(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211283375.4 (22)申请日 2022.10.20 (71)申请人 南京信息 工程大学 地址 211899 江苏省南京市江北新区宁六 路219号 (72)发明人 王丽娜　葛鹏　董昌明　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 专利代理师 席乐乐 (51)Int.Cl. G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/774(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01)G01K 13/00(2021.01) (54)发明名称 一种基于混合学习模型的海表温度预测方 法及系统 (57)摘要 本发明公开了一种基于混合学习模型的海 表温度预测方法及系统， 该方法包括： 采用多组 HDC模型对SS T二维图数据进行空间特征提取； 采 用BiGRU模型捕获每组HDC模型输出结果的时间 特征， 获取提取多尺度空间时间特征的SST图数 据； 通过注 意力机制对提取多尺度空间时间特征 的SST图数据分配权重； 将SS T二维图数据与注意 力机制处理后的SST图数据耦合， 通过编码获取 向量数据； 对向量数据进行解码， 获取混合学习 模型； 将SS T二维图数据输入至混合学习模型中， 获取SST预测结果并评估。 本发明基于混合学习 模型获取的预测结果保证了对空间特征及时间 特征的充分提取， 并具有较高的预测精度， 可实 现一周内S ST数据的精准预测。 权利要求书3页 说明书9页 附图6页 CN 115359338 A 2022.11.18 CN 115359338 A 1.一种基于混合学习模型的海表温度预测方法， 其特 征在于， 包括： 采用多组HDC模型对S ST二维图数据进行空间特 征提取； 采用BiGRU模型捕获每组HDC模型输出结果的时间特征， 获取提取多尺度空间时间特征 的SST图数据； 通过注意力机制对提取多尺度空间时间特 征的SST图数据分配权 重； 将SST二维图数据与注意力机制处 理后的SST图数据耦合， 通过编码获取向量数据； 对所述向量数据进行解码， 获取混合学习模型； 将SST二维图数据输入至混合学习模型中， 获取S ST预测结果并评估。 2.根据权利要求1所述的基于混合学习 模型的海表温度预测方法， 其特征在于， 对所述 向量数据进行解码包括： 采用多组不同尺度的HDC模型提取 所述向量数据的空间特 征； 采用BiGRU模型对提取空间特 征的向量数据提取时间特 征； 采用注意力机制对提取空间时间特 征的向量数据分配权 重。 3.根据权利要求1所述的基于混合学习模型的海表温度预测方法， 其特征在于， 所述 HDC模型有三组， 每组所述HDC模型由三层不同空洞率的空洞 卷积构成， 三层 空洞卷积的空 洞率分别为1、 2和5 。 4.根据权利要求1所述的基于混合学习模型的海表温度预测方法， 其特征在于， 所述 SST二维图数据的获取 方法包括： 将原始SST数据处 理成二维图格式； 对二维图格式的S ST数据进行最大最小归一 化处理， 获得S ST二维图数据。 5.根据权利要求1所述的基于混合学习模型的海表温度预测方法， 其特征在于， 所述 SST二维图数据包括6 0%的训练数据集、 10%的验证数据集和3 0%的测试 数据集。 6.根据权利要求1所述的基于混合学习模型的海表温度预测方法， 其特征在于， 将SST 二维图数据输入至混合学习模型中， 获取S ST预测结果并评估 包括： 将SST二维图数据输入至混合学习模型中， 得到数据预测结果； 对所述数据预测结果进行反归一 化处理， 得到未来 一周的SST预测结果； 使用A_MSE、A_RMSE、A_MAE和A_MAPE作为评价指标对未来一周的SST预测结果进行评 估。 7.根据权利要求6所述的基于混合学习模型的海表温度预测方法， 其特征在于， 所述 A_ MSE、A_RMSE、A_MAE和A_MAPE的表达式分别为：权　利　要　求　书 1/3 页 2 CN 115359338 A 2其中，A_MSE表示空间样本上的均方误差均值， A_RMSE表示空间样本上的均方根误差均 值，A_MAE表示空间样 本上的平均绝对误差均值， A_MAPE表示空间样 本上的平均绝对 百分比 误差均值， i、j表示空间格点坐标， K表示测试样例总数， I表示纬向总格点数， J表示经向总 格点数； 表示对应空间格点模型预报的SST值， 表示对应空间格点 的SST观测 值。 8.根据权利要求1所述的基于混合学习 模型的海表温度预测方法， 其特征在于， 所述权 重的计算公式为： 其中，Y表示经过BiGRU模型所捕获的特征矩阵； M表示Y经过tanh函数处理后的结果； 是经过训练的参数向量， 表示 的转置； 映射结果 的取值为(0,1)； A为注意力机制分 配权重后的结果。 9.根据权利要求1所述的基于混合学习模型的海表温度预测方法， 其特征在于， 所述 HDC模型的表达式为： 其中,  表示输出的特征图大小， 表示空洞卷积的大小， 为填充的大小， 是卷积权　利　要　求　书 2/3 页 3 CN 115359338 A 3