买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国地质大学(武汉)

摘要：本申请提供了一种融合多源数据的ENSO事件时空预测方法，涉及ENSO预测领域，包括：通过迁移学习技术对获取的历史模拟数据进行扩展；获取观测数据并进行扩展；构建基于自注意力机制的卷积长短期记忆神经网络，通过扩展后的历史模拟数据，对卷积长短期记忆神经网络进行预训练；通过扩展后的观测数据，对预训练后的卷积长短期记忆神经网络进行训练，输出预测结果；通过预测结果，调整卷积长短期记忆神经网络的参数；获取待预测的观测数据，通过训练后的卷积长短期记忆神经网络对待预测的观测数据进行预测，实现对未来时间的ENSO指数预测。通过迁移学习技术对海洋数据和大气数据进行扩展，完善样本数据，在保证预测结果准确性的条件下提高了预测时效。

主权项：1.一种融合多源数据的ENSO事件时空预测方法，其特征在于，方法包括以下步骤：S1：通过迁移学习技术对获取的历史模拟数据进行扩展；获取观测数据并进行扩展；所述观测数据包括：海表面温度、海洋热含量、径向风异常和纬向风异常；S2：构建基于自注意力机制的卷积长短期记忆神经网络，通过扩展后的历史模拟数据，对所述卷积长短期记忆神经网络进行预训练；S3：通过扩展后的所述观测数据，对预训练后的所述卷积长短期记忆神经网络进行训练，输出ENSO指数的预测结果，具体如下：使用卷积长短期记忆神经网络的卷积层和注意力层，提取所述观测数据的空间特征；将12个月的扩展后的所述观测数据，输入所述卷积层，生成12个一维数据：将所述12个一维数据拼接得到特征图像，生成三个矩阵：矩阵Q、矩阵K以及矩阵V；Spatial_Feature＝AttentionConvX，ConvX，ConvX式中，Spatial_Feature为提取的空间特征，Attention为自注意力机制方法，Conv为卷积方法，X为输入的观测数据；通过引入循环神经网络的变体长短期记忆神经网络，提取所述观测数据的时间特征；it＝σWi*[ht-1，xt]+bift＝σWf*[ht-1，xt]+bfot＝σWo*[ht-1，xt]+bo式中，it，ft和ot分别代表输入门、遗忘门和输出门；σ为激活函数；Wi表示输入门的权重矩阵；Wf表示遗忘门的权重矩阵；Wo表示输出门的权重矩阵；ht-1为上一时刻隐藏单元；xt为输入数据；bi表示输入门的偏差项；bf表示遗忘门的偏差项；bo表示输出门的偏差项；通过卷积长短期记忆神经网络中的全连接层将所述空间特征和所述时间特征进行映射，确定所述预测结果；S4：通过损失函数计算所述预测结果与实际观测值之间的损失值；优化器根据损失值，调整所述卷积长短期记忆神经网络的参数，直至所述预测结果的评价指标满足预设精度；S5：获取待预测的观测数据，通过训练后的所述卷积长短期记忆神经网络对待预测的观测数据进行预测，实现对未来时间的ENSO指数预测。

全文数据：

权利要求：

百度查询： 中国地质大学(武汉) 一种融合多源数据的ENSO事件时空预测方法、设备及介质