1.本技术涉及航道水文预测技术领域，尤其涉及一种基于深度学习的航道洋流预测方法、装置和计算机可读存储介质。
背景技术：2.随着经济的快速发展，各国之间由航运带动的贸易来往在飞速增长，进出口远洋货轮吨位也不断增长。对航道环境进行较为准确的预测是船舶运输行业蓬勃发展的前提。随着人工智能技术的飞速发展，深度学习等相关技术给航道气象水文预测提供了更好的工具。
3.目前已有基于lstm(long and short term memory networks)的航道洋流预测方法，lstm模型擅长随着时间推移对数据进行顺序处理，擅长分析数据之间在时域上的特征，但对于数据之间的关联性预测无法达到较好的效果。由于航道洋流变化与很多因素相关，因此气象水文数据往往是多维度的、在局部时空内关联性较强的数据类型，且不同维度的洋流数据与不同因素相关性大小也有所不同。对于多维度、多因素的洋流数据输入并预测时，不仅仅要考虑不同时间序列之间的时间联系，同时也要考虑不同地区的空间联系。利用现有的lstm模型对航道洋流进行预测时，不能兼顾周围时空对将要预测数据的影响，达不到期望的预测效果。
4.因此，需要提出一种航道洋流预测方法，根据气象水温数据多维度、局部时空关联性强的数据特性，对航道洋流数据的时间联系和空间联系均予以考虑，提高航道洋流的预测精度。
技术实现要素：5.有鉴于此，有必要提供一种基于深度学习的航道洋流预测方法、装置和计算机可读存储介质，用以解决现有技术中仅只考虑了航道时间序列之间的时间联系，没有考虑不同监测点的空间联系而导致的预测精度较低的问题。
6.为了解决上述问题，本发明提供一种基于深度学习的航道洋流预测方法，包括：
7.获取历史多维航道洋流数据；
8.构建基于多维卷积神经网络的航道数据预处理模型，利用所述航道数据预处理模型对所述历史多维航道洋流数据进行特征相关性分析，得到多维特征航道洋流数据集；
9.构建基于注意力机制和cnn-lstm模型的初始的洋流预测模型，利用所述多维特征航道洋流数据集对所述初始的洋流预测模型进行迭代训练，得到训练完备的洋流预测模型；
10.获取实时多维航道洋流数据；
11.将所述实时多维航道洋流数据输入到所述训练完备的洋流预测模型中，得到航道洋流预测结果。
12.进一步的，利用所述航道数据预处理模型对所述历史多维航道洋流数据进行特征
相关性分析，得到多维特征航道洋流数据集，包括：
13.对所述多维历史航道洋流数据进行数据分割，得到时间-参数维度数据集、空间-参数维度数据集和时间-空间维度数据集：
14.利用所述航道数据预处理模型根据所述时间-参数维度数据集、空间-参数维度数据集和时间-空间维度数据集进行相关性分析，得到时间-空间-参数相关性数据集；
15.对所述时间-空间-参数相关性数据集进行数据回归，得到多维特征航道洋流数据集。
16.进一步的，所述洋流预测模型包括lstm模块、cnn模块和注意力机制模块；
17.所述lstm模块用于提取所述多维特征航道洋流数据中的时间特征，得到第一输出数据；
18.所述cnn模块用于提取所述第一输出数据中的空间特征，并根据得到第二输出数据；
19.所述注意力机制模块用于根据所述第二输出数据得到初始的模型预测输出数据，计算所述初始的模型预测输出数据与所述历史多维航道数据实际值之间的数据误差，并将所述数据误差进行反向传播，对所述洋流预测模型进行迭代训练。
20.进一步的，所述多维特征航道洋流数据集包括不同时刻的特征权重系数矩阵。
21.进一步的，所述lstm模块包括输入层、多个隐层和输出层；
22.所述输入层用于输入所述多维特征航道洋流数据；
23.所述隐层用于根据所述多维特征航道洋流数据，得到隐层状态值；
24.所述输出层用于根据所述多维特征航道洋流数据中不同时刻的特征权重系数矩阵和每个所述隐层的隐层状态值，得到第一输出数据。
25.进一步的，所述输出层根据所述多维特征航道洋流数据中不同时刻的特征权重系数矩阵和多个所述隐层的隐层状态值，得到第一输出数据，包括：
