申请/专利权人:南京信息工程大学
申请日:2023-12-27
公开(公告)日:2024-03-29
公开(公告)号:CN117786615A
主分类号:G06F18/27
分类号:G06F18/27;G06F18/25;G06F30/27;G06F119/02
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.16#实质审查的生效;2024.03.29#公开
摘要:本发明公开一种基于Prophet‑GRU‑CNN的长时间尺度干旱指数预测方法、系统,该方法包括获得与SPEI干旱指数相关性高的预测因子;处理设定时间内的时间序列形成数据集,选取SPEI干旱指数作为目标标签值,输入到GRU模型中,提取时间特征;将该特征输入到CNN模型中,获得深层局部特征;捕捉时间序列数据中的影响因素提取时间特征,整合到Prophet模型中进行预测,提取出SPEI历史数据中的时间特征;将数据集按预设比例划分为训练集与测试集,评估长时间尺度干旱指数预测模型的性能。本发明解决了数据量偏少、深层特征提取和多算法结合等问题,在增补数据量的同时加强了对数据时间和空间特征的吸收,提升了历史数据的利用率,改善了长时间尺度干旱指数的预测效果。
主权项:1.一种基于Prophet-GRU-CNN的长时间尺度干旱指数预测方法,包括:S1、对气象因子数据与各个尺度的标准化降水蒸散发干旱指数进行相关性分析,获得与标准化降水蒸散发干旱指数相关性大于设定阈值的预测因子;S2、根据步骤S1中的预测因子,挑选设定时间内的时间序列,对其进行预处理,形成数据集;选取标准化降水蒸散发干旱指数作为目标标签值,将预测因子时间序列输入到门控循环单元模型中,提取时间特征;S3、在门控循环单元模型之后,添加卷积神经网络层,将提取时间特征输入到卷积神经网络模型中,获得深层局部特征,将该特征输入到全连接神经网络层,输出预测因子序列与目标数据之间的时空关系;S4、获取相关时间尺度的标准化降水蒸散发干旱指数历史数据和数据的时间刻度,捕捉时间序列数据中的影响因素提取时间特征,将该特征整合到Prophet模型中进行预测,提取出标准化降水蒸散发历史数据中的时间特征;S5、根据步骤S2-S4,获得Prophet-GRU-CNN模型,将步骤S2中的数据集按预设比例划分为训练集与测试集,评估Prophet-GRU-CNN模型的性能;S6、将待测样本输入到Prophet-GRU-CNN模型中,获得标准化降水蒸散发干旱指数预测结果。
全文数据:
权利要求:
百度查询: 南京信息工程大学 一种基于Prophet-GRU-CNN的长时间尺度干旱指数预测方法、系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。