[发明专利]基于多任务深度学习神经网络的太阳风速度预测方法

权利要求书

1.一种基于多任务深度学习神经网络的太阳风速度预测方法，其特征在于，所采用的神经网络模型包括一个共享模块、一个主LSTM模块以及一个自回归层(AR)模块；

所述共享模块由一维CNN模块和一个共享LSTM模块组成；

所述一维CNN模块用于接收序列输入和自动学习数据空间特征，对不同维度的输入属性的相互关系进行建模；所述共享LSTM模块用于捕获时间序列的时间相关性，并提取不同预测任务之间的相关信息，在多任务并行训练中，通过神经网络的反向传播实现所述共享模块参数的联合学习和共享；

所述主LSTM模块用于解码所述共享模块中的多任务共享信息，并单独用于主任务的预测，所述主LSTM模块用于接收所述共享模块的输出；所述主LSTM模块和所述共享LSTM模块的结构相同；

所述自回归层(AR)模块用于以一种线性的方式对神经网络模型进行修正。

2.根据权利要求1所述的太阳风速度预测方法，其特征在于，包括以下步骤：

步骤1、数据处理：

使用的数据集包括以下3个部分：

(1)从低分辨率OMNI数据集中选择五个物理量属性，分别是太阳风速度(Bulk speed)、质子密度(Proton density)、质子温度(Proton temperature)、流压力(Flow pressure)和场矢量的均方根标准偏差(Sigma-b)；

(2)根据ICME列表引入日冕物质抛射属性：将ICME列表二值化为一个新特征，并将存在日冕物质抛射事件的时间点设为1，不存在的则为0；

(3)通过计算大气成像组件(AIA)图像中冕洞的像素值之和，引入了冕洞信息属性：将所述的图像转换为灰度图像后，计算图像中小于15px的像素值之和，用于表征冕洞的影响，并记为area；

使用上述数据源的数据所构成的7个属性的多元时间序列作为神经网络模型的输入，分别进行24小时和96小时的预测，目标输出分别是距离观测序列未来24小时和96小时后的太阳风速度的预测值；

对于24小时的预测，7维时间序列数据的时间间隔为1小时，即每小时1个7维向量，每个向量的7个向量元素分别对应7个属性；

对于96小时的预测，7维时间序列数据的时间间隔为24小时，即每24小时1个7维向量，每个向量的7个向量元素分别对应7个属性，每个属性值通过计算24小时里的平均值得到；

根据7维时间序列数据各个维度的均值和标准差，采用z-score标准化方法进行数据的标准化，经过处理的数据符合标准正态分布，即均值为0，方差为1，计算公式为：

式(1)中，μ为所有样本数据的均值，σ为所有样本数据的标准差，计算时对每个维度的属性分别进行；

按照8:1:1的比例将数据分为训练集、验证集和测试集；

步骤2、共享模块特征提取：

设置5个相邻时间点的太阳风预测任务进行联合多任务学习；其中，对于24小时预测的，将第22小时、第23小时、第24小时、第25小时和第26小时分别作为5个单独预测任务，对于96小时预测的，将第48小时、第72小时、第96小时、第120小时和第144小时分别作为5个单独预测任务；5个单独预测任务的编号分别依次为1、2、3、4和5，将第3个单独预测作为主任务，其他4个单独预测作为辅助任务；

预处理的数据首先通过共享模块提取数据的空间和时间特征，作为5个单独预测任务的共享浅层特征，操作如下：

空间特征的提取：将所述多元时间序列作为一维CNN模块的输入，设x_n＝[X₁，...，X_n],X_i是由七维属性组成的向量，n是输入窗口的长度，c代表一维CNN模块提取的抽象特征，

C＝Conv1D(X_n) (2)

式(2)中，Conv1D代表一维卷积操作；

时间特征的提取：将一维CNN模块提取的抽象特征作为共享LSTM模块的输入，从而捕获时间序列的时间相关性；共享LSTM模块的初始隐藏状态和初始单元状态设置为零，在训练过程中，5个单独预测任务共享该共享LSTM模块的权重和偏差，从而集成了多任务的时间特性；训练后，将所述的多任务的时间特性存储在该共享LSTM模块的共享参数中；对于该共享LSTM模块的输入c，k∈{1，2，3，4，5}代表任务编号，共享LSTM模块执行以下操作：

式(3)中，c为共享LSTM模块的内部单元状态参数，h为共享LSTM模块的隐藏单元状态参数，0≤p≤L是RNN网络的循环次数，shared_LSTM代表共享LSTM模块运算；

步骤3、主任务单独特征提取：

对于主任务，将共享LSTM模块中的最后一个输出序列作为主LSTM模块的输入：

式(4)中，c′是主LSTM模块的内部单元状态参数，h′是主LSTM模块的隐藏单元状态参数；

主LSTM模块执行以下操作：

式(5)中，main_LSTM代表主LSTM模块运算；

步骤4.太阳风速度预测值的输出：

对于辅助任务，通过共享模块全连接层的输出加上自回归层(AR)模块输出获得与该辅助任务对应时间点的太阳风速度预测值；

对于主任务，通过主LSTM模块全连接层的输出加上自回归层(AR)模块输出获得与主任务对应时间点的太阳风速度预测值；

全连接层的操作如下：

式(6)中，D_k是全连接层任务k的预测结果输出，分别是全连接层的权重和偏差；

自回归层(AR)模块以一种线性的方式对上述全连接层的输出进行修正：

式(7)中，AR_k是任务k的自回归层(AR)模块的输出，k∈{1，2，3，4，5}，分别是自回归层(AR)模块的权重和偏差；

神经网络模型任务k的最终预测结果如下：

v_k＝D_k+AR_k (8)

式(8)中，v_k为任务k的太阳风速度预测值输出。