[发明专利]中尺度涡轨迹平稳序列提取与循环神经网络预测方法

说明书

本发明公开了中尺度涡轨迹平稳序列提取与循环神经网络预测方法，该方法包括：收集相关数据并进行数理统计；引入应用相关熵的变分模态分解，搜索最佳参数，将非平稳的中尺度涡传播轨迹数据分解为K个平稳的子序列；建立基于双阶段注意力循环神经网络改进的多步预测网络模型；构建改进的正则化策略训练模型；将分解后的平稳子序列以及多特征变量序列依次送入多步预测网络模型，并通过改进的正则化策略训练模型，分别预测子序列，最终得到目标预测结果。本发明从机器学习角度通过卫星测高观测技术辅助中尺度涡轨迹数据的预测研究，中尺度涡的准确预测对理解它的传播和演化特征，提高气候变化的模拟能力都具有重要的科学和应用价值。

技术领域

本发明涉及中尺度涡轨迹平稳序列提取与循环神经网络预测方法，属于智能信息处理和目标预测技术领域。

背景技术

中尺度涡在世界海洋中普遍存在，是一种重要的海洋物理现象。由于卫星测高数据在时间可用性、分辨率和覆盖范围等方面的改进，对中尺度涡时空分布和运动特征等方面已经进行了越来越多的研究。但是，很少有基于中尺度涡轨迹数据的预测研究，近年来，关于中尺度涡传播轨迹预测的研究也逐渐展开，中尺度涡的准确预测对理解它的传播和演化特征，提高气候变化的模拟能力都具有重要的科学和应用意义。

通常，用于海洋中尺度预报的主要方法可以分为两种：动态模型和数值方法。根据以往研究，不难发现动态模型和数值模拟的建模方法具有十分明显的劣势，对初始条件等设定要求太严苛，模型性能极易受到影响，而且对海底复杂的地形变化非常敏感，另外需要耗费大量的计算资源和时间，这些使得中尺度涡预测愈加困难。一方面，海洋动力学模型的预测能力只能通过更好的同化方案，足够的数据和提高分辨率来提高；另一方面，由于中尺度涡整个生命周期内都伴随着强烈的随机性和非线性过程，中尺度涡的预测一直是数值方法的一大挑战。

在多变量时间序列预测任务中，深度学习技术提供了有效、新颖且可靠的方法来提高预测准确度，与此同时，将深度学习多变量时间序列预测模型应用于预测中尺度涡传播轨迹具有诸多挑战：首先，多变量时间序列数据具有高维和复杂空间关系，如何处理在相同时间和不同时间的空间关系是需要解决的问题。第二，多个时间序列，其中一些或所有时间序列在一定程度上是相关的，如何发现和利用它们之间时间关系的长期依赖性是一个难点。第三，许多经典方法大多解决了单步预测问题，然而在现实生活中，单步时间序列预测通常无济于事，因为很难预测在多步条件后将要发生的情况。同时，在多步预测中，误差会随预测步数的增加而增加，与单步预测相比，多步预测更加复杂。第四，海洋中尺度涡在时间和空间上都在演变，并且高度不稳定，具有明显的非线性与非平稳性特征，极大增加了预测难度。最后，预测的难点还在于，中尺度涡没有显著的周期性，并且移动速度和自身变换也不固定，这对固定连接的深度学习模型也是一种挑战。

因此，如何克服以上多个难点，从机器学习角度研究基于多变量时间序列数据的中尺度传播轨迹长期预测模型具有重要意义。

发明内容

针对上述问题，本发明的目的是提供一种中尺度涡轨迹平稳序列提取与循环神经网络预测方法，以弥补现有技术的不足。

为达到上述目的，本发明采用如下技术方案：

一种中尺度涡轨迹平稳序列提取与循环神经网络预测方法，包括以下步骤：

S1：收集相关数据，包括中尺度涡旋传播轨迹和海洋测深数据，并对相关数据进行数理统计，得到多特征变量序列；

S2：将非平稳的中尺度涡传播轨迹分解为K个最佳平稳子序列；

S3：建立基于改进的循环神经网络多步预测模型；

S4：构建改进的正则化策略训练模型；