26.所述输出层根据所述多维特征航道洋流数据中不同时刻的特征权重系数得到每个所述隐层的加权系数；
27.根据每个所述隐层的加权系数和每个所述隐层的状态值，得到第一输出数据。
28.进一步的，所述cnn模块提取所述第一输出数据中的空间特征，并根据得到第二输出数据，包括：
29.所述cnn模块对所述第一输出数进行卷积，得到卷积特征值；
30.根据所述第一输出数据和所述卷积特征值，得到所述卷积特征权重值；
31.根据所述卷积特征值和所述卷积特征权重值，得到第二输出数据。
32.进一步的，所述注意力机制模块将所述数据误差进行反向传播，对所述洋流预测模型进行迭代训练，包括：
33.所述注意力机制模块根据所述数据误差对所述cnn模块中的卷积特征权重值和所述lstm中每个隐层的加权系数进行调整；
34.当所述数据误差在预设的误差范围内时，得到训练完备的洋流预测模型。
35.本发明还提供一种基于深度学习的航道洋流预测装置，包括：
36.历史数据获取模块，用于获取历史多维航道洋流数据，所述多维航道洋流数据包括不同时间和不同空间上的洋流监测参数；
37.预处理模块，用于构建基于多维卷积神经网络的航道数据预处理模型，利用所述航道数据预处理模型对所述历史多维航道洋流数据进行特征相关性分析，得到多维特征航道洋流数据集；
38.预测模型构建模块，用于构建基于注意力机制和cnn-lstm模型的初始的洋流预测模型，利用所述多维特征航道洋流数据集对所述初始的洋流预测模型进行迭代训练，得到训练完备的洋流预测模型；
39.实时数据获取模块，用于获取实时多维航道洋流数据；
40.预测模块，用于将所述实时多维航道洋流数据输入到所述训练完备的洋流预测模型中，得到航道洋流预测结果。
41.本发明还提供一种计算机可读存储介质，所述程序介质存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行根据上述技术方案中任一所述的基于深度学习的航道洋流预测方法。
42.与现有技术相比，本发明的有益效果包括：首先，根据不同时间和不同空间上的历史洋流监测参数，利用基于多维卷积神经网络的航道数据预处理模型进行特征相关性分析，得到多维特征航道洋流数据集；其次，建立基于注意力机制和cnn-lstm模型的训练完备的洋流预测模型；最后，获取实时航道洋流数据并通过训练完备的洋流预测模型得到航道洋流预测结果。本发明的方法通过预处理模型在进行洋流预测之前，进行数据相关性分析，将相关性分析的结果作为误差反馈，形成闭环网络；本方法的预测模型既考虑了数据的时间联系，又考虑了数据的空间联系，通过对预测结果影响因素的权重调整，提高洋流预测的准确性。
附图说明
43.图1为本发明提供的一种基于深度学习的航道洋流预测方法一实施例的流程示意图；
44.图2为本发明提供的二维cnn模型一实施例的示意图；
45.图3为本发明提供的预处理模型一实施例的数据处理过程示意图；
46.图4为本发明提供的预测模型一实施例的结构示意图；
47.图5为本发明提供的一种基于深度学习的航道洋流预测装置一实施例的结构示意图。
具体实施方式
48.下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
49.在实施例描述之前，对相关术语进行释义：
50.洋流：又称海流，是海水由于热辐射、低温收缩、降水等，与风力、引潮力等相结合，形成相对稳定速度的水平流动，是海水的一般运动形态之一。
51.lstm模型：长短期记忆网络(long and short term memory networks,lstm)是一种广泛应用于深度学习的递归神经网络(recurrent neural network,rnn)。lstm设计用于处理数据序列，并对传统的rnn进行了改进，利用存储单元来存储长序列的信息，并使用一
组门来控制这些存储信息的流动。lstm可以解决rnn无法处理长距离的依赖问题，该模型既学习从输入到输出的映射，又学习输入序列中的哪些前后对映射有用，并且可以根据需要动态更改前后的变化。
