[发明专利]基于静态和动态图学习网络的海温时空预测方法及系统

权利要求书

1.一种基于静态和动态图学习网络的海温时空预测方法，其特征在于，所述方法包括：

S1、获取多个海温观测站观测的目标海域的海温数据，并根据所述海温数据生成所述多个海温观测站之间的静态图；

S2、根据所述海温数据和所述静态图，生成所述多个海温观测站之间的动态图；

S3、利用图卷积网络获取所述静态图和所述动态图的节点特征，并根据所述节点特征和所述海温数据获得目标海域的海温预测值。

2.根据权利要求1所述的方法，其特征在于，所述S1具体包括：

S11、获取多个海温观测站观测的海温数据，并根据所述海温数据生成自适应邻接矩阵；

S12、根据所述自适应邻接矩阵生成所述多个海温观测站之间的静态图。

3.根据权利要求2所述的方法，其特征在于，所述S1还包括：

S13、利用图的正则化对所述静态图进行优化处理，得到优化后的静态图。

4.根据权利要求2所述的方法，其特征在于，所述S11具体为：

获取多个海温观测站观测的海温数据，并通过节点嵌入方法计算所述海温数据的自适应邻接矩阵。

5.根据权利要求2或4所述的方法，其特征在于，所述S2具体包括：

S21、利用多层感知器将所述海温数据映射到与所述自适应邻接矩阵具有相同维度的空间中，得到映射结果；

S22、利用门控机制将所述映射结果和所述自适应邻接矩阵进行信息融合，得到所述多个海温观测站之间的动态图。

6.根据权利要求5所述的方法，其特征在于，所述S22具体为：

根据第一公式组得到所述多个海温观测站之间的动态图；

所述第一公式组为：

其中，均为可学习的参数，M_s为自适应邻接矩阵，X_T为映射结果，r_T为重置门用来保存过去的信息，Z_T为更新门用来更新新加入的信息，为动态图隐藏特征信息，h_T为融合后的动态图。

7.根据权利要求1所述的方法，其特征在于，所述图卷积网络包括第一图卷积网络和第二图卷积网络；

所述S3具体包括：

S31、将所述静态图输入第一图卷积网络中，得到静态图节点特征，并将所述动态图输入第二图卷积网络中，得到动态图节点特征；

S32、根据所述静态图节点特征、所述动态图节点特征和所述海温数据，得到目标海域的海温预测值。

8.根据权利要求7所述的方法，其特征在于，所述S32具体包括：

S321、获取所述静态图节点特征和所述动态图节点特征的和值，记作最终特征；

S322、将所述最终特征和所述海温数据的和值输入到输出模块中，得到目标海域的海温预测值。

9.根据权利要求8所述的方法，其特征在于，所述输出模块包括残差网络和多层感知器。

10.一种基于静态和动态图学习网络的海温时空预测系统，其特征在于，所述系统包括：

静态图生成模块，用于获取多个海温观测站观测的目标海域的海温数据，并根据所述海温数据生成所述多个海温观测站之间的静态图；

动态图生成模块，用于根据所述海温数据和所述静态图，生成所述多个海温观测站之间的动态图；

海温预测模块，用于利用图卷积网络获取所述静态图和所述动态图的节点特征，并根据所述节点特征和所述海温数据获得目标海域的海温预测值。