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：郑州大学

摘要：本发明公开了基于D3AT‑LSTM模型的时空气温并行预测方法，本发明使用经过滑动窗口处理的历史气象观测序列“X”作为网络的输入。该气象数据被输入到结合并行注意力支路的3DCNN模块，通过三维卷积模块进行处理，发挥其在的较短序列间特征抽象能力，引入通道注意力机制来处理短序列特征间的重要度差异，为所有输入特征依据loss损失来自动学习特征权重，使其关注特定的时间通道，实现高阶的时空显著性特征的提取，每个时间节点的数据依次输入到LSTM循环神经单元中，来捕捉每个节点长时间序列下粗粒度的依赖关系。最后，将融合了不同维度特征的高维向量传入全连接层，最终得到预测气温的数值。

主权项：1.基于D3AT-LSTM模型的时空气温并行预测方法，其特征在于：所述D3AT-LSTM模型的网络结构包括输入层、结合并行注意力机制的三维卷积层和LSTM循环神经单元；输入层处理过的气象数据被输入到结合并行注意力机制的三维卷积层，通过三维卷积模块进行处理，并引入通道注意力机制实现高阶的时空显著性特征的提取；通过对多个相邻站点的数据进行融合，来提取和利用更多的空间信息，同时通过引入通道注意力机制，识别出不同时间通道上的重要特征，使网络聚焦于对预测结果影响大的特征；包括以下步骤：步骤1：输入层的处理：使用经过滑动窗口处理的历史气象观测序列“X”作为网络的输入；输入层负责输入网络所需的原始数据，所述原始数据是经过滑动窗口处理的历史气象观测序列，数据首先经过清洗和归一化处理，为神经网络提供稳定、合适的输入；为了使模型考虑到时间与空间上的复杂影响特征，输入层联合目标位置相邻坐标点的气象序列，构建融合时间-空间-多特征的超体素结构，将其作为后续网络的输入，使得后续模型关注到作用于气温的内外界复杂时空要素；步骤2：结合并行注意力机制的三维卷积层的处理：步骤1的经过处理的历史气象观测序列“X”被输入到结合并行注意力支路的3DCNN模块，通过三维卷积模块进行处理，并引入通道注意力机制实现高阶的时空显著性特征的提取；输入层处理过的气象数据被输入到结合并行注意力机制的三维卷积层，通过三维卷积模块进行处理，并引入通道注意力机制实现高阶的时空显著性特征的提取；步骤3：LSTM循环神经单元的应用：将每个时间节点的数据依次输入到LSTM循环神经单元中，来捕捉每个节点长时间序列下粗粒度的依赖关系；LSTM循环神经单元接收来自步骤2中三维卷积层的输出，并根据这些输出调整自身的内部状态，以适应气象序列的内部特征；步骤2中结合注意力机制的三维卷积模块提取气象序列的局部时空特征，挖掘气象序列全局的长时的依赖关系对气温的预测很重要；循环神经网络通过对上下文信息进行建模，获得输入特征的长时间依赖性；LSTM循环神经单元通过引入门控机制，防止因步长过长导致的记忆丢失和梯度弥散问题，有效处理长序列数据的依赖关系；步骤4：气温预测：将经步骤3中LSTM循环神经单元处理过的融合了不同维度特征的高维向量传入全连接层，最终得到预测气温的数值。

全文数据：

权利要求：

百度查询： 郑州大学 基于D3AT-LSTM模型的时空气温并行预测方法