52.cnn模型：卷积神经网络(convolutional neural network,cnn)，通过使用多个构建块来学习特征的空间层次，由一系列卷积层和一系列全连接层组成的。cnn在时间序列预测中获得了多层感知器的好处，即支持多变量输入，多变量输出以及学习任意但复杂的函数关系，但不需要模型直接从滞后观察中学习。
53.注意力机制:注意力机制(attention mechanism)又称注意力模型，是一种将有限的计算资源来处理更重要信息的方式，根据某些规则或者某些额外信息(query)从向量表达集合(values)中抽取特定的向量进行加权组合。
54.目前的现有技术中，往往利用lstm模型对航道洋流进行预测，但lstm模型擅长的是获取原始数据特征，对于数据之间的关联性预测并不能达到较好的预测效果，当使用越多的历史航道洋流数据，lstm模型中所输入的数据特征与因素也就越多，预测也就越准确。然而当模型的数据采样步长大于最优值时，lstm模型会产生梯度爆炸与梯度消失的问题。由于航道洋流变化与很多因素相关，且不同维度的洋流数据与不同因素相关性大小也有所不同，因此仅仅利用lstm模型对航道洋流进行预测的预测精度较低、预测效果达不到预期。
55.本发明针对航道洋流这种场景的预测，首先对洋流监测数据在不同时空、不同数据下进行相关性分析，降低数据误差；在洋流数据预测时除了考虑航道的时间序列间的时间联系，还考虑了不同监测地区的空间联系，提高了数据预测的精度。
56.本发明实施例提供了一种基于深度学习的航道洋流预测方法，图1为本发明提供的基于深度学习的航道洋流预测方法一实施例的流程示意图，包括：
57.步骤s101：获取历史多维航道洋流数据，所述多维航道洋流数据包括不同时间和不同空间上的洋流监测参数；
58.步骤s102：构建基于多维卷积神经网络的航道数据预处理模型，利用所述航道数据预处理模型对所述历史多维航道洋流数据进行特征相关性分析，得到多维特征航道洋流数据集；
59.步骤s103：构建基于注意力机制和cnn-lstm模型的初始的洋流预测模型，利用所述多维特征航道洋流数据集对所述初始的洋流预测模型进行迭代训练，得到训练完备的洋流预测模型；
60.步骤s104：获取实时多维航道洋流数据；
61.步骤s105：将所述实时多维航道洋流数据输入到所述训练完备的洋流预测模型中，得到航道洋流预测结果。
62.本实施例提供的基于深度学习的航道洋流预测方法，首先，根据不同时间和不同空间上的历史洋流监测参数，利用基于多维卷积神经网络的航道数据预处理模型进行特征相关性分析，得到多维特征航道洋流数据集；其次，建立基于注意力机制和cnn-lstm模型的训练完备的洋流预测模型；最后，获取实时航道洋流数据并通过训练完备的洋流预测模型得到航道洋流预测结果。本实施例的方法通过预处理模型在进行洋流预测之前，进行数据相关性分析，将相关性分析的结果作为误差反馈，形成闭环网络；本方法的预测模型既考虑了数据的时间联系，又考虑了数据的空间联系，通过对预测结果影响因素的权重调整，提高
洋流预测的准确性。
63.作为一个具体的实施例，在步骤s101中，所述洋流监测参数包括洋流的速度和风向。通过对洋流的速度和风向进行监测，能够对航道的交通配置提供重要的海洋环境参数，根据不同时间和空间的洋流监测参数，对海洋环境参数进行预测，对提高航道的经济性和安全性具有重要的指导作用。
64.作为一个具体的实施例，所述预处理模型基于多维卷积神经网络建立。对于目前常用的二维cnn网络，如图2所示，二维cnn通常将某一时刻某一行数据作为一个矢量，因此在任意一段时间内，所有数据将被唯一的矢量数据所表示。而多维cnn则向着不同方向延展矢量数据，当相关因素较复杂、数据特征量较多时，通过多维cnn网络进行数据的特征提取，能够得到数据之间更多有价值的关联性。基于多维cnn网络来构建数据预处理模型，提取航道洋流数据特征，能够为预测模型提供更有价值的训练数据。
