一种区域气溶胶光学厚度的时空预测模型及方法

本发明属于遥感气象格点要素预测，具体地，涉及一种区域气溶胶光学厚度的时空预测模型及方法。

背景技术：

1、气象格点要素数据是现代天气预报的基础数据，其一般通过不同的观测源，如卫星、探空、海面浮标、地面站等，收集后经过数据同化技术得到的包含经度、维度、海拔及时间的四维地球格点数据。气象格点数据包含丰富的气象基本要素，这些要素也是现代数值天气预报输入的必要初始场，因此，气象格点数据的合理利用对未来天气、气象、气候或极端气象现象的预测具有重要作用。而气溶胶光学厚度是气象格点要素的一种重要要素，与人类生产生活息息相关，精确地预测气溶胶含量可以帮助市民和政府等相关机构做出相应的决策，从而减少带来的损害。精准地预测气溶胶光学厚度是一项巨大的挑战。大气气溶胶复杂多变，影响因素多，影响关系复杂，数据变化剧烈。为此，本发明将聚焦于气溶胶光学厚度的未来格点数据预测。

2、现有的气溶胶光学厚度预测大部分基于单个气象格点的预测，且使用的方法大部分是基于多元线性回归的方法且需要人为定义一些专家特征输入到回归方程；这样的作法既没有考虑到时空维度不同格点的气溶胶光学厚度彼此的关联关系，也没有很好地利用数据驱动的方式来进行特征的自动学习，因此会导致气溶胶光学厚度预测出现失准、偏差等情况。此外，气溶胶数据作为气象要素的一种，本身具有明显的周期性特征，并且具有周期偏移的现象，并非简单以固定时段如一天作为周期，因此如何有效地捕捉到气溶胶光学厚度数据的周期性同时是待解决的难题。

3、为此，迫切需要一种可以考虑时空维度格点关联性且能有效捕捉到周期性特征的深度学习方法。

技术实现思路

1、本发明针对指定区域未来时刻的气溶胶光学厚度进行回归预测，基于自相关机制和卷积结构；提出了一种区域气溶胶光学厚度的时空预测模型及方法；本发明通过深度学习方法建立区域气溶胶光学厚度的时空预测模型，能够快速估算指定区域未来的气溶胶光学厚度。

2、本发明通过以下技术方案实现：

3、一种区域气溶胶光学厚度的时空预测模型：

4、所述时空预测模型包括输入层1、预处理层2、预测层3以及输出层4；

5、所述输入层1用于接收带时序特征的气溶胶光学厚度要素并导入到预处理层2；

6、所述的预处理层2包括特征变换模块21和时间编码模块22，用于对输入层1输入数据进行预处理；

7、所述的预测层3包括基于自相关机制的周期预测模块31和基于卷积结构的基础预测模块32，对预处理后的数据进行特征提取及预测；

8、所述输出层4，用于对预测层3中不同预测模块的输出结果进行融合，并输出最终的预测结果。

9、进一步的，所述的气溶胶光学厚度要素包括原始气溶胶光学厚度张量和多个时序的气溶胶光学厚度张量；

10、所述原始气溶胶光学厚度张量用于标识气溶胶光学厚度；

11、所述多个时序的气溶胶光学厚度张量为原始气溶胶光学厚度张量之前时刻的气溶胶光学厚度张量；

12、所述原始气溶胶光学厚度张量和所述多个时序气溶胶光学厚度张量为相同地点不同时刻的张量；

13、所述气溶胶光学厚度要素还包含气溶胶的经度和纬度。

14、进一步的，对于所述输入层1，用于接收输入模型的多个时序特征的气溶胶光学厚度张量，n为输入张量的时间长度，即一共n个连续时刻的张量作为模型输入；

15、其中，表示时刻对应的气溶胶光学厚度张量，其大小为，n表示所跨越的经度格点，m表示所跨越的纬度格点；表示为与是相同地区，时刻的气溶胶光学厚度张量。

16、进一步的，在所述预处理层2中，所述特征变换模块21首先会去除掉样本数据中的异常数据，对于极少部分的极大数值、极小数值进行一定的限缩；

17、具体公式为，，

18、其中，分别代表样本数据的下限和上限，代表样本数据中的异常数据，实现对样本数据的数据清洗;

