申请/专利权人：山东省科学院海洋仪器仪表研究所

申请日：2024-03-29

公开（公告）日：2024-06-25

公开（公告）号：CN117972315B

主分类号：G06F18/10

分类号：G06F18/10;G06F18/15;G06F18/213;G06N3/045;G06N3/0442;G06N3/0464;G06F123/02

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2024.05.21#实质审查的生效;2024.05.03#公开

摘要：本发明公开了一种基于混合神经网络预测模型的漂流浮标轨迹预测方法，包括：S1，获取同时空范围海洋环境数据以及漂流浮标历史轨迹数据；S2，对S1中获取的数据进行预处理，计算得到漂流浮标北向速度和东向速度预测所需的输入数据；S3，将漂流浮标北向、东向速度预测所需的输入数据分别注入混合神经网络预测模型，得到漂流浮标的北向、东向速度预测值；S4，根据漂流浮标的北向、东向速度预测值计算得到漂流浮标的轨迹点经纬度坐标；S5，采用S1‑S4的步骤，按照时间顺序预测漂流浮标未来多个时间点的轨迹点经纬度坐标，得到轨迹点坐标序列，实现轨迹预测。本发明能对漂流浮标进行漂移轨迹的准确预测，解决基于大规模海洋环境数据的非线性预测的问题。

主权项：1.一种基于混合神经网络预测模型的漂流浮标轨迹预测方法，其特征在于，包括：S1，获取同时空范围海洋环境数据以及漂流浮标历史轨迹数据；S2，对获取的所述海洋环境数据和所述漂流浮标历史轨迹数据进行预处理，然后计算得到所述漂流浮标北向速度预测所需的输入数据与东向速度预测所需的输入数据；S3，将所述漂流浮标北向速度预测与东向速度预测所需的输入数据分别注入混合神经网络预测模型，得到所述漂流浮标的北向速度预测值与东向速度预测值；混合神经网络预测模型包括：输入层，其提取所述海洋环境数据和所述漂流浮标的北向速度与东向速度历史数据形成样本数据；所述输入层提取所述海洋环境和所述漂流浮标的北向速度与东向速度历史数据形成样本数据的过程如下所示：首先对海洋环境数据和漂流浮标的历史漂移速度进行提取，将提取的海洋环境数据和漂流浮标的历史漂移速度进行数据的时空对齐，并且将提取出的海洋环境数据与该时刻的浮标漂移速度对应起来；将已经完成时空对齐的海洋环境数据和漂流浮标历史漂移速度作为样本特征，对应的漂流浮标漂移速度作为样本标签，形成形状为（n，m）的数据，其中n为样本数，m为属性特征的维度；将所述样本特征和样本标签，利用最小-最大标准化的方法，对数据进行标准化，形成了（n，m）维的数据，最小-最大标准化的计算公式为： ；其中，表示标准化后的数值，x为样本数据的原始值，min（x）和max（x）分别为所述样本数据的最小值和最大值；对归一化后的数据进行小批量分割，每个批量的大小为b，形成（（nb）+1）个形状为（b,L,m）的小批量样本，其中，b为每个批量的大小，L为时间步长，m为属性特征的维度；卷积神经网络层，对所述输入层输入的样本数据进行特征提取；卷积神经网络层对所述输入层输入的样本数据进行特征提取的过程如下所示： ；其中，F表示卷积核的行数和列数；表示所述样本数据第l层第i行第j列的值，表示所述样本数据卷积核第k行第m列的权重值，表示激活函数，表示所述样本数据第l-1层第i+k行第j+m列的值；双向门控循环单元层，对所述卷积神经网络层输出的数据进行时序特征提取；双向门控循环单元层对所述卷积神经网络层输出的数据进行时序特征提取的过程如下所示： ；其中，表示所述双向门控循环单元层的输出结果，表示更新门的输出结果；表示t-1时刻的隐藏状态；表示候选状态；注意力机制层，对所述双向门控循环单元层输出的数据聚焦浮标漂移关键影响因素；扁平层，降低所述注意力机制层输出的数据的维度；全连接层，接收所述扁平层处理后的数据，通过计算得到所述浮标的东向速度和北向速度S4，根据所述漂流浮标的北向速度预测值与东向速度预测值计算得到所述漂流浮标的轨迹点经纬度坐标；S5，采用S1-S4所述步骤，按照时间顺序预测所述漂流浮标未来多个时间点的轨迹点经纬度坐标，得到轨迹点坐标序列，实现所述漂流浮标在未来一段时间内的轨迹预测。

全文数据：

权利要求：

百度查询： 山东省科学院海洋仪器仪表研究所 基于混合神经网络预测模型的漂流浮标轨迹预测方法

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