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！

龙图腾网获悉新疆大学申请的专利基于注意力机制TCN-LSTM模型的表层海流预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117195958B 。

龙图腾网通过国家知识产权局官网在2025-10-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311390469.6，技术领域涉及：G06N3/045；该发明授权基于注意力机制TCN-LSTM模型的表层海流预测方法是由安毅;孙庆宇设计研发完成，并于2023-10-24向国家知识产权局提交的专利申请。

本基于注意力机制TCN-LSTM模型的表层海流预测方法在说明书摘要公布了：本发明属于海洋测绘技术领域，一种基于注意力机制TCN‑LSTM模型的表层海流预测方法，包括以下步骤：1通过数据采集模块采集表层海流真实数据，2采用实验数据处理模块处理表层海流数据，3采用模型搭建模块构造注意力机制TCN‑LSTM表层海流预测模型，4对表层海流数据进行验证和测试，5对神经网络模型进行预测。本发明方法利用长短期记忆网络特点以及时间卷积的优势，同时加入了注意力机制，通过对WaMoSII系统测得的某海域的真实历史海洋数据处理后进行预测。本发明提出的方法预测表层海流流速准确度达到了92.9％，流向准确率高达90.4％。

本发明授权基于注意力机制TCN-LSTM模型的表层海流预测方法在权利要求书中公布了：1.一种基于注意力机制TCN-LSTM模型的表层海流预测方法，其特征在于，包括以下步骤： 步骤1、通过数据采集模块采集表层海流真实数据，使用WaMoSII雷达系统在某海域上采集连续时间的海洋参数，包括采集时间、表层海流信息流速Usp、流向Udir，最大波高Hmax及平均波周期Tm2，具体包括以下子步骤： a选择宽阔海域，使用WaMoSII浪流监测系统固定在岸边，连接远程PC用于数据分析和储存； b记录采集开始时间，设置采集图像数量为32，存储方式为pol文件，笛卡尔框的大小设置为256*128，用于处理分析数据； c将WaMoSII通过图像反演得到的表层海流数据导出excel表格数据； 步骤2、采用实验数据处理模块处理表层海流数据，具体包括以下子步骤： a对表层海流数据异常进行处理，剔除掉异常值后填充，使用k近邻法填充空值，以保证预测效果，k近邻距离公式通过公式1进行描述， 其中，a表示特征值的次序，xi表示第一样本，xj表示第二样本，k的选取也决定着模型的好坏，k不能过大或者过小，过大可能或导致降低其泛化能力，如果过小则会影响精度，k表示多维空间中根据欧氏距离找到与待测样本最近邻的点的个数，这里k取值为8； b流向数据处理，对流向进行三角函数变换，其中流向从0°到360°变化起伏很大，这使得预测难度增加，由于360°分界线之间流向呈现断崖式跨越，在预测的过程中会导致流向预测的不稳定性，在使用深度学习方法预测角度时，从0到360度的角度转换为一个连续的、实数范围内的值，使用正弦函数或余弦函数进行编码，然后将其用作模型的输入，最后将得到的预测值通过反三角函数使其还原到正常区间即可； c采用连续小波变换对表层海流数据进行处理，连续小波变换公式通过公式2进行描述， 其中，xt表示输入信号，表示小波基函数，表示小波基函数的共轭，a表示连续小波变换中的尺度参数，b表示连续小波变换中的平移参数；小波变换对于去除表层海流数据中的噪声具有好的效果，通过分析表层海流数据中不同尺度的小波系数，进行有效的去噪处理，更好地提取出信号中的真实特征，用于后续模型的训练和测试； d对表层海流数据进行归一化处理，归一化公式通过公式3进行描述 其中，x表示表层海流原始数据，xmax表示表层海流原始数据集中的最大值、xmin表示表层海流原始数据集中的最小值； 步骤3、采用模型搭建模块构造注意力机制TCN-LSTM表层海流预测模型，通过LSTM处理输入表层海流数据，注意力机制将表层海流数据转换为查询query、键key和值value的形式，具体包括以下子步骤： a构建LSTM单元，将处理后的表层海流数据输入LSTM单元中，输入维度为t*n，其中：t是时间长度为16000，n是特征维度为5，LSTM层数为6，隐 藏层单元为20，经过第一层LSTM处理后，得到输出16000，20的二维数组，将这个输出作为第二层LSTM的输入，经过第二层LSTM处理后，得到的输出仍然是一个16000，20的二维数组，以此类推；LSTM单元结构主要包含输入门、遗忘门及输出门，计算公式通过公式4、5、6、7、8进行描述， it＝σWi·[ht-1,xt]+bi4 ft＝σWf·[ht-1，xt]+bf5 ot＝σWo[ht-1,xt]+bo6 ht＝ot*tanhCt8 