65.作为优选的实施例，在步骤s102中，如图3所示，利用所述航道数据预处理模型对所述历史多维航道洋流数据进行特征相关性分析，得到多维特征航道洋流数据集，包括：
66.对所述多维历史航道洋流数据进行数据分割，得到时间-参数维度数据集、空间-参数维度数据集和时间-空间维度数据集：
67.利用所述航道数据预处理模型根据所述时间-参数维度数据集、空间-参数维度数据集和时间-空间维度数据集进行相关性分析，得到时间-空间-参数相关性数据集；
68.对所述时间-空间-参数相关性数据集进行数据回归，得到多维特征航道洋流数据集。
69.作为一个具体的实施例，利用所述航道数据预处理模型根据所述时间-参数维度数据集、空间-参数维度数据集和时间-空间维度数据集进行相关性分析，得到时间-空间-参数相关性数据集，包括：
70.计算所述时间-参数维度数据集、空间-参数维度数据集和时间-空间维度数据集之间的协方差值和相关系数；
71.根据所述协方差值和相关系数确定所述时间-空间-参数维度的相关关系，得到时间-空间-参数相关性数据集。
72.由于气象水文数据往往是多维度的，在局部时空内关联性较强的数据类型；因此，针对航道洋流这种场景的预测，在不同时空、不同数据下进行相关性分析，有利于降低数据误差。当所述预处理模型与多维历史航道洋流数据实际值的误差小于设定阈值时，将所述多维特征航道洋流数据集输入到所述预测模型中。
73.作为优选的实施例，所述洋流预测模型包括lstm模块、cnn模块和注意力机制模块；
74.所述lstm模块用于提取所述多维特征航道洋流数据中的时间特征，得到第一输出数据；
75.所述cnn模块用于提取所述第一输出数据中的空间特征，并根据得到第二输出数据；
76.所述注意力机制模块用于根据所述第二输出数据得到初始的模型预测输出数据，计算所述初始的模型预测输出数据与所述历史航道数据实际值之间的数据误差，并将所述数据误差进行反向传播，对所述洋流预测模型进行迭代训练。
77.作为一个具体的实施例，如图4所示，所述多维特征航道洋流数据首先通过lstm模块提取得到数据的时间特性；再经过cnn模块提取数据的空间特性；最后经过注意力机制对数据的时间联系和空间联系进行分析，根据模型输出与实际数据的误差对预测模型进行迭代优化，得到训练完备的预测模型。
78.作为优选的实施例，所述多维特征航道洋流数据集包括不同时刻的特征权重系数矩阵；
79.所述特征权重系数用于表示数据特征对预测结果的影响程度。
80.所述预处理模型根据历史航道洋流数据，分析出时间-空间-参数的相关性，并得到不同时刻的特征权重系数矩阵，为后续预测模型的分析过程提供数据基础。
81.作为优选的实施例，所述lstm模块包括输入层、多个隐层和输出层；
82.所述输入层用于输入所述多维特征航道洋流数据；
83.所述隐层用于根据所述多维特征航道洋流数据，得到隐层状态值；
84.所述输出层用于根据所述多维特征航道洋流数据中不同时刻的特征权重系数矩阵和每个所述隐层的隐层状态值，得到第一输出数据。
85.下面对lstm模块的具体处理过程进行说明。
86.作为一个具体的实施例，向所述lstm模块输入为n个特征向量xi，i＝1,2,
…
,n,从而得到对应时刻各个隐层状态值hi，其中每个隐层状态值hi的加权系数值为ai，最终输出ci由隐层状态值hi与加权系数值ai得出，如式(1)所示：
[0087][0088]
隐层状态值hi前的权重系数ai是通过所述预处理模型得到，lstm模块输出的隐层状态值，通过计算每个隐层状态值的比重大小来估算影响大小，式(2)为ai计算方法：
[0089][0090]
其中，ei＝vitanh(w
ihi
+bi)
ꢀꢀ
(3)
[0091]
式(3)中，vi是第i时刻的权重系数矩阵，ei是第i时刻隐层向量，bi是第i时刻的偏移量，wi是第i时刻的能量值。
[0092]
