一种跨模态特征融合的钱塘江涌潮高度预测方法

本发明涉及钱塘江涌潮高度预测领域，尤其涉及一种跨模态特征融合的钱塘江涌潮高度预测方法。

背景技术：

1、随着深度学习技术在时间序列预测领域的广泛应用和成熟，其在处理复杂、非线性和高维度数据方面的显著优势已得到了广泛认可。这一技术已在金融、能源、交通以及气候和环境等多个重要领域得到了成功应用，为这些领域提供了新的解决方案和视角。钱塘江作为浙江省最大的江河，其流域面积、流域人口以及所产生的gdp值均约占全省的一半。钱塘江的涌潮现象对环境设施和当地居民的日常生活具有十分重要的影响，实现涌潮的精准预测在防潮安全、涉江工程建设、旅游服务、航运以及水资源利用等方面存在重要意义。

2、在涌潮这种复杂现象的预测中，多个影响因素的相互作用构成了一种复杂的非线性关系，仅仅使用单一数据源或模态难以全面捕捉这些因素间的动态交互，这限制了传统预测方法的效果。为了克服这一挑战，多模态融合策略显得尤为重要。该方法通过集成多种不同模态的数据，丰富了输入数据的表达，从而为预测模型提供了更为全面的信息。这使得模型能够更深入地理解和精确捕捉影响涌潮的各种因素及其相互作用。此外，传统的自回归预测方法在处理多步预测任务时常常面临严重的累计误差问题。由于每一步的预测都依赖于前一步的输出，任何初期的小误差都可能在序列的后续预测中被放大，从而影响整体预测的准确性和可靠性。因此，开发新的预测方法以减少累计误差，提高多步预测的准确度，是当前研究的一个重要方向。

技术实现思路

1、为克服现有技术不足，本发明旨在提出了一种跨模态特征融合的钱塘江涌潮高度预测方法，采用跨模态特征融合的方法对涌潮序列与其他关键气象数据进行整合，同时使用生成式解码器的设计避免了多步预测中的累计误差问题。

2、本发明为了达到以上目的，所采用的技术方案包括以下步骤：

3、第一方面，本发明提供了一种跨模态特征融合的钱塘江涌潮高度预测方法，其包括：

4、s1、获取目标时段之前的钱塘江涌潮高度历史序列以及钱塘江区域气象数据历史序列，并通过数据预处理使其满足模型输入要求，其中历史气象数据类型包括风力风速数据、气温数据、降水数据以及气压数据四种模态；

5、s2、获取经过预训练的钱塘江涌潮高度预测模型，所述钱塘江涌潮高度预测模型由基于跨模态特征融合的编码器和生成式解码器组成；所述编码器中，先将模型输入中每一种类型的钱塘江区域气象数据历史序列分别通过卷积层处理以提取气象数据关键空间特征，随后分别通过自注意力层对卷积层处理后的每一种气象数据关键空间特征和模型输入中的钱塘江涌潮高度历史序列应用自注意力机制，获得调整特征重要性后的多模态特征，最后将自注意力处理后的多模态特征沿特征维度进行拼接融合，得到的融合特征；所述解码器中，先将所述编码器得到的融合特征与一个长度等于待预测序列的占位符嵌入进行拼接，拼接得到的输入特征通过全连接网络得到输出序列；

6、s3、将s1中数据预处理后的钱塘江涌潮高度历史序列以及钱塘江区域气象数据历史序列输入经过预训练的钱塘江涌潮高度预测模型中，得到目标时段对应的钱塘江涌潮高度预测序列。

7、作为上述第一方面的优选，所述风力风速数据采用东西方向的风速矢量u10指标。

8、作为上述第一方面的优选，所述数据预处理包括对各模态数据的历史序列依次进行缺失值补全、重采样和归一化。

9、作为上述第一方面的优选，所述钱塘江区域气象数据历史序列在进行所述重采样时，需将每个历史时刻的钱塘江区域气象数据空间分布图重采样至相同的空间分辨率，同时钱塘江区域气象数据的时间分辨率需重采样至与所述钱塘江涌潮高度历史序列的时间分辨率相同。

