基于时间卷积网络的海洋数据在线预测与检测方法及系统与流程

本发明涉及海洋数据在线预测，特别是涉及基于时间卷积网络的海洋数据在线预测与检测方法及系统。

背景技术：

1、现如今，海洋观测手段包括台站、浮标、船只等，产生了大量的海洋数据，涵盖了海洋气象、盐度、温度等多种复杂变量。因此，海洋数据在线预测已经成为一项重要挑战。海洋数据是实时产生的，然而目前的深度学习模型通常采用基于离线学习的范式构建，这种算法只适用于数据分布变化幅度不大的离线场景，在海洋环境实时数据计算处理中无法保证性能。

2、面向海洋数据分布变化导致的推理难题，基于在线学习方法提升对海洋数据的智能分析能力。海洋数据中的“概念漂移”现象，即数据分布随时间不可预见地变化，模型无法实时适应这种变化，进而影响结果准确性。如果不加以处理，概念漂移可能会对海洋数据的分析和预测造成重大影响。

3、在海洋时序预测发展的历程中，通常采用传统的深度学习方法，定期更新模型以为模型注入新知识，但两次更新间隔的时期，数据的分布可能会发生变化，导致模型在新数据上的表现下降，从而对海洋观测系统产生极大的威胁。因此，通过数据流进行快速、即时学习的方法随之诞生。这种方法通常被称为“在线学习”或“终身学习”。然而在线学习模型需要具有一定的稳定性，能够在不断变化的数据环境中保持良好的表现，这对模型设计和算法选择提出了挑战。

4、在用于处理时间序列的深度学习方法中，它们专注于学习局部序列内的时间关系并增量更新单个模型，无法有效应对不断变化的数据流。

5、总之，面向海洋数据发生的“概念漂移”、“灾难性遗忘”等难题，需要确定一种性能好、适应性强的处理方法。有效结合人工智能算法，能够更好地适应海洋实时数据处理的需求，这是一项重大挑战。

技术实现思路

1、为解决海洋观测流式数据中存在“概念漂移问题”，以及深度学习模型在这类数据中应用出现性能下降与灾难性遗忘问题。本发明提供了基于时间卷积网络的海洋数据在线预测与检测方法及系统；本发明提出了更适用于海洋在线学习与推理场景的时间卷积神经网络在线预测深度学习模型ol-tcn。

2、一方面，提供了基于时间卷积网络的海洋数据在线预测与检测方法；

3、基于时间卷积网络的海洋数据在线预测与检测方法，包括：

4、构建自适应时间卷积网络；构建训练集，所述训练集为海洋监测历史时序数据；所述自适应时间卷积网络，是对原始时间卷积网络，加入多头自注意力机制，并在残差单元中引入自适应层；

5、将训练集，输入到自适应时间卷积网络中，对其进行训练，得到训练后的自适应时间卷积网络；训练过程中，将前k-1个时刻的海洋监测数据作为网络的输入值，将第k时刻的海洋监测数据作为网络的输出值；

6、获取待预测的海洋时序数据，将待预测的海洋时序数据输入到训练后的自适应时间卷积网络中，输出预测的海洋数据；将预测的海洋数据与设定阈值进行比较，确定预测的海洋数据是否发生异常。

7、另一方面，提供了基于时间卷积网络的海洋数据在线预测与检测系统；

8、基于时间卷积网络的海洋数据在线预测与检测系统，包括：

9、构建模块，其被配置为：构建自适应时间卷积网络；构建训练集，所述训练集为海洋监测历史时序数据；所述自适应时间卷积网络，是对原始时间卷积网络，加入多头自注意力机制，并在残差单元中引入自适应层；

10、训练模块，其被配置为：将训练集，输入到自适应时间卷积网络中，对其进行训练，得到训练后的自适应时间卷积网络；训练过程中，将前k-1个时刻的海洋监测数据作为网络的输入值，将第k时刻的海洋监测数据作为网络的输出值；

11、输出模块，其被配置为：获取待预测的海洋时序数据，将待预测的海洋时序数据输入到训练后的自适应时间卷积网络中，输出预测的海洋数据；将预测的海洋数据与设定阈值进行比较，确定预测的海洋数据是否发生异常。

12、再一方面，还提供了一种电子设备，包括：

13、存储器，用于非暂时性存储计算机可读指令；以及

14、处理器，用于运行所述计算机可读指令，

15、其中，所述计算机可读指令被所述处理器运行时，执行上述第一方面所述的方法。

16、再一方面，还提供了一种存储介质，非暂时性存储计算机可读指令，其中，当非暂时性计算机可读指令由计算机执行时，执行第一方面所述方法的指令。

17、再一方面，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法。

18、上述技术方案具有如下优点或有益效果：

19、(1)将多头自注意力机制与时间卷积网络结合可以更好地捕捉序列中的长期依赖关系和局部模式，使得模型能够更好地适应不同层次的序列特征，将全局信息更有效地融合到模型的表示中。提高模型的建模能力、泛化能力和表示能力，从而在各种序列建模任务中取得更好的性能。

