:本发明涉及深度学习领域和海洋相关轨迹预测领域,具体涉及了一种基于qcnn-lstm网络的海上相关漂移轨迹预测方法。
背景技术
0、
背景技术:
1、由于工业化和人口增长,全球资源变得越来越有限。作为21世纪人类生存的重要资源,海洋将对人类和社会进步做出重大贡献。预测海洋漂浮物的轨迹在各个领域都是至关重要的,包括海上安全、环境保护、搜索和救援行动以及海上运输。准确预测溢油、海洋废弃物和漂流船只等漂浮物轨迹的能力对于及时有效地应对海上紧急情况和事件至关重要。例如,在石油泄漏的情况下,准确的轨迹预测可以帮助确定泄漏的潜在环境影响,并计划和实施有效的应对措施。在搜索和救援行动中,轨迹预测可以帮助识别失踪船只或个人的可能位置,并更有效地分配搜索资源。
2、传统的数值方法是预测漂移轨迹的重要手段之一。有研究人员使用拉格朗日模型预测了南海的漂移轨迹。还有的研究了回溯模式中使用的海冰模型nextsim的概率预测能力。nextsim是一个连续的拉格朗日数值模型,它使用粘弹性流变学来模拟冰对外力的响应。有的研究人员建立了海洋漂浮物来源分析的回溯模型。在基于蒙特卡罗的综合轨迹模型(leeway模型)的基础上,他们提出使用虚拟时空漂移轨迹进行真实源分析。
3、在标准海洋轨迹预测中,溢油预测和藻类迁移和扩散属于粒子预测问题。在粒子预测中,经常使用数值方法和模型来模拟粒子运动。然而,由于海洋环境的复杂性和不确定性,传统的数值方法和模型往往难以准确预测漂浮物的运动轨迹。传统数值方法在漂移轨迹预测中具有预测精度高、数值稳定性好、预测效率高等优点。然而,它们也有几个局限性,如受模型假设和参数设置的限制,对海洋环境变化的反应较慢,以及对漂浮物的形状和运动有一定的限制。与传统的数值方法相比,神经网络模型具有更强的适应性和泛化能力,更高的预测精度和计算效率,并且需要更少的数据。这些优点使得神经网络模型在漂移轨迹预测中具有广泛的应用前景,成为当前研究的热点和趋势。
4、预测海洋漂移轨迹的问题本质上是一个序列预测问题。目前,流行的预测模型主要包括递归神经网络(rnns),长短期记忆网络(lstms),transformer及其变体。有研究者提出了一个有效的基于transformer的模型,称为informer for long sequence time-series forecasting(lstf),解决了二次时间复杂度的问题。
5、卷积神经网络(cnn)可以准确地从多维数据中提取特征,并创建高度准确和鲁棒的模型。然而,它们并不完全适合学习时间序列,需要额外的处理。时间卷积网络(tcn)使用一维卷积层来模拟序列。这些卷积层使用不同于传统cnn的因果卷积运算。tcn是一种基于卷积神经网络(cnn)的序列建模方法,可用于处理时间序列数据。与传统的递归神经网络(rnns)相比,tcn可以执行并行计算,从而提高计算速度。此外,tcn有良好的长期依赖性建模能力[20-22]。由于tcn网络使用一维卷积层,它在捕捉时间序列数据的特征方面可能受到限制,例如具有多个时间尺度的周期性数据。因此,在某些情况下,tcn可能无法完全捕捉时间序列数据的特征。
6、一些学者提出了cnn-lstm混合预测框架。lstm网络是rnn的一个优秀变体模型,可以更好地处理时间序列任务,解决rnn网络中的梯度爆炸问题。然而,尽管模型的lstm部分已经在梯度问题方面得到部分解决,但是对于许多序列来说,解决它仍然是具有挑战性的。此外,lstm模型架构相对复杂且训练耗时。由于这些问题,量子计算提供了一种新的方法来解决传统计算机无法处理的问题,因为它提供了一种不同的计算环境。特别地,在经典计算环境中不可初始化的叠加态和纠缠态可以通过利用量子比特之间的并行性来实现鲁棒的性能。目前为止提出的常见量子架构包括量子神经网络(qnn)、量子卷积神经网络(qcnn)和量子长短期记忆网络(qlstm)。
技术实现思路
1、本发明旨在提供一种海上相关漂浮物的预测方法。该方法利用qcnn-lstm神经网络模型对海上漂流轨迹进行预测,并与其他模型的预测结果进行比较。
2、该发明的具体实现如下所示:
3、(1)采集海洋相关漂移轨迹的数据(如:洋流数据,auv漂移数据等)
4、(2)对采集到的待测数据进行预处理,预处理的方式包括缺失值填充,合并数据,以及标准化数据。
5、数据缺失值处理方法是通过采用线性插值来填充缺失值。
6、合并数据是使用中值聚合方法将来自同一天的多个数据点合并为单个数据点。
7、标准化数据是通过减去平均值并除以标准偏差来标准化数据,以获得平均值0和标准偏差1。
8、(3)判断数据是否具有自相关性,并得出自相关周期。
9、(4)将数据进行量子化操作
10、(5)基于处理后的数据集,使用qcnn-lstm网络模型预测相关漂移的轨迹数据。
11、(6)将处理后的数据进一步转换进行量子化操作,以将其编码到一个量子电路中。
12、(7)不同类型的数据选择不同的输入方法输入到qcnn-lstm模型中。不同类型的数据包括离散型数据和周期性数据,通过调用不同的封装函数进行不同的预测,周期性数据还需输入其周期。
13、(8)使用qcnn-lstm模型进行预测,对cnn部分进行了量子化,以提高模型的计算能力,更有效地解决梯度爆炸问题。连接的lstm部分有效地增强了模型预测序列数据的能力,并执行更好的时空序列预测。qcnn-lstm方法利用了qcnn的高效计算和强容错优势,可以更好地对序列数据进行特征提取和卷积运算。与传统的数值方法相比,qcnn-lstm方法能够更好地捕捉序列数据的特征,提高模型的预测精度和有效性。
14、(9)使用cnn网络、qcnn网络、cnn-lstm网络和qcnn-lstm网络分别对洋流数据和auv漂流数据两种数据集进行短期漂移预测,并将预测结果与真实值进行对比得出结论。
1.一种基于量子卷积长短期记忆(qcnn-lstm)模型的海上漂浮物轨迹预测方法。其特征在于,
2.如权利要求1所述基于量子卷积长短期记忆(qcnn-lstm)模型的海上漂浮物轨迹预测方法,其特征在于,
3.如权利要求1所述基于量子卷积长短期记忆(qcnn-lstm)模型的海上漂浮物轨迹预测方法,其特征在于,
4.如权利要求1所述基于量子卷积长短期记忆(qcnn-lstm)模型的海上漂浮物轨迹预测方法,其特征在于,
5.如权利要求1所述基于量子卷积长短期记忆(qcnn-lstm)模型的海上漂浮物轨迹预测方法,其特征在于,
6.如权利要求1所述基于量子卷积长短期记忆(qcnn-lstm)模型的海上漂浮物轨迹预测方法,其特征在于,
7.如权利要求1所述基于量子卷积长短期记忆(qcnn-lstm)模型的海上漂浮物轨迹预测方法,其特征在于,