【技术实现步骤摘要】
本专利技术涉及测绘技术，尤其涉及基于条件对抗网络的海洋环境短期预测方法及系统。
技术介绍
1、传统的海洋环境预测方法主要包括数值模型法和统计模型法。
2、数值模型法通过求解流体动力学方程，模拟海洋环境的物理过程，预测未来的海洋状态。
3、但是，数值模型法对初始条件和边界条件较为敏感，且计算复杂度高，难以实现实时预测。
4、统计模型法通过分析历史观测数据，建立统计关系，预测海洋环境的未来变化。
5、然而，统计模型法难以捕捉海洋环境的非线性和非平稳特征，预测精度有限。
技术实现思路
1、本专利技术实施例提供基于条件对抗网络的海洋环境短期预测方法及系统，能够解决现有技术中的问题。
2、本专利技术实施例的第一方面，
3、提供基于条件对抗网络的海洋环境短期预测方法，包括：
4、构建时序变分自编码器模型，所述时序变分自编码器模型包括编码器和解码器，所述编码器采用长短期记忆网络将目标区域的海洋环境的时空序列数据映射到低维潜在空间，得到海洋环境状态的压缩表示，所述解码器采用长短期记忆网络从所述海洋环境状态的压缩表示中重构出原始的海洋环境状态序列；
5、构建注意力机制增强的时空图神经网络模型，将海洋环境的物理量分布建模为时空图，通过图卷积操作聚合节点的局部特征，并采用多头注意力机制动态调整不同节点之间的权重，以建模海洋环境的空间关联模式；
6、所述时序变分自编码器模型根据当前时刻的海洋环境状态
7、在一种可选的实施方式中，
8、构建时序变分自编码器模型，所述时序变分自编码器模型包括编码器和解码器，所述编码器采用长短期记忆网络将目标区域的海洋环境的时空序列数据映射到低维潜在空间，得到海洋环境状态的压缩表示，所述解码器采用长短期记忆网络从所述海洋环境状态的压缩表示中重构出原始的海洋环境状态序列包括：
9、构建编码器-解码器架构的时序变分自编码器模型，所述编码器采用多层长短期记忆网络对目标区域的海洋环境时空序列数据进行编码，在每个时间步，长短期记忆网络单元接收当前时刻的海洋环境状态向量，并结合前一时刻的隐藏状态和记忆单元更新当前时刻的隐藏状态和记忆单元，捕捉时间序列数据中的上下文信息和长程依赖关系；
10、通过最大化变分下界优化所述编码器和所述解码器的参数，所述编码器的输出经过两个全连接层分别估计潜在变量的均值和对数方差，从估计的高斯分布中采样得到潜在变量并输入到所述解码器中进行重构；
11、所述解码器采用与所述编码器相对称的长短期记忆网络结构，根据潜在变量和前一时刻的解码结果递归地生成海洋环境状态序列，在所述解码器的输出层采用条件高斯分布作为生成模型，通过最小化重构误差和kl散度损失优化所述编码器和所述解码器的参数。
12、在一种可选的实施方式中，
13、通过最小化重构误差和kl散度损失优化所述编码器和所述解码器的参数包括：
14、重构误差如下公式所示：；
15、kl散度损失如下公式所示：；
16、其中， l r表示重构误差， l k表示kl散度损失， n、 t分别表示样本数量和时间周期，表示第 i个样本在时间步 t的观测值向量，表示第 i个样本对应的潜在变量，表示第 i个样本在时间步 t之前的观测值序列， μ θ ()表示解码器估计的均值， σ θ ()表示解码器估计的协方差矩阵； z表示潜在变量，表示编码器估计的后验分布，表示给定观测值序列时潜在变量的条件概率分布， p(z)表示潜在变量的先验分布。
17、在一种可选的实施方式中，
18、构建注意力机制增强的时空图神经网络模型，将海洋环境的物理量分布建模为时空图，通过图卷积操作聚合节点的局部特征，并采用多头注意力机制动态调整不同节点之间的权重，以建模海洋环境的空间关联模式包括：
19、将海洋环境的物理量分布表示为一个时空图，所述时空图由m个节点组成，所述m个节点表示不同位置的观测点，所述时空图的节点之间的边表示节点之间的空间关联，所述时空图的节点属性张量表示节点属性随时间的变化；
20、对所述时空图进行图卷积操作，通过聚合所述时空图中每个节点的邻居节点的特征，更新每个节点的特征；
21、在所述图卷积操作的基础上，引入多头注意力机制，通过计算不同注意力头对节点之间关联强度的评估值，得到每个注意力头的注意力权重，利用所述注意力权重对所述图卷积操作中邻居节点的特征进行加权聚合，以建模所述时空图中节点之间的动态关联模式；
22、在注意力机制增强的图卷积操作之上，引入时间卷积网络，通过因果卷积和扩张卷积的组合，捕捉时空图节点属性的时间演化规律，并将所述时间卷积网络与注意力机制增强的图卷积操作相结合，构建时空图神经网络模型；
23、利用均方误差损失函数，衡量时空图神经网络模型的预测值与真实值之间的差异，通过最小化所述均方误差损失函数，并引入流体动力学方程作为正则化项训练时空图神经网络模型，得到训练后的时空图神经网络模型。
24、在一种可选的实施方式中，
25、引入流体动力学方程作为正则化项训练时空图神经网络模型包括：
26、所述流体动力学方程如下公式所示：
27、；
28、其中， u表示流体速度向量， t表示时间， ρ表示流体密度， p表示压强， ν表示流体运动黏度， f表示外力项。
29、在一种可选的实施方式中，
30、采用自适应融合策略动态调整两个模型的融合权重，将两个模型的输出结果进行加权聚合，得到最终的未来多个时间步的海洋环境物理量时空分布预测结果包括：
31、对时序变分本文档来自技高网...
【技术保护点】
1.基于条件对抗网络的海洋环境短期预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，通过最小化重构误差和KL散度损失优化所述编码器和所述解码器的参数包括：
3.根据权利要求1所述的方法，其特征在于，构建注意力机制增强的时空图神经网络模型，将海洋环境的物理量分布建模为时空图，通过图卷积操作聚合节点的局部特征，并采用多头注意力机制动态调整不同节点之间的权重，以建模海洋环境的空间关联模式包括：
4.根据权利要求3所述的方法，其特征在于，引入流体动力学方程作为正则化项训练时空图神经网络模型包括：
5.根据权利要求1所述的方法，其特征在于，采用自适应融合策略动态调整两个模型的融合权重，将两个模型的输出结果进行加权聚合，得到最终的未来多个时间步的海洋环境物理量时空分布预测结果包括：
6.基于条件对抗网络的海洋环境短期预测系统，用于实现前述权利要求1-5中任一项所述的方法，其特征在于，包括：
7.一种电子设备，其特征在于，包括：
8.一种计算机可读存储介质，其上存储有计算机程序指令，其特征
...【技术特征摘要】
1.基于条件对抗网络的海洋环境短期预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，通过最小化重构误差和kl散度损失优化所述编码器和所述解码器的参数包括：
3.根据权利要求1所述的方法，其特征在于，构建注意力机制增强的时空图神经网络模型，将海洋环境的物理量分布建模为时空图，通过图卷积操作聚合节点的局部特征，并采用多头注意力机制动态调整不同节点之间的权重，以建模海洋环境的空间关联模式包括：
4.根据权利要求3所述的方法，其特征在于，引入流体动力学方程作为正则化项训练时空图神经...
【专利技术属性】
技术研发人员：费国通，
申请(专利权)人：北京庚图科技有限公司，
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。