19、其次，特征变换模块21再将样本数据进行log变换以及归一化处理，使得数值分布介于0～1之间，并且数值方差尽可能小。

20、

21、为样本数据，为经过特征变换后的数据；

22、其中为根据原数据的分布情况而定的偏移量，时间编码模块22会根据输入样本数据所代表的时刻进行编码，分别将年、月、日映射至-0.5～0.5之间的数值中；时间编码将联同样本数据张量输入至基于自相关机制的周期预测模块31。`

23、进一步的，所述基于自相关机制的周期预测模块31包括自相关周期性编码模块311和自相关周期性解码模块312；

24、所述自相关周期性编码模块311通过自相关系数计算、序列分解、全连接层进行周期性建模；

25、所述自相关系数计算使用自相关函数来度量序列数据内在的周期性；所述序列分解将原始的周期性数据表示为一系列周期成分的叠加，并提取出周期性特征；所述全连接层用于学习不同周期成分之间的关系，并进行周期性建模；

26、所述的自相关周期性编码模块311能够重复多次再进行共同连接，更好地实现数据周期性特征提取；

27、所述自相关周期性解码模块312通过累积结构以及堆叠的自相关单元从隐藏变量中提取潜在的趋势信息；

28、所述累积结构通过迭代地累积自相关单元的输出，将来自隐藏变量的序列信息进行积累和整合，捕捉到时间序列中的潜在趋势；所述堆叠的自相关单元用于提取潜在的趋势信息；

29、所述自相关周期性解码模块312能够重复多次再进行共同连接，实现从隐藏变量中提取潜在的趋势信息；

30、所述的基于卷积结构的基础预测模块32包括多个基于卷积结构的卷积预测单元321用于基础时空序列预测。

31、进一步的，自相关周期性编码模块311计算方法如下，其中自相关系数表示序列与经过延迟后序列之间的相似性：

32、

33、表示原序列，表示将进行反转；

34、表示一维卷积操作后取第个；

35、为方便计算自相关系数可通过快速傅立叶变换及反变换计算：

36、

37、表示经过傅里叶变换后在频域上的序列；

38、表示经过傅里叶变换后在频域上的反转序列；

39、最终根据不同长度的自序列，选取自相关系数最k大的自相关序列的长度；对这些序列计算自相关系数得到，通过softmax激活：

40、

41、是经过函数之后所对应的变量，是经过归一化处理后的变量，作为公式（7）的输入，模型计算的中间变量；

42、最终得到自相关的输出

43、

44、其中，序列分解主要将序列的平滑周期项、突出趋势项分离，这两个部分反映了时间序列的长期发展趋势和周期性；

45、对于一个长度为l的序列，具体的步骤如下：其中代表了序列的周期项，代表了趋势项。

46、

47、使用了avgpool( )进行移动平均操作，并进行填充操作以保持时间序列的长度不变；

48、其中自相关周期性编码模块311的输入具体为气溶胶光学厚度样本数据张量及时间编码信息，

49、自相关周期性解码模块（312）的输入同样分为周期项和趋势项，具体如下：

50、

51、表示经过所输出的周期项和趋势项，为的输入，具体是输入序列的后l/2长度的数据，l为输入序列的长度，表示维度与相同，数值全为0的张量；为的均值；

52、concat表示在维度层面的简单拼接，把两个张量拼接成一个张量；concat (x, y)= x y；

53、seriesdecomp 表示序列分解的过程，将分别带入公式（8）、（9），得到自相关周期性解码模块（312）的输入周期项和趋势项，

54、其中公式（8）的输出对应经过所输出的趋势项，

55、公式（9）的输出周期项对应经过所输出的周期项；

56、通过基于自相关机制的周期预测模块31预测数据，模型可以自动发现待预测序列的相关性，与固定周期相比更着重于周期之间的自序列张量之间的关系，从而实现更好的预测能力；

