本发明涉及海洋环境监测要素的短期预测方法，具体涉及一种海洋环境监测要素短期预测方法。
背景技术：
精确、实时的海洋环境监测要素预测能够有效预防赤潮、溢油等各类海洋灾害，同时有助于对全海域的时间趋势规律有更准确的认识，在实际应用意义十分重大。
自回归模型(AR)常用来模拟时间序列的预测，对于非线性要素的未来预测效果并不明显，但对于单个海洋环境要素的未来预测有着较好的精度。机器学习通过训练让机器模拟人体大脑，同时从外界输入大量的历史数据进行学习总结，找出规律，从而对新的测试数据进行有效地分类判别和回归预测。这种基于人工智能的神经网络方法相较于经典的统计回归模型在多因子、充满随机性等方面显示出优越性，但这类神经网络方法自身存在的局部最小值等问题，一直没有得到彻底地解决，同时如何利用多个网络层次来更高效地提取有用特征值，这点上长期困扰着研究者们。深度神经网络模型是一种深层非线性网络结构，可以不断地从外界学习，能够在训练样本很少的情况下提取到数据集中蕴藏的本质特征，对输入数据自下而上地训练学习，逐层地提取数据的本质特征，从而提高分类和回归预测的准确性。
利用自回归模型实现单个海洋环境要素时序数据的未来预测，在此基础上，通过深度神经网络，可以得到输出要素的预测值，这将提高自回归模型直接对输出要素预测的准确性，克服了传统人工神经网络存在局部最小值等方面的不足，同时避免了其对于时序数据预测存在抽取本质特征不足和梯度下降受限等方面的局限，能有效地挖掘出输入要素和输出要素之间的内质联系。
技术实现要素：
本发明的目的是克服现有技术的不足，提供一种海洋环境输出要素短期预测方法。
本发明的目的是通过以下技术方案来实现的：
海洋环境监测要素短期预测方法，包括如下步骤：
步骤1：建立关系数据库，表中记录每个海洋环境要素的基础信息,包括监测位置信息、监测参数信息和监测时间信息；
步骤2：对海洋环境要素进行数据预处理，包括对海洋环境输入要素采用线性归一化处理，对输出要素采用对数归一化处理；
步骤3：采用准则函数定阶法确定自回归模型的阶数，采用最小二乘估计方法对自回归模型进行参数估计；
步骤4：将海洋环境要素输入到自回归模型中，采用单步预测方法，预测出短期的输入因子数值；
步骤5：通过随机函数对深度神经网络的权值和偏移量进行初始化，对海洋环境输出要素进行训练、学习和预测；
步骤6：将步骤4得到的短期输入因子的预测值通过步骤5中的深度神经网络得出输出要素的短期预测值。
上述技术方案中，各步骤可采用如下优选方式：
所述的步骤2具体包括：
2.1)求出海洋环境输入要素的最大值和最小值，分别记为xmax，xmin，和海洋环境输出要素的最大值和最小值，分别记为ymax，ymin；
2.2)利用海洋环境输入要素的最大值xmax和最小值xmin，采用线性的方法进行归一化预处理，区间为[0.1,0.9]；
2.3)利用海洋环境输出要素的最大值ymax和最小值ymin，采用对数的方法进行归一化预处理，区间为[0.1,0.9]。
所述的步骤3中，当自回归模型的预测误差超过阈值时，调整阶数使其预测误差不超过所述的阈值。
所述的步骤5中，初始化具体如下：将权值W初始化为随机函数W＝0.1×randn(m,n)，可视节点的偏移量b初始化为b＝0.1×randn(1,m)，隐含节点的偏移量c初始化为c＝0.1×randn(1,n)，其中m指的是可视层的神经元个数，n指的是隐含层的神经元个数，randn()为生成标准正态分布矩阵随机数的生成函数。
所述的步骤6具体包括：
6.1)将海洋环境输入要素按照时间序列的方式进行组织，选取部分数据作为训练数据集；
