采取与st-encoding相同的结构，它的输入是similar attention的输出，用于输出未来状态下的动态时空相关性。
19、更加优选地，所述的步骤3具体为：
20、对风速预测模型进行训练，训练采用的损失函数为mse(均方误差，mean squareerror,，简称本文档来自技高网...
【技术保护点】
1.一种基于时空注意力联合门控网络的沿海站点风速预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于时空注意力联合门控网络的沿海站点风速预测方法，其特征在于，所述的步骤1具体为：
3.根据权利要求2所述的基于时空注意力联合门控网络的沿海站点风速预测方法，其特征在于，所述的三类输入数据包括：沿海地区所有站点数据生成的无向图结构，通过Node2vec和one-hot分别编码道路位置信息和时间戳生成的静态空间和时间信息，以及经过全连接网络处理的辅助特征数据。
4.根据权利要求1所述的基于时空注意力联合门控网络的沿海站点风速预测方法，其特征在于，所述的步骤2具体为：
5.根据权利要求4所述的基于时空注意力联合门控网络的沿海站点风速预测方法，其特征在于，所述的门控机制为：
6.根据权利要求4所述的基于时空注意力联合门控网络的沿海站点风速预测方法，其特征在于，所述的时空模块包括ST-Encoding，similar attention以及ST-Decoding；
7.根据权利要求1所述的基于时空注意力联合门
8.一种基于时空注意力联合门控网络的沿海站点风速预测装置，其特征在于，包括如下模块：
9.一种计算机设备，其特征在于：该计算机设备包括存储器、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，处理器执行上述计算机程序时实现如权利要求1-7中任一项所述的基于时空注意力联合门控网络的沿海站点风速预测方法。
10.一种计算机可读存储介质，其特征在于：该计算机可读存储介质存储有执行如权利要求1-7中任一项所述的基于时空注意力联合门控网络的沿海站点风速预测方法的计算机程序。
...【技术特征摘要】
1.一种基于时空注意力联合门控网络的沿海站点风速预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于时空注意力联合门控网络的沿海站点风速预测方法，其特征在于，所述的步骤1具体为：
3.根据权利要求2所述的基于时空注意力联合门控网络的沿海站点风速预测方法，其特征在于，所述的三类输入数据包括：沿海地区所有站点数据生成的无向图结构，通过node2vec和one-hot分别编码道路位置信息和时间戳生成的静态空间和时间信息，以及经过全连接网络处理的辅助特征数据。
4.根据权利要求1所述的基于时空注意力联合门控网络的沿海站点风速预测方法，其特征在于，所述的步骤2具体为：
5.根据权利要求4所述的基于时空注意力联合门控网络的沿海站点风速预测方法，其特征在于，所述的门控机制为：
6.根据权利要求4所述的基于时空注意力...
【专利技术属性】
技术研发人员：戴强晟，毛莺池，霍雪松，荣毅，汤剑松，朱天昊，
申请(专利权)人：国网江苏省电力有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。