20、(2)将残差调节器应用于时间卷积网络中，可以动态调整固定长度样本输入网络后的长度，使得模型能够提取不同时间尺度下的时序数据特征，对齐不同时间尺度的数据，从而提高对时序数据的理解和分析能力，增强模型的适用性和灵活性，减少模型中的参数量，从而降低模型的复杂度，提高模型的泛化能力和性能，更好地适应不同的任务和数据特征。基于自动机器学习的方式，针对每批数据优化模型网络形状，使学习每一批数据的模型有更加拟合的网络形状，进一步提升模型的性能。

21、(3)在线模型版本库的提出，对于时间卷积网络来说，可以提高整体模型在线学习的稳定性和可靠性。当模型在处理发生概念漂移的数据时，模型性能下降，可以通过模型库中的其他模型进行替换或者产生新的模型，从而减轻数据漂移的影响，并且模型库中的模型在面对周期性、规律性的数据流时，相似模型可以合并，从而很好的处理灾难性遗忘的难题。模型库中的多个模型具有不同的优势和适应能力，通过融合它们的预测结果可以更全面地捕捉数据的特征和模式，增强模型的适应性和泛化能力，减少了模型维护的成本和工作量。在模型的外部使用了在线模型版本库的方法，在数据分布发生变化时，可以产生新的模型适应实时的数据。在面向规律性、周期性的数据流时，可以合并模型来应对灾难性遗忘的问题。从而有效地应对数据流的复杂演化。

技术特征：

1.基于时间卷积网络的海洋数据在线预测与检测方法，其特征是，包括：

2.如权利要求1所述的基于时间卷积网络的海洋数据在线预测与检测方法，其特征是，所述构建自适应时间卷积网络，包括：

3.如权利要求2所述的基于时间卷积网络的海洋数据在线预测与检测方法，其特征是，所述第一改进型残差模块，用于在时序数据上放大或缩小特征维度来提取不同时间尺度下的特征，以及对齐不同时间尺度的数据；

4.如权利要求2所述的基于时间卷积网络的海洋数据在线预测与检测方法，其特征是，所述多头注意力机制层，包括：并列的第五分支、第六分支和第七分支；所述第五分支、第六分支和第七分支，均包括：若干个串联的线性层；第五分支的输入端用于输入查询向量query、第六分支的输入端用于输入键向量key、第七分支的输入端用于输入值向量value；

5.如权利要求1所述的基于时间卷积网络的海洋数据在线预测与检测方法，其特征是，所述方法还包括：

6.如权利要求1所述的基于时间卷积网络的海洋数据在线预测与检测方法，其特征是，所述方法还包括：

7.如权利要求1所述的基于时间卷积网络的海洋数据在线预测与检测方法，其特征是，所述方法还包括：判断任意两个训练后的自适应时间卷积网络的相似度，是否高于设定的阈值；如果高于设定的阈值，则表示两个网络相似，则对相似的两个网络进行合并，合并为一个网络；

8.基于时间卷积网络的海洋数据在线预测与检测系统，其特征是，包括：

9.一种电子设备，其特征是，包括：

10.一种存储介质，其特征是，非暂时性存储计算机可读指令，其中，当非暂时性计算机可读指令由计算机执行时，执行权利要求1-7任一项所述方法的指令。

技术总结本发明公开了基于时间卷积网络的海洋数据在线预测与检测方法及系统，其中方法包括：构建自适应时间卷积网络；构建训练集，所述训练集为海洋监测历史时序数据；所述自适应时间卷积网络，是对原始时间卷积网络，加入多头自注意力机制，并在残差单元中引入自适应层；将训练集输入到自适应时间卷积网络中对其进行训练，得到训练后的自适应时间卷积网络；训练过程中，将前K‑1个时刻的海洋监测数据作为网络的输入值，将第K时刻的海洋监测数据作为网络的输出值；获取待预测的海洋时序数据，将待预测的海洋时序数据输入到训练后的自适应时间卷积网络中，输出预测的海洋数据；将预测的海洋数据与设定阈值进行比较，确定预测的海洋数据是否发生异常。技术研发人员：赵志刚,李恩京,李响,王春晓,王英龙,李传涛,耿丽婷,郝彤阳,吴顺芳受保护的技术使用者：山东省计算中心（国家超级计算济南中心）技术研发日：技术公布日：2024/7/29