【技术实现步骤摘要】
本专利技术属于黑潮路径预报，尤其涉及一种基于多源数据融合的黑潮路径预报系统。
技术介绍
1、黑潮是著名的西边界流，因其具有高温、高盐、流幅窄、流速强、流量大等特点而著称。每年，它从北太平洋低纬向中高纬地区输送了大量的热量，对周边国家乃至全球的气候和环境产生重要影响。黑潮会呈现多流态特征，主要包括典型的大弯曲路径和非大弯曲路径。而这两种典型的路径的形态和位置的变化对黑潮流经的北太平洋地区的气候、渔业、航海安全以及海洋资源都有着显著影响。前人的一些研究还指出黑潮路径变化对于我国东部沿岸一些城市以及长江流域的降水有着重要影响。因此，对未来黑潮路径的预报具有重要意义。
2、随着海洋观测和同化技术的发展，可以获得的海洋要素数据日益丰富，包括现场观测数据、卫星高度资料和海洋再分析数据。因此，数据驱动方法在海洋分析与预测中开始广泛应用。但是目前关于基于机器学习方法开展黑潮路径预测研究相对较少。
技术实现思路
1、为解决上述技术问题，本专利技术提出了一种基于多源数据融合的黑潮路径预报系统，以解决上述现有技术存在的问题。
2、为实现上述目的，本专利技术提供了一种基于多源数据融合的黑潮路径预报系统，包括：
3、数据获取子系统，用于获取黑潮路径的多源数据；
4、数据处理子系统，与所述数据获取子系统连接，用于对所述黑潮路径的多源数据进行预处理，获得待计算数据集；
5、模型构建子系统，与所述数据处理子系统连接，用于基于带组合注意力的卷积神经网络和双
6、预测子系统，与所述模型构建子系统连接，用于将所述待计算数据集输入至所述路径预报模型中进行预测，生成预测结果。
7、优选地，所述黑潮路径的多源数据包括：卫星数据、浮标和船只观测数据和模型数据；
8、所述卫星数据包括海表温度、海表高度和海表盐度；
9、所述浮标和船只观测数据包括argo浮标系统收集的深层温度和盐度数据以及海洋研究机构的船只观测数据。
10、优选地，所述数据处理子系统包括：
11、滤波模块，用于基于巴特沃斯低通滤波器对所述黑潮路径的多源数据进行平滑处理得到滤波后数据；
12、归一化模块，用于对所述滤波后数据进行归一化处理得到归一化数据，然后采用窗口分割技术对所述归一化数据进行划分得到若干数据片段；
13、排序模块，用于基于时间轴对所述若干数据片段进行排列，生成所述待计算数据集。
14、优选地，所述模型构建子系统包括：
15、卷积构建模块，用于构建带组合注意力的卷积神经网络，并通过transformer编码器的参数输出向量对所述带组合注意力的卷积神经网络进行训练，获得空间特征提取模型；
16、长短时构建模块，用于构建双向长短时记忆网络，通过带时间戳的样本集对所述双向长短时记忆网络进行训练，获得时序特征提取模型；
17、连接模块，用于将所述空间特征提取模型的输出和所述时序特征提取模型的输出通过全连接层连接，生成所述路径预报模型。
18、优选地，所述卷积构建模块包括：
19、教师模型构建单元，用于构建transformer编码器，对所述transformer编码器进行训练，获得transformer编码器的参数输出向量；
20、网络改进单元，用于构建卷积神经网络，将所述transformer编码器的参数输出向量作为所述卷积神经网络的起始输入，并将组合注意力模块导入至所述卷积神经网络中，获得所述带组合注意力的卷积神经网络；
21、训练模块，用于通过样本集对所述带组合注意力的卷积神经网络进行训练，获得所述空间特征提取模型。
22、优选地，所述训练模块包括：
23、训练集构建单元，用于获取黑潮路径的历史数据集；
24、预训练单元，用于通过bert预训练模型对所述带组合注意力的卷积神经网络进行预训练，获得预训练模型；
25、训练单元，用于基于所述训练数据集对所述预训练模型进行迭代训练，直至所述预训练模型达到自动学习输入参数和黑潮路径预测之间的关系后结束迭代，获得所述空间特征提取模型。
26、优选地，所述长短时构建模块中，双向长短时记忆网络模型提取周期性信号特征的计算公式为：
27、
28、
29、
30、其中，为t时刻正向lstm隐藏层的输出向量，(t＝1，2，...，n)，由当前时刻输入向量xt和前一时刻的正向lstm输出向量共同确定；
31、其中，为t时刻反向lstm隐藏层的输出向量，(t＝1，2，...，n)，由当前时刻输入向量xt和前一时刻的反向lstm输出向量共同确定；
32、ht为bilstm模型的输出，ωt为正向lstm输出的权重矩阵；vt为反向lstm输出的权重矩阵；bt为权重矩阵的偏置。
33、优选地，所述预测子系统包括：
34、计算模块，用于将所述待计算数据集输入至所述路径预报模型中进行预测，生成所述预测结果；
35、解释模块，用于将所述预测结果进行解释，获得路径预测曲线。
36、与现有技术相比，本专利技术具有如下优点和技术效果：
37、本专利技术采用带组合注意力机制的cnn和bi-lstm网络，这种结构可以有效地从时空数据中学习复杂的依赖关系。组合注意力机制使模型能够更好地集中于数据中最有信息量的部分，从而提高学习效率和预测精度。该系统的输出可以直接支持海洋科学研究、商业航运、海洋保护区管理等多个领域的决策制定。通过提供更准确的黑潮流动路径预测，可以帮助相关部门和组织优化操作计划和应急响应策略。
本文档来自技高网...【技术保护点】
1.一种基于多源数据融合的黑潮路径预报系统，其特征在于，包括：
2.根据权利要求1所述的基于多源数据融合的黑潮路径预报系统，其特征在于，所述黑潮路径的多源数据包括：卫星数据、浮标和船只观测数据和模型数据；
3.根据权利要求1所述的基于多源数据融合的黑潮路径预报系统，其特征在于，所述数据处理子系统包括：
4.根据权利要求1所述的基于多源数据融合的黑潮路径预报系统，其特征在于，所述模型构建子系统包括：
5.根据权利要求4所述的基于多源数据融合的黑潮路径预报系统，其特征在于，所述卷积构建模块包括：
6.根据权利要求5所述的基于多源数据融合的黑潮路径预报系统，其特征在于，所述训练模块包括：
7.根据权利要求1所述的基于多源数据融合的黑潮路径预报系统，其特征在于，所述长短时构建模块中，双向长短时记忆网络模型提取周期性信号特征的计算公式为：
8.根据权利要求1所述的基于多源数据融合的黑潮路径预报系统，其特征在于，所述预测子系统包括：
【技术特征摘要】
1.一种基于多源数据融合的黑潮路径预报系统，其特征在于，包括：
2.根据权利要求1所述的基于多源数据融合的黑潮路径预报系统，其特征在于，所述黑潮路径的多源数据包括：卫星数据、浮标和船只观测数据和模型数据；
3.根据权利要求1所述的基于多源数据融合的黑潮路径预报系统，其特征在于，所述数据处理子系统包括：
4.根据权利要求1所述的基于多源数据融合的黑潮路径预报系统，其特征在于，所述模型构建子系统包括：
5.根据...
【专利技术属性】
技术研发人员：刘霞，孟晓玲，杨怀君，张理涛，武亚娟，杨津瑾，
申请(专利权)人：郑州航空工业管理学院，
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。