10、作为上述第一方面的优选，所述归一化采用最大最小值归一化。

11、作为上述第一方面的优选，所述钱塘江涌潮高度预测模型在用于实际推理之前需预先采用标注数据集进行监督训练，训练过程中以最小化损失函数值为目标，使用adam作为模型的优化器来调整网络参数，并引入早停(earlystopping)机制控制训练的迭代循环。

12、作为上述第一方面的优选，训练所述钱塘江涌潮高度预测模型所采用的损失函数为钱塘江涌潮高度预测序列与真值标签之间的均方误差(mse)。

13、第二方面，本发明提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时，能实现如上述第一方面任一项所述的跨模态特征融合的钱塘江涌潮高度预测方法。

14、第三方面，本发明提供了一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，能实现如上述第一方面任一项所述的跨模态特征融合的钱塘江涌潮高度预测方法。

15、第四方面，本发明提供了一种计算机电子设备，其特征在于，包括存储器和处理器；

16、所述存储器，用于存储计算机程序；

17、所述处理器，用于当执行所述计算机程序时，能实现如上述第一方面任一项所述的跨模态特征融合的钱塘江涌潮高度预测方法。

18、本发明相对于现有技术而言，具有以下有益效果：

19、本发明使用了跨模态融合与生成式解码器的预测方法来实施钱塘江涌潮高度的预测。通过将潮高数据和气象数据的不同模态进行有效融合，本方法提供了一个更加全面的数据视角，增强了模型对于涌潮影响因素的理解和处理能力。此外，采用生成式解码器允许本发明一次性预测未来多个时间点的潮高，显著提高了预测效率，并减少了因逐步预测引起的误差累积。这种方法在确保预测精度的同时，也优化了计算资源的使用，使得涌潮预测更加快速和准确，为相关工作提供了重要的决策支持。

技术特征：

1.一种跨模态特征融合的钱塘江涌潮高度预测方法，其特征在于，包括：

2.如权利要求1所述的跨模态特征融合的钱塘江涌潮高度预测方法，其特征在于，所述风力风速数据采用东西方向的风速矢量u10指标。

3.如权利要求1所述的跨模态特征融合的钱塘江涌潮高度预测方法，其特征在于，所述数据预处理包括对各模态数据的历史序列依次进行缺失值补全、重采样和归一化。

4.如权利要求3所述的跨模态特征融合的钱塘江涌潮高度预测方法，其特征在于，所述钱塘江区域气象数据历史序列在进行所述重采样时，需将每个历史时刻的钱塘江区域气象数据空间分布图重采样至相同的空间分辨率，同时钱塘江区域气象数据的时间分辨率需重采样至与所述钱塘江涌潮高度历史序列的时间分辨率相同。

5.如权利要求3所述的跨模态特征融合的钱塘江涌潮高度预测方法，其特征在于，所述归一化采用最大最小值归一化。

6.如权利要求1所述的跨模态特征融合的钱塘江涌潮高度预测方法，其特征在于，所述钱塘江涌潮高度预测模型在用于实际推理之前需预先采用标注数据集进行监督训练，训练过程中以最小化损失函数值为目标，使用adam作为模型的优化器来调整网络参数，并引入早停(earlystopping)机制控制训练的迭代循环。

7.如权利要求6所述的跨模态特征融合的钱塘江涌潮高度预测方法，其特征在于，训练所述钱塘江涌潮高度预测模型所采用的损失函数为钱塘江涌潮高度预测序列与真值标签之间的均方误差(mse)。

8.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时，能实现如权利要求1～7任一项所述的跨模态特征融合的钱塘江涌潮高度预测方法。

9.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1～7任一所述的跨模态特征融合的钱塘江涌潮高度预测方法。

10.一种计算机电子设备，其特征在于，包括存储器和处理器；

技术总结
本发明公开了一种跨模态特征融合的钱塘江涌潮高度预测方法。本发明的钱塘江涌潮高度预测方法，通过跨模态融合的方法进行不同数据源之间的特征融合以及生成式解码器进行预测。这种方法有效地结合了潮高数据与气象数据，利用了各自数据的独特性质和互补信息，提高了模型对涌潮动态的理解和预测能力。生成式解码器的应用允许模型一次性预测未来的潮高趋势，不仅优化了预测流程的效率，还显著减少了逐步预测中可能出现的误差累积。

技术研发人员：王丽萍,金昊,王辉
受保护的技术使用者：浙江工业大学
技术研发日：
技术公布日：2024/9/23