结合以上分析可知，整个航道洋流预测过程为输入t-n,t-n+1,
…
,t-1共n个时刻数据，结合lstm模块去预测第t时刻数据，但由于不同时刻对需要预测的第t时刻影响程度不同，因此对n个不同的时刻赋予不同的权重，影响较大的时刻权重高、影响较小的时刻权重低。完成不同的加权赋值后，将数据输入所述cnn模块中。
[0093]
cnn通过对数据进行卷积层、池化层以及全连接层的操作，往往能够提取多维数据更深层次的特征，从而实现不同因素、多维数据之间关系的获取。在实际中，不同时刻的航道洋流数据往往存在着一定的关联性，即使在相同时刻下，不同维度的洋流数据也存在着一定的关联性，因此引入注意力机制，对权重赋值进行进一步的完善。
[0094]
作为优选的实施例，所述cnn模块提取所述第一输出数据中的空间特征，并根据得到第二输出数据，包括：
[0095]
所述cnn模块对所述第一输出数进行卷积，得到卷积特征值；
[0096]
根据所述第一输出数据和所述卷积特征值，得到所述卷积特征权重值；
[0097]
根据所述卷积特征值和所述卷积特征权重值，得到第二输出数据。
[0098]
作为优选的实施例，所述注意力机制模块将所述数据误差进行反向传播，对所述洋流预测模型进行迭代训练，包括：
[0099]
所述注意力机制模块根据所述数据误差对所述cnn模块中的卷积特征权重值和所述lstm中每个隐层的加权系数进行调整；
[0100]
当所述数据误差在预设的误差范围内时，得到训练完备的洋流预测模型。
[0101]
下面对cnn模块和注意力机制模块的数据处理过程进行详细说明。
[0102]
作为一个具体的实施例，所述多维特征航道洋流数据经过lstm模块处理之后，得到时间特征下的状态矩阵g。
[0103]
所述cnn模块包括k个用于特征提取的过滤器。对于所述状态矩阵g每一行，通过cnn模块的过滤器产生n
×
k的gc矩阵。
[0104][0105]
其中，矩阵表示第i行向量和第j个滤波器的卷积值；c表示数据特征量维度；w表示权重时间差；l表示起始预测点；t表示采样间隔。
[0106]
将每个过滤器的输出值h
t
与状态矩阵gc的每行相乘，从而每行产生权重赋值αi，如式(5)所示，这个权重值代表了矩阵gc每行对过滤器的输出值ht的作用强度，也就是每个时间序列对ht的影响强弱，影响因素f是关于hic和hi的函数，如式(5)所示。
[0107][0108][0109]
其中，表示是gc的第i行，wa表示gc中每行对过滤器的输出值h
t
的作用强度矩阵；h
t
表示过滤器的输出值。
[0110]
对状态矩阵gc每行进行加权求和，即可得到单维度下的模型预测值。
[0111]
通过注意力机制模块对数据结果进行改进，得到多维度下的预测值。
[0112]
如式(7)所示，式(7)为改进后的注意力机制参数。
[0113][0114]
其中，v
t
表示根据所有过滤器的维度得到的影响因子；通过增加对时间序列h
t
的加权赋值，可以得到考虑空间关联和时间关联后的航道洋流预测输出：
[0115][0116]
其中，y为所述预测模型的输出数据；根据所述模型输出数据与实际数据的误差，
对时间关联和空间关联的加权系数进行调整，当模型误差在预设的误差范围内时，得到训练完备的预测模型。
[0117]
为了对本实施例的航道洋流预测方法效果进行验证，将航道洋流数据集分别输入lstm模型，改进后lstm模型，以及本实施例的模型当中，并对预测精度进行对比，对比结果如表1所示。
[0118]
表1：模型预测精度对比表
[0119][0120]
从预测结果可以得出，本实施例的预测模型在采样点1，mse比lstm模型降低了3.68
×
10-5
，rmse比lstm模型降低了0.0018。在不同的采样点，本实施例的预测模型相比于lstm模型，rmse与mse均有所降低。通过实验结果可知，通过本实施例的预测模型对航道洋流进行预测相比与lstm模型与改进lstm模型精度得到了提高。
[0121]