57、对于基于卷积结构的基础预测模块32，该模块主要用来提取气溶胶光学厚度张量数据具有的时空特征，其计算过程可以表述为如下叙公式：

58、

59、其中，表示二维卷积操作，表示 hadamard 乘积；，，，，，分别表示t时刻对应的输入、更新门、重置门、输出门、输出隐状态及上一周期输出；

60、在公式（13）中的系数为，表示对结果具有的权重，

61、的系数为，表示对结果具有的权重；

62、在公式（14）中的系数为，表示对结果具有的权重，

63、的系数为，表示对结果具有的权重；

64、在公式（15）中的系数为，表示对结果具有的权重，

65、的系数为，表示对结果具有的权重；

66、重置门决定了如何将t时刻输入信息与t-1时刻的记忆相结合，更新门定义了t-1时刻记忆保存到当前t时刻的量。

67、进一步的，对于输出层4，该层通过门控机制用于将预测层3两模块的预测结果进行融合形成模型的最终输出；其计算过程可以表述为如下叙公式：

68、

69、其中，表示二维卷积操作，表示 hadamard 乘积；，，，，，，，分别表示基于卷积结构的基础预测模块32的输出、自相关机制的周期预测模块31的输出、t时刻对应的输入、更新门、重置门、输出门、输出隐状态及上一周期输出；变量为模型的可学习参数；

70、在靠近最后的输出层所以下标命名为out；在公式（20）中的系数为，表示对结果具有的权重，

71、所述的输出层4通过门控结构将基于自相关机制的周期预测模块31和基于卷积结构的基础预测模块32两者的预测结果进行融合，形成最终的预测输出。

72、一种区域气溶胶光学厚度的时空预测模型的训练装置：

73、所述时空预测模型的训练装置包括：

74、下载单元51、构建单元52、数据单元53、模型单元54、计算单元55、调整单元56及度量单元57。

75、所述下载单元51用于自动化下载给定经度、纬度及时间的气溶胶光学厚度张量；

76、所述构建单元52用于构建气溶胶光学厚度张量序列，划分训练集、验证集以及测试集，并利用滑动窗口的方法构建模型的输入气溶胶光学厚度张量序列和目标气溶胶光学厚度张量；

77、所述数据单元53用于将构建好的数据以批的方式划分好并准备送入模型；并根据设定的批大小，生成样本对的批，以准备输入到模型进行训练、验证以及测试。

78、所述模型单元54根据构建好的气溶胶光学厚度张量输入到上述基于自相关机制和卷积结构模型，得到对未来指定地区气溶胶光学厚度张量的回归预测；

79、所述计算单元55根据预测的气溶胶光学厚度张量与构建单元构建的目标气溶胶光学厚度张量计算总损失函数的值，损失函数的具体形式如下：

80、

81、所述调整单元56根据总损失函数的值调整所述时空预测模型的参数，直到所述总损失函数的值收敛；采用基于动量的随机梯度下降的方法，通过梯度的反向传播调整模型的结构，而随机梯度下降的原理如下式子所示：

82、

83、其中，表示t时刻的动量，为梯度符号，用于计算损失函数的梯度，

84、表示动量更新的超参数用于控制t-1时刻动量，

85、表示损失函数对动量的贡献度，

86、为时空预测模型的代优化参数；

87、所述度量单元57用于度量测试集中预测未来时刻的气溶胶光学厚度张量与预测气溶胶光学厚度张量之间的差值；具体度量方法为将测试集以批的方式输入到模型，采用度量函数计算测试的真值和预测值的误差；度量函数具体形式如下：

88、

89、其中，表示测试集，表示时空预测模型预测值，表示对应的真实值。

90、一种区域气溶胶光学厚度的时空预测方法：

91、所述方法具体包括以下步骤：

92、步骤1，获取指定地区气溶胶光学厚度张量及其多个历史时刻的气溶胶光学厚度张量；

93、步骤2，对数据进行划分并利用滑动窗口的方法制定模型输入序列和模型目标序列；

94、步骤3，根据预测气溶胶光学厚度张量计算其与目标气溶胶光学厚度张量的总损失函数值；

95、步骤4，根据所述总损失函数的值调整所述时空预测模型的参数，直到所属总损失函数值收敛

96、步骤5，使用优化后的模型对未来时刻的指定区域进行气溶胶光学厚度的预测。

97、一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

98、本发明有益效果

99、本发明避免探针测量与等离子体的直接接触而引起的离子速度分布函数的改变，从而导致的测量数据与实际工作状态的偏离。利用光谱测量可以直观准确的反应等离子推进器羽流区域内的实际离子速度分布函数，准确测量离子速度。