典型文献
结合残差时空注意力机制的海面温度预测算法
文献摘要：
海面温度(SST)与全球气候变化、海洋灾害、海洋生态系统密切相关,因此准确地预测SST是一个重要课题.现有区域型SST预测方法将SST时间序列处理为二维矩阵序列并作为模型输入,每个矩阵对应着特定时刻的区域SST,通过提取时空特征来实现其预测,但未充分考虑不同时空特征在时间维度和空间维度上对SST影响的不均衡性,限制了预测精度地提高.为了解决该问题,提出了一种结合时间注意力机制和空间注意力机制的区域SST预测方法(CRA-ConvLSTM),使得模型动态关注不同时刻的时间特征和区域内不同点的空间特征,赋予不同的影响权重,进而提高SST预测精度.具体来说,首先将输入的区域SST时间序列通过卷积神经网络(CNN)编码为多层特征向量,提取局部特征;然后构建了残差时间注意力模块,自适应地学习不同时刻的注意力权重,提取时间维度上的关键特征,并设计了残差空间注意力模块,提取区域内不同点在空间维度上的关键特征,此外,将注意力机制结合残差结构避免了网络中信息量过少导致的性能下降问题;最后通过卷积长短时记忆神经网络(ConvLSTM)将特征向量映射为SST预测结果.实验结果显示,该模型的均方根误差(RMSE)和预测精度(PACC)分别达到了0.19和99.43％,均优于其他方法,有效提高了SST的预测精度.
文献关键词：
时间序列;海面温度预测;时空特征;注意力机制;残差结构
中图分类号：
作者姓名：
贺琪;李汶龙;宋巍;杜艳玲;黄冬梅;耿立佳
作者机构：
上海海洋大学信息学院,上海 201306;国家海洋局东海标准计量中心,上海 201306
文献出处：
引用格式：
[1]贺琪;李汶龙;宋巍;杜艳玲;黄冬梅;耿立佳-.结合残差时空注意力机制的海面温度预测算法)[J].图学学报,2022(04):677-684
A类：
海面温度预测
B类：
时空注意力机制,预测算法,SST,全球气候变化,海洋灾害,海洋生态系统,区域型,列处理,二维矩阵,模型输入,时空特征,时间维度,空间维度,不均衡性,时间注意力机制,空间注意力机制,CRA,ConvLSTM,不同时刻,时间特征,不同点,空间特征,影响权重,具体来说,特征向量,局部特征,注意力模块,地学,注意力权重,提取时间,关键特征,残差结构,中信,信息量,性能下降,长短时记忆神经网络,向量映射,RMSE,PACC,其他方法
AB值：
0.308272
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
