[发明专利]一种基于STEOF-LSTM的海洋环境要素预测方法

权利要求书

1.一种基于STEOF-LSTM的海洋环境要素预测方法，其特征在于，包括以下步骤：

步骤1：基于待分析预测海域的再分析数据，利用随机动态分析法和经验正交函数方法分析研究海洋动力环境要素的年、月、日的多尺度时间和空间变化特征和规律；

将海洋动力环境要素对应的时间序列分解为趋势、周期、随机来进行动态近似分析：

SLH(t)＝T(t)+P(t)+R(t)

其中，T(t)为趋势项，通过一元线性回归分析计算获得；P(t)为周期项，包含季节性、月、年、年际变化特征和规律，对去趋势后的时间序列进行经验正交函数分解分析，计算出主要空间分布模态和时间周期变化，从而获得海洋环境动力要素的周期变化特征；R(t)为剩余随机项，通过滤波获得；

步骤2：针对随机动态分析法得到的月、日际的小尺度时间信息，采用对应时间尺度的STEOF模型进行中长期时空分析预测，得到小尺度的预测结果；

步骤2.1：针对某种海洋动力环境要素，其对应的历年逐日海洋动力环境要素时空样本矩阵X为：

对任一时空样本矩阵X，其矩阵维度为M×(N×T)，N表示空间网格点的数量，T表示时间序列的数量，M表示年样本的数量；

步骤2.2：对时空样本矩阵X进行作时空经验正交分解，得到该矩阵的特征值和各特征值对应的特征向量，依次计算各个特征值总占比并按顺序对特征值及特征向量进行排列，得到的特征向量为空间模态的时间序列，其中既包含空间信息又包含时间信息，将这种特征向量称之为时空基底；

通过矩阵变换得到C^*矩阵的特征向量后，计算出C矩阵的特征向量，令与其转置阵的乘积如下式所示：

特征向量V_M×M得：

V_M×M＝C^*×V^*＝V^*×Λ

其中，Λ为特征值对应的对角方阵，λ₁＞…＞λ_m＞…＞λ_M，且λ_m≥0；

任一特征向量V_m如下式所示：

步骤2.3：将时空模态投影到矩阵上得到其对应的主成分，即：

其中，主成分是每个时空特征向量所对应的时空系数，时空系数中所有行向量都与特征向量的主成分相对应，第一行PC(1,:)就是第一个时空模态的主成分；

步骤2.4：利用时空观测和时空基础来预测时空序列；

定义时空观测值O_i如下式所示：

O_i＝[o_1,t-l…o_N,t-l…o_1,t-l+i…o_N,t-l+i…o_1,t…o_N,t]^T

其中，O_i表示时空观测；t表示预测开始时间；n表示空间网格点的数目；l是观测次数；

时空基H_i被分为两部分：一部分是与时空观测具有相同周期的拟合时空基H_i,f，另一部分是预测时空基H_i,p；

对历史长期时间分解出的时空基底，空间时序阵分为两部分：与观测数据时间相同的拟合空间时序阵H_i,f和与预报时间相同的预报空间时序阵H_i,p；

其中，t表示预测开始时间；l表示观测次数；p是预测时间步数；M是时空基的个数；

使用最小二乘估计方法求解时空观测值的拟合系数和拟合时空基，拟合系数是时空观测在每个时空基上的投影，描述了一组观测与时空基之间的相似性：

O_i＝H_i,f·S_i

其中，S表示拟合系数，S_i＝[S_i,1…S_i,m…S_i,M]

通过重构拟合系数和预测时空基来预测时空序列的未来值，使用将时空经验正交分解方法与最小二乘法相结合时空经验正交函数预测模型的来预测时空序列，预测模型如下式所示：

Y_i＝H_i,p·S_i＝[y_i,1,t+1…y_i,N,t+1…y_i,1,t+j…y_i,N,t+j…y_i,1,t+p…y_i,N,t+p]^T

其中，Y表示时空预测结果；

步骤3：采用LSTM模型对随机动态分析法得到的年代际、年际大尺度时间信息进行分析预测，得到大尺度预测结果；

所述的LSTM模型包括输入门、输出门、遗忘门和记忆单元；LSTM模型训练过程采用BPTT算法，分为4个步骤：计算LSTM细胞的输出值；反向计算每个LSTM细胞的误差项，包括时间和网络层级2个反向传播方向；根据相应的误差项，计算每个权重的梯度；应用基于梯度的优化算法更新权重；

遗忘门读取上一个状态h_t-1和当前输入状态x_t的信息，通过Sigmoid层输出一个在0到1之间的数值给每个细胞状态C_t-1，C_t-1中的数字决定从细胞状态中丢弃什么信息，1代表“完全保留”，0代表“完全舍弃”；

首先将h_t-1与x_t输入Sigmoid函数确定将要更新的值，然后通过tanh层创建候选值向量接着将旧状态与f_t相乘，确定需要遗忘的信息，加上i_t与的乘积产生新的候选值；最终，根据新的细胞状态来决定输出什么值，通过Sigmoid层决定输出的细胞状态，然后将细胞状态通过tanh进行处理并将其与Sigmoid的输出相乘得到这一时间的输出形式化的描述如下：

其中，i、f、c、o分别是输入门、遗忘门、细胞状态和输出门；W和b分别为对应的权重系数和偏置项；σ和tanh分别为Sigmoid和双曲正切激活函数；

步骤4：将时空经验正交函数模的小尺度预报结果与长短期记忆神经网络的大尺度预测结果进行重构，得到分析预测海域海洋动力环境要素的预测结果；

利用随机动态分析方法实现对指定海域海洋环境动力要素时空序列数据的多尺度分析和变换，得到海洋环境动力要素时空序列数据的大尺度分量和小尺度分量；以STEOF为基础实现对小尺度时间信息的预报；利用大尺度时间信息构建LSTM模型实现对大尺度时间信息的预报；将STEOF的高频预报结果与LSTM神经网络低频预报结果进行叠加，以实现大尺度信息和小尺度信息的重构，得到最终海洋环境动力要素的预报结果。