本发明还提供一种基于深度学习的航道洋流预测装置，其结构框图如图4所示，所述一种基于深度学习的航道洋流预测装置500，包括：
[0122]
历史数据获取模块501，用于获取历史多维航道洋流数据，所述多维航道洋流数据包括不同时间和不同空间上的洋流监测参数；
[0123]
预处理模块502，用于构建基于多维卷积神经网络的航道数据预处理模型，利用所述航道数据预处理模型对所述历史多维航道洋流数据进行特征相关性分析，得到多维特征航道洋流数据集；预测模型构建模块503，用于构建基于注意力机制和cnn-lstm模型的初始的洋流预测模型，利用所述多维特征航道洋流数据集对所述初始的洋流预测模型进行迭代训练，得到训练完备的洋流预测模型；
[0124]
实时数据获取模块504，用于获取实时多维航道洋流数据；
[0125]
预测模块505，用于将所述实时多维航道洋流数据输入到所述训练完备的洋流预测模型中，得到航道洋流预测结果。
[0126]
本实施例还提供了一种计算机可读存储介质，所述程序介质存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行上述技术方案任一所述的基于深度学习的航道洋流预测方法。
[0127]
根据本发明上述实施例提供的计算机可读存储介质和计算设备，可以参照根据本发明实现如上所述的基于深度学习的航道洋流预测方法具体描述的内容实现，并具有与如上所述的一种基于深度学习的航道洋流预测方法类似的有益效果，在此不再赘述。
[0128]
本发明公开的一种基于深度学习的航道洋流预测方法、装置和计算机可读存储介质，首先，根据不同时间和不同空间上的历史洋流监测参数，利用基于多维卷积神经网络的
航道数据预处理模型进行特征相关性分析，得到多维特征航道洋流数据集；其次，建立基于注意力机制和cnn-lstm模型的训练完备的洋流预测模型；最后，获取实时航道洋流数据并通过训练完备的洋流预测模型得到航道洋流预测结果。
[0129]
本发明的方法通过预处理模型在进行洋流预测之前，进行数据相关性分析，将相关性分析的结果作为误差反馈，形成闭环网络；本方法的预测模型既考虑了数据的时间联系，又考虑了数据的空间联系，通过对预测结果影响因素的权重调整，提高洋流预测的准确性。
[0130]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
技术特征：1.一种基于深度学习的航道洋流预测方法，其特征在于，包括：获取历史多维航道洋流数据，所述多维航道洋流数据包括不同时间和不同空间上的洋流监测参数；构建基于多维卷积神经网络的航道数据预处理模型，利用所述航道数据预处理模型对所述历史多维航道洋流数据进行特征相关性分析，得到多维特征航道洋流数据集；构建基于注意力机制和cnn-lstm模型的初始的洋流预测模型，利用所述多维特征航道洋流数据集对所述初始的洋流预测模型进行迭代训练，得到训练完备的洋流预测模型；获取实时多维航道洋流数据；将所述实时多维航道洋流数据输入到所述训练完备的洋流预测模型中，得到航道洋流预测结果。2.根据权利要求1所述的基于深度学习的航道洋流预测方法，其特征在于，利用所述航道数据预处理模型对所述历史多维航道洋流数据进行特征相关性分析，得到多维特征航道洋流数据集，包括：对所述历史多维航道洋流数据进行数据分割，得到时间-参数维度数据集、空间-参数维度数据集和时间-空间维度数据集：利用所述航道数据预处理模型根据所述时间-参数维度数据集、空间-参数维度数据集和时间-空间维度数据集进行相关性分析，得到时间-空间-参数相关性数据集；对所述时间-空间-参数相关性数据集进行数据回归，得到多维特征航道洋流数据集。3.根据权利要求1所述的基于深度学习的航道洋流预测方法，其特征在于，所述洋流预测模型包括lstm模块、cnn模块和注意力机制模块；所述lstm模块用于提取所述多维特征航道洋流数据中的时间特征，得到第一输出数据；所述cnn模块用于提取所述第一输出数据中的空间特征，并根据得到第二输出数据；所述注意力机制模块用于根据所述第二输出数据得到初始的模型预测输出数据，计算所述初始的模型预测输出数据与所述历史多维航道数据实际值之间的数据误差，并将所述数据误差进行反向传播，对所述洋流预测模型进行迭代训练。