6.2)将步骤4中的自回归模型预测出的短期输入因子数值作为深度神经网络的测试样本，通过深度神经网络得出输出要素的短期预测结果。
本发明与现有技术相比具有有益效果：
传统神经网络方法自身存在的局部最小值等问题，一直没有得到彻底地解决，同时如何利用多个网络层次来更高效地提取有用特征值，这点上长期困扰着研究者们。深度神经网络方法是一种深层非线性网络结构，可以不断地从外界学习，能够在训练样本很少的情况下提取到数据集中蕴藏的本质特征，通过建立多层结构，模拟人脑的结构域认知过程，能够自动学习到反映在数据内部的关系，抽象出理想的分类和回归特征值，具有很强的推广性和表达力。通过自回归模型预测出未来的各海洋环境要素值，输入到深度神经网络模型中，得出输出要素的未来预测值，克服了传统神经网络模型对于时序数据预测存在抽取本质特征不足和梯度下降受限等方面的局限。本方法对于海洋生态环境的研究和应用具有重要的意义。
具体实施方式
下面结合具体实施例对本发明作进一步详细说明。
以赤潮生物量的短期预测为例。第一步是建立各海洋环境要素数据的关系型数据库，这些海洋环境要素通常是指水温、pH、浊度、硝酸氮等与赤潮发生相关的要素，在数据库的表中记录它们的位置信息、监测数值和时间信息；
第二步是从数据库中读取相应的各海洋环境要素数据集X＝{x1,x2,…,xN}，求出各海洋环境输入要素的最大值和最小值，分别记为xmax，xmin，和海洋环境输出要素的最大值和最小值，分别记为ymax，ymin。将水温、pH、浊度、硝酸氮等这些海洋环境要素作为输入层数据，不同要素之间的数量级变化较大，为了避免不同数量级引起的预测误差，对输入层数据采用线性的方法进行归一化处理，公式为赤潮生物量作为输出层数据，数量级跨越范围很大，采用对数方法的归一化处理，公式为
第三步是采用准则函数定阶法确定自回归模型的阶数，采用最小二乘估计方法对自回归模型进行参数估计。当自回归模型的预测误差超过阈值时，调整阶数使其预测误差不超过所述的阈值。
第四步是将归一化处理后的各海洋环境输入要素x′通过自回归模型，采用单步预测方法，输出短期的输入层要素的预测值x′pred；
第五步是深度神经网络的能量函数公式为指的是可视节点i和隐含节点j之间的权值矩阵，bi表示的是第i个可视节点在网络训练过程中的偏置量，cj为第j个隐含节点在网络训练过程中的偏置量，能量值E(vi,hj)的高低决定了具体特征与抽象特征在相互转化的过程中产生误差的大小。通过随机函数对深度神经网络的权值和偏移量进行初始化，初始化具体如下：将权值Wij初始化为随机函数Wij＝0.1×randn(m,n)，可视节点的偏移量b初始化为bi＝0.1×randn(1,m)，隐含节点的偏移量cj初始化为cj＝0.1×randn(1,n)，其中m指的是可视层的神经元个数，n指的是隐含层的神经元个数，randn()为生成标准正态分布矩阵随机数的生成函数。然后调整权重值和偏移量以便深度神经网络模型的训练和预测达到稳定状态。
第六步是将海洋环境输入要素按照时间序列的方式进行组织，选取其中一部分数据作为训练数据集；再将第四步中的自回归模型预测出的短期输入因子数值x′pred作为第五步中深度神经网络的测试样本，通过深度神经网络得出输出要素的短期预测结果y′pred。
最后，为了验证本模型对海洋环境输出要素短期预测的稳定性和有效性，需要将输出要素的预测值y′pred与实际值进行对比，采用均方根误差、平均相对误差、平均绝对误差三类作为误差评价方法，预测值与实际值之间的拟合度作为预测结果好坏的评价标准。经过试验比对，本发明精度在相关规范的误差范围内。因此本发明提供了一种可行的新方法，用于要素的短期预测。