其中：Wi、bi分别表示输入门的状态权重和偏置项，Wf、bf分别表示遗忘门的状态权重和偏置项，Wo、bo分别表示输出门的状态权重和偏置项，σ为sigmoid激活函数，ht-1为t-1时刻的隐藏状态，表示tanh层用来生成新的候选记忆单元，Ct表示候选记忆单元，ht表示隐藏状态是由输出门ot和候选记忆单元Ct决定；将选定的特征转换为LSTM模型可接受的输入格式，再把处理后的表层海流时间序列数据转化为二维数组形式，其中一个维度表示时间步，另一个维度表示特征，在每个时间步，LSTM单元会根据当前时间步的输入和前一时间步的隐藏状态进行计算，得到当前时间步的输出和新的隐藏状态； b构建TCN-LSTM模型，将LSTM的输出输入到TCN模型结构中，在LSTM模型之后添加一个卷积层作为TCN的起始点，将LSTM模型的输出转换为适合于TCN的特征表示形式；TCN模型主要包含多个卷积层，每个卷积层由一个卷积核和一个非线性激活函数组成，卷积核在时间维度上滑动以捕捉输入序列的局部模式，从而提取表层海流之间的特征信息；模型中包含3个残差模块，卷积层数为3，前两个设置卷积核数量为32，最后一个卷积核数量设置为16，卷积核大小为3，膨胀因子分别为1、2、4，这样设计使得模型在训练时更好的捕捉表层海流的全局特征，将LSTM16000,20的输出作为输入传递给3层TCN，每层TCN都有不同的卷积核数量和膨胀因子；第一层TCN具有32个卷积核，膨胀因子为1，卷积核大小为3，经过第一层TCN处理后，输出是16000,32的二维数组；第二层TCN也具有32个卷积核，膨胀因子为2，卷积核大小为3，经过第二层TCN处理后，输出是16000,32的二维数组；第三层TCN具有16个卷积核，膨胀因子为4，卷积核大小为3，经过第三层TCN处理后，输出是16000,16的二维数组；加入池化层，将全局平均池化层添加到TCN的最后，以减少特征图的维度并提取整体上的特征，每一层TCN中当前时刻t只与当前以及t时刻之前的信息有关，通过公式9进行描述， yt＝fx1，x2，…xt9 其中：xt为一维向量，yt表示预测变量，f表示二者之间建立的函数，对于输入序列而言，卷积公式通过公式10进行描述， 其中：s表示输入时序表层海流信息，d为膨胀因子，k为滤波器大小，s-d·i为前序时间的位置信息； c在TCN卷积后加入注意力机制模块，注意力机制来源于机器视觉，是在处理信息时，忽略掉其他不重要的信息，注意力机制的函数通过公式11进行描述， 其中：k1,km为输入键序列，v1,vm为对应值序列，所对应的查询向量为q，为了解决向量维度对权重的影响，采用缩放点积注意力机制，其中注意力的评分函数为a，通过公式12进行描述， 其中：dk为输入向量的维度，k与查询向量q保持相同长度，kT为输入向量的转置矩阵； 将表层海流数据转换为查询query、键key和值value的形式，通过计算查询与每个键之间的相似度，来衡量查询与不同键之间的相关性，在这一步中，使用相似度来计算每个键对应的注意力权重，使用Softmax函数将相似度转化为注意力权重，使得所有键对应的注意力权重总和为1，每个值乘以对应的注意力权重，并对所有加权值进行求和，根据加权求和得到的结果，生成最终的输出；注意力机制的引入是帮助模型自动学习输入序列中的重要信息，使得模型能够更加关注表层海流之间的关键时刻和重要特征，通过TCN模型提取表层海流之间的特征信息输入到注意力机制中分配权重，分配完的数据输出到全连接层，计算后得到表层海流流速和流向结果，输入16000,16的二维数组传递到注意力机制中进行处理，最终输出的是一个16的一维数组； d将经过注意力加权的特征向量作为全连接层的输入，设置全连接层的参数，包括输入维度应该与注意力机制中的输出维度相匹配为16，输出维度设置为1，得到一个单独的数值作为输出，计算得到相应的yt、yt+2、yt+4时刻的表层海流参数； e采用滑动窗口，设置滑动窗口数量为10，步长为1，对输出得到的表层海流流速usp和流向uidr计算误差，验证模型的可行性； 步骤4、对表层海流数据进行验证和测试，将雷达系统WaMoSII采集的真实表层海流数据，测量天数为12天，共计1.6万组，再把这些表层海流数据按照训练集、验证集、测试集为8：1：1进行划分，用后2天的表层海流数据进行验证和测试； 步骤5、对神经网络模型进行预测，将处理好的表层海流数据输入到搭建好的神经网络模型来进行预测，将表层海流数据按照滑动窗口的方法进行输入，设定窗口的大小为10，输入特征为5，输出特征为表层海流流速Usp和表层海流流向Udir，每个模型的参数batch_size为512，LSTM隐含层为20，初始学习率为0.01，Relu为激活函数，包含3个残差模块，迭代次数为100，预测未来第1、2、4个时刻的表层海流流速值，对测试集做出连续的表层海流流速预测，优化算法为Adam，通过迭代快速计算出mini-batch表层海流中的梯度，将输出得到的表层海流流速和流向进行误差计算，主要误差评价指标为平均绝对误差MAE、平均绝对百分比误差MAPE、均方根误差RMSE和决定系数R2，通过公式13至16进行描述， 其中：yi表示表层海流数据第i个真实值，表示表层海流数据第i个预测值，表示表层海流数据预测的平均值，R2越大预测性能越好，其余指标越小，预测精度越高。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人新疆大学，其通讯地址为：830017 新疆维吾尔自治区乌鲁木齐市水磨沟区华瑞街777号新疆大学博达校区；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。