4.根据权利要求3所述的基于深度学习的航道洋流预测方法，其特征在于，所述多维特征航道洋流数据集包括不同时刻的特征权重系数矩阵。5.根据权利要求4所述的基于深度学习的航道洋流预测方法，其特征在于，所述lstm模块包括输入层、多个隐层和输出层；所述输入层用于输入所述多维特征航道洋流数据；所述隐层用于根据所述多维特征航道洋流数据，得到隐层状态值；所述输出层用于根据所述多维特征航道洋流数据中不同时刻的特征权重系数矩阵和每个所述隐层的隐层状态值，得到第一输出数据。6.根据权利要求5所述的基于深度学习的航道洋流预测方法，其特征在于，所述输出层根据所述多维特征航道洋流数据中不同时刻的特征权重系数矩阵和多个所述隐层的隐层状态值，得到第一输出数据，包括：所述输出层根据所述多维特征航道洋流数据中不同时刻的特征权重系数得到每个所述隐层的加权系数；
根据每个所述隐层的加权系数和每个所述隐层的状态值，得到第一输出数据。7.根据权利要求6所述的基于深度学习的航道洋流预测方法，其特征在于，所述cnn模块提取所述第一输出数据中的空间特征，并根据得到第二输出数据，包括：所述cnn模块对所述第一输出数进行卷积，得到卷积特征值；根据所述第一输出数据和所述卷积特征值，得到所述卷积特征权重值；根据所述卷积特征值和所述卷积特征权重值，得到第二输出数据。8.根据权利要求7所述的基于深度学习的航道洋流预测方法，其特征在于，所述注意力机制模块将所述数据误差进行反向传播，对所述洋流预测模型进行迭代训练，包括：所述注意力机制模块根据所述数据误差对所述cnn模块中的卷积特征权重值和所述lstm中每个隐层的加权系数进行调整；当所述数据误差在预设的误差范围内时，得到训练完备的洋流预测模型。9.一种基于深度学习的航道洋流预测装置，其特征在于，包括：历史数据获取模块，用于获取历史多维航道洋流数据，所述多维航道洋流数据包括不同时间和不同空间上的洋流监测参数；预处理模块，用于构建基于多维卷积神经网络的航道数据预处理模型，利用所述航道数据预处理模型对所述历史多维航道洋流数据进行特征相关性分析，得到多维特征航道洋流数据集；预测模型构建模块，用于构建基于注意力机制和cnn-lstm模型的初始的洋流预测模型，利用所述多维特征航道洋流数据集对所述初始的洋流预测模型进行迭代训练，得到训练完备的洋流预测模型；实时数据获取模块，用于获取实时多维航道洋流数据；预测模块，用于将所述实时多维航道洋流数据输入到所述训练完备的洋流预测模型中，得到航道洋流预测结果。10.一种计算机可读存储介质，其特征在于，所述程序介质存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行根据权利要求1-8中任一所述的基于深度学习的航道洋流预测方法。
技术总结本申请公开了一种基于深度学习的航道洋流预测方法和装置，所述方法包括：获取历史多维航道洋流数据；构建基于多维卷积神经网络的航道数据预处理模型，利用所述模型进行相关性分析，得到多维特征航道洋流数据集；构建基于注意力机制和CNN-LSTM模型的初始的洋流预测模型，利用多维特征航道洋流数据集对初始的洋流预测模型进行迭代训练，得到训练完备的洋流预测模型；获取实时航道洋流数据；将实时航道洋流数据输入到训练完备的洋流预测模型中，得到航道洋流预测结果。本发明通过数据相关性分析，将相关性分析的结果作为误差反馈，形成闭环网络；既考虑了数据的时间联系，又考虑了数据的空间联系，提高了洋流预测的准确性。提高了洋流预测的准确性。提高了洋流预测的准确性。
技术研发人员：张华军 杜金福 苏义鑫 张丹红
受保护的技术使用者：武汉理工大学
技术研发日：2022.07.21
技术公布日：2022/11/1
