买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京理工大学

摘要：本发明提供了基于气象因素嵌入神经网络的迁飞生物预测方法与系统，属于天气雷达预测迁飞生物技术领域，首先将气象数据进行实体嵌入编码，然后采用气象因素与时空特征融合的方式，将编码后的气象数据向量与时空预测支路进行特征融合，最后共同构成一个预报模型输出未来的迁飞强度，为快速、精确预测生物迁飞地区态势提供了一种有效的手段；本发明使用气象雷达网的真实数据集和ERA5大气再分析数据验证了该方法的有效性，实现了对中国境内迁飞生物量7天内的预测；同时与现有的预测模型对比，在长时间预测问题上我们的模型的R2最高提高了16.56%。

主权项：1.基于气象因素嵌入神经网络的迁飞生物预测方法，其特征在于，包括：步骤1、提取区域内天气雷达站点间的空间关联性，从而建立天气雷达网获得的生物迁飞强度的空间特征模型；步骤2、根据步骤1获得的生物迁飞强度的空间特征模型，获取生物迁飞的时间相关性特征；步骤3、得到与获取生物迁飞强度同时获得的气象因素，进而得到气象特征，将气象特征与步骤2获得的时间相关性特征进行融合，得到融合特征，最后根据融合特征预测生物迁飞强度；所述步骤1中，采用图卷积提取区域内天气雷达站点间的空间关联性从而建立天气雷达网获得的生物迁飞强度的空间特征模型，方法包括：首先采用三角剖分对离散的天气雷达站点建立无向图结构，然后为无向图结构中每个节点初始化特征，将这些特征形成一个特征矩阵,之后将图卷积核应用于每个节点及其邻居的特征；通过叠加多个图卷积层来构建图卷积网络模型GCN，最后聚合的特征经过非线性变换，具体表示为： （1）其中，是图卷积网络模型GCN的输出特征，是无向图结构的节点数量，是输入特征即迁飞强度，是迁飞强度数据的时间序列长度，表示特征通道数量，是图卷积网络模型GCN中需要训练的参数；的表达式为： （2）其中，为邻接矩阵，表示天气雷达站点之间的连接关系，如果站点之间有连接，则矩阵中对应的元素为1；是度矩阵，是一个表示每个节点的边的数量的对角矩阵，表示维度为的对角元素为1、其余元素为0的单位矩阵，此过程即对邻接矩阵进行拉普拉斯归一化；所述步骤2中，采用门控循环单元GRU获取生物迁飞的时间相关性特征，方法包括： 其中，是迁飞强度数据中时刻的观测数据，作为门控循环单元GRU的输入,是时刻的隐状态,代表拼接操作,、和是网络训练参数,是Sigmoid激活函数，、、分别代表不同网络权重的图卷积网络模型GCN，运算方法均采用公式1进行；是复位门，用于控制对前一刻状态信息的忽略程度，为更新门，用于控制将前一时刻的状态信息代入当前状态的程度,为时刻t存储的内存内容，是时刻输出的隐状态,表示逐元素相乘；所述步骤3中得到与获取生物迁飞强度同时获得的气象因素，进而得到气象特征的方法包括：针对多通道的气象变量，先对各个通道的气象变量进行独热编码；然后将各通道的气象变量的独热编码进行嵌入编码操作，得到不同的气象因素编码拼接后的气象编码向量；将气象编码向量先经过一个全连接层，然后应用一个独立的门控循环单元GRU，之后输出气象支路的隐状态，从而得到气象特征： 其中，FC表示全连接操作；GRU表示以作为输入按照公式（3）-（6）的门控循环单元GRU的操作。

全文数据：

权利要求：

百度查询： 北京理工大学 基于气象因素嵌入神经网络的迁飞生物预测方法与系统