申请/专利权人：天津大学

申请日：2024-01-11

公开（公告）日：2024-04-12

公开（公告）号：CN117875493A

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/26;G06N3/044;G06N3/0455;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-公开

法律状态：2024.04.12#公开

摘要：本发明涉及人工智能海洋学中的海洋信息预测领域，更具体地，涉及到一种基于原型校正的多步海表面高度时空预测算法。传统基于循环神经网络的时空预测模型在更新记忆状态时，旧的记忆状态会被立即刷新，模型无法有效保留时间序列的长期依赖关系和变化趋势，从而使预测误差随着预测步长的增加而严重累积。本发明所述的方法设计了原型校正时空网络，利用原型校正模块学习样本的原型特征，从而提取时间域中的关键信息，校正当前时间步的海表面高度特征，有效缓解多步预测中的严重误差积累问题；设计了多步信息输入策略，使模型能够从更广泛的时间步长中获得更全面准确的上下文信息。采用本发明所述的方法，极大地提高了多步海表面高度的时空预测精度。

主权项：1.一种基于原型校正的多步海表面高度时空预测算法，包括以下步骤：1海表面高度数据预处理对卫星观测海表面高度数据进行归一化处理，利用滑动窗口构建海表面高度时空序列。2输入海表面高度时空序列获取编码特征在每个时间步，利用多步信息输入策略将步骤1得到的过去及当前共n个时刻的海表面高度时空序列输入到由多层3D卷积组成的编码器中，提取海表面高度时空序列的高维特征。3编码特征的循环预测将步骤2中获得的海表面高度高维特征输入到循环预测器中，循环预测器将这些特征通过堆叠的记忆状态更新单元进行传递，以捕获海表面高度时空序列的长期时间依赖性和变化趋势，并有效缓解误差累积。4特征解码及预测序列生成将步骤3得到的循环张量输入到解码器中，采用与编码器相同组成的解码器，将循环预测器的输出张量转换为输出的目标张量，得到预测的海表面高度时空序列。

全文数据：

权利要求：

百度查询： 天津大学 一种基于原型校正的多步海表面高度时空预测算法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD