一种基于多缺失率视图语义对齐的全球波高预测方法
本发明涉及海洋工程、海洋气象预报与人工智能交叉融合,尤其涉及一种基于多缺失率视图语义对齐的全球波高预测方法。
背景技术:
1、显著波高是描述海面波浪状态和海洋动力环境的重要参数,在远洋航行安全、海上风电运维、海洋工程施工、船舶航线规划以及海洋灾害预警等方面具有重要应用价值。全球海域范围内的波浪演化受风场、气压场、海气相互作用、洋流及区域性天气系统等多种因素共同影响,具有明显的非线性、时空耦合性和多尺度变化特征。因此,构建能够兼顾全球空间差异和时间动态演化特征的显著波高预测模型,是海洋智能预报领域的重要研究方向。
2、目前,显著波高预测主要包括基于物理过程的数值模式和基于数据驱动的机器学习方法。数值模式通常基于波谱能量平衡方程,通过风输入、非线性相互作用、白浪耗散、底摩擦和破碎等物理过程对波浪进行模拟,具有较强的物理基础。然而,该类方法依赖较高质量的初始场、边界条件和参数化方案,在全球大范围、高时间分辨率或快速业务预报场景中存在计算量大、更新速度慢以及局地误差传播等问题。随着深度学习技术的发展,多变量时间序列预测模型被逐渐应用于波浪预测任务。该类方法能够从历史风场、气压场和波浪序列中自动学习非线性映射关系,避免显式求解复杂物理方程,具有较高的计算效率和较强的数据适应能力。然而,全球海洋观测和再分析数据在实际应用中常受到观测设备故障、遥感反演误差、通信中断、数据质量控制和数据传输延迟等因素影响,导致历史输入序列中出现不同程度的缺失。缺失值不仅会破坏原始时间序列中的周期性、趋势性和局部变化特征,还会使不同时间段对应的缺失率视图不断变化,从而削弱传统深度学习模型的泛化能力和鲁棒性。
3、针对缺失数据问题,现有方法通常先采用插值、knn、矩阵补全或深度补全模型恢复缺失值,再将补全结果输入预测模型。这类两阶段方法虽然能够缓解部分数据缺失问题,但部分补全方法在恢复缺失值的过程中可能对局部序列结构产生平滑或偏移影响,造成局部波动特征被削弱或放大,并进一步引入误差累积。并进一步引入误差累积。同时,当缺失率视图在不同时间段发生变化时,传统补全模型或预测模型往往需要针对不同缺失率视图分别训练模型,难以满足全球海域业务化预测中对统一模型、快速推理和稳定泛化的需求。
技术实现思路
1、本发明提供一种基于多缺失率视图语义对齐的全球波高预测方法,以克服上述技术问题。
2、为了实现上述目的,本发明的技术方案是:
3、一种基于多缺失率视图语义对齐的全球波高预测方法,具体包括步骤:
4、s1:获取全球海域预置代表性空间点的历史多变量时间序列数据,通过引入日内时间特征与周内时间特征构建输入特征向量,以得到完整观测输入张量;将所述完整观测输入张量及其对应未来时刻的显著波高标签组合,得到完整样本数据;
5、对所述完整观测输入张量中的观测变量施加不同缺失率的随机掩膜,并将日内时间特征和周内时间特征作为时间身份索引特征,以构建不同缺失率视图条件下的不完整输入张量,并将所述不完整输入张量与对应完整样本数据中的未来显著波高标签组合,得到不完整样本数据;且所述观测变量包括历史显著波高、10 m高度 u风分量、10 m高度v风分量以及海平面气压;
6、s2:构建基于空间-时间身份嵌入模型stid的教师模型与学生模型;所述stid骨干模型包括全连接嵌入层、时空嵌入拼接层、残差多层感知机编码层及输出层;
7、所述全连接嵌入层用于将输入张量映射为隐藏表征向量;
8、所述时空嵌入拼接层用于根据所述隐藏表征向量,对输入张量的日内时间特征、周内时间特征以及代表性空间点的空间嵌入特征进行维度拼接,获取融合时空信息的融合输入表征向量;
9、所述残差多层感知机编码层用于根据所述融合输入表征向量,获取编码隐藏表征向量;
10、所述输出层用于根据编码隐藏表征向量输出未来显著波高预测数据;
11、s3:通过完整样本数据对所述教师模型进行模型训练,获取教师模型隐藏表征与教师模型预测结果;并基于教师模型隐藏表征与教师模型预测结果构建用于对所述学生模型进行模型训练的模型训练总损失函数,基于所述模型训练总损失函数通过不完整样本数据对所述学生模型进行模型训练,以获得满足预设收敛条件的学生模型并将其作为最终预测模型,通过所述最终预测模型实现基于多缺失率视图语义对齐的全球波高预测。
12、进一步的,s2中所述隐藏表征向量的获取公式为:
13、
14、
15、
16、
17、式中:表示输入张量经过嵌入层后的隐藏表征;表示全连接层映射函数;且表示待嵌入的输入张量,当对应输入教师模型时,;当对应输入学生模型时;表示完整观测输入张量;表示不完整输入张量;表示第个代表性空间点在时刻的模型输入特征向量;表示第个代表性空间点在时刻的历史显著波高;表示日内时间特征;表示周内时间特征;表示10 m高度u风分量;表示10 m高度v风分量;表示海平面气压;表示向量转置;表示张量所属的实数空间;表示全球海域的代表性空间点数量;表示历史输入长度;表示输入特征数量,其包括历史显著波高、日内时间特征、周内时间特征、10 m高度u风分量、10 m高度v风分量以及海平面气压;表示相对于当前时刻向前回溯的历史步长索引;表示第种缺失率视图条件下的不完整输入张量;表示二值掩膜矩阵;表示逐元素乘法;表示第种输入视图对应的缺失率视图。
18、进一步的,s2中所述获取融合时空信息的融合输入表征向量为:
19、
20、式中:表示融合时空信息的融合输入表征向量;表示张量拼接操作;表示空间身份嵌入即空间嵌入特征;表示日内时间身份嵌入即对应日内时间特征的嵌入向量;表示周内时间身份嵌入即对应周内时间特征的嵌入向量;表示嵌入维度。
21、进一步的,s2中所述编码隐藏表征向量的获取公式为:
22、
23、
24、式中:表示残差多层感知机编码层的初始输入;表示第层残差多层感知机编码层输出的隐藏表征;表示融合时空信息的融合输入表征向量;表示残差多层感知机编码层的编码器层数;表示第层残差多层感知机中的非线性映射函数;表示线性整流激活函数;
25、所述输出层的表达式为:
26、式中:表示输出的未来显著波高预测结果;表示输出回归层;表示残差多层感知机编码层最后一层输出的隐藏表征向量。
27、进一步的,所述s3具体包括步骤:
28、s31:按照预设比例将完整样本数据随机划分为完整样本训练集与完整样本验证集;并将不完整样本数据随机划分为不完整样本训练集与不完整样本验证集;
29、s32:以最小化教师监督预测损失为目标,通过完整样本训练集对所述教师模型进行模型训练,获取输出教师模型隐藏表征与教师模型预测结果的训练后的教师模型,所述教师监督预测损失即为教师模型预测结果与其对应未来显著波高标签之间的回归损失;
30、所述教师模型隐藏表征与教师模型预测结果为:
31、
32、式中:表示教师模型对应的函数表示形式;表示教师模型参数;表示教师模型最后一层编码器输出的隐藏表征;表示教师模型得到的未来显著波高预测结果;表示完整观测输入张量;
33、将训练后教师模型的输出作为学生模型训练过程中蒸馏损失的伪标签,并通过不完整样本训练集对所述学生模型进行模型训练,获取输出学生模型隐藏表征与学生模型预测结果所对应的训练后的学生模型;
34、所述学生模型隐藏表征与学生模型预测结果为:
35、
36、式中:表示学生模型对应的函数表示形式;表示学生模型参数;表示第种缺失率视图条件下的不完整输入张量;表示学生模型在第种缺失率视图输入下得到的最后一层隐藏表征;表示学生模型在第种缺失率视图输入下输出的未来显著波高预测结果;表示缺失率视图数量。
37、s33:基于模型训练总损失函数,将完整样本验证集与不完整样本验证集分别输入至训练后的教师模型与训练后的学生模型,根据预设的收敛条件判断训练后的学生模型是否收敛;若是,则确认此时训练后的学生模型即为最优预测模型;所述预设收敛条件包括模型训练总损失满足预设损失阈值或达到最大训练轮数;
38、否则,基于反向传播法自适应更新学生模型参数,并重复执行学生模型训练的过程,直至训练后的学生模型满足预设的收敛条件,以获取最优预测模型;通过所述最优预测模型实现基于多缺失率视图语义对齐的全球波高预测。
39、进一步的,s33中构建的模型训练总损失函数为:
40、
41、式中:表示监督预测损失权重;表示知识蒸馏损失权重;表示多视图对比学习损失权重;表示监督预测损失;表示多视图对比学习总损失;表示隐藏表征蒸馏损失;表示预测结果蒸馏损失;
42、所述监督预测损失为:
43、
44、式中:表示未来时刻的显著波高真实值;表示学生模型在第种缺失率视图输入条件下未来时刻的显著波高预测值;表示绝对值运算;
45、所述多视图对比学习总损失为:
46、
47、
48、
49、
50、
51、式中:表示包含正样本对与负样本对的多缺失率输入集合中第种缺失率视图对应的低维对比学习表征;表示余弦相似度函数;表示低维对比学习表征中的任意两个低维样本表征;表示二范数;表示转置;表示任意两个低维样本表征之间的对比损失;分别表示低维对比学习表征中的不同样本且;表示指数函数;表示温度参数;表示批量样本数量;表示两个视图拼接后参与对比学习的样本总数;表示第种缺失率视图与第种缺失率视图之间的成对对比损失;表示基于对比损失公式所得到的同一正样本对两个方向上的对比损失;表示学生模型在第种缺失率视图输入条件下的隐藏表征;
52、所述隐藏表征蒸馏损失为:
53、
54、式中:表示对张量元素求平均符号;
55、所述预测结果蒸馏损失为:
56、。
57、本发明提供了一种基于多缺失率视图语义对齐的全球波高预测方法,有益效果如下:
58、(1)提高不固定缺失率条件下的预测鲁棒性:本发明在训练阶段构建了多种缺失率视图,并通过离线知识蒸馏与多视图对比学习约束学生模型学习不同缺失率输入下的一致语义表征。与针对单一缺失率分别训练模型的方式相比,本发明能够利用一次训练后的学生模型适应预设缺失率及相近缺失率条件,降低模型部署复杂度,提高全球海域业务化预测场景下的鲁棒性。
59、(2)保持完整观测语义信息:本发明首先使用完整观测训练教师模型,再利用教师模型的隐藏表征与预测结果对学生模型进行约束,使学生模型在处理不完整观测时能够学习接近完整观测的全局周期信息、局部波动信息以及空间差异信息,从而减少缺失值对风场、海平面气压以及波高历史序列语义结构的破坏。
60、(3)提升全球海域多点联合预测能力:本发明将全球海域预置代表性空间点作为统一多变量时间序列输入,通过stid骨干模型中的空间身份嵌入表征不同海域点的空间差异,通过时间身份嵌入表征日内和周内时间变化特征。该结构避免了对每个空间点单独建立模型,能够实现全球海域中代表性空间点未来时刻显著波高的统一输出。
61、(4)提高训练与推理效率:本发明选用轻量化stid模型作为骨干模型,相较于复杂图神经网络或transformer结构具有更低的计算复杂度。同时,本发明在测试阶段仅使用学生模型,无需教师模型参与推理,能够降低实际应用过程中的计算成本。
62、(5)增强模型泛化能力:本发明通过多视图对比学习将同一时间样本不同缺失率视图输入构造为正样本对,将不同时间样本构造为负样本对,使模型能够在表征空间中对齐相同物理状态下的多缺失率输入,同时区分不同物理状态下的样本,这种机制有助于提高模型对不同时间段、不同海况和不同缺失率组合的泛化能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com