CN119474678A 一种盐度时序预测方法及装置 （广东海启星海洋科技有限公司）

本发明实施例公开了一种盐度时序预测方将历史观测数据集输入至预测模型架构中进行据进行预处理的数据质控过程，保证了数据质2获取历史观测数据集，对所述历史观测数据集进行预处理，构建预测模型架构，将历史观测数据集输入至所述预测模型架构中进行训练和测试，采集实时盐度观测数据，将所述实时盐度观测数据输入至预测模型中从历史观测数据集中获取所有时间序列中任意时刻的观测值，并设置将历史观测数据集划分成多个样本，并基于DBSCAN聚类算法获取每个样本的样本个基于高斯核函数将历史观测数据集的数据中心与时间序列的索引对基于Transformer注意力机制，聚焦时间序列中任意数据点的权重分布点得到序列关根据先验关联点和序列关联点对历史观测数据集进预测模型构建模块：用于构建预测模型架构，将历史观测数据集输3预测结果输出模块：用于采集实时盐度观测数据，将所述实时10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机程4神经网络RNN及其变体时间长短记忆模型应用较为广泛，这类神经网络模型都会生成一组观测站点在监测数据时自动对数据进行检测[0014]判断样本个数是否大于设定密度阈值，当样本个数大于5[0018]基于Transformer注意力机制，聚焦时间序列中任意数据点的权重分布点得到序[0033]判断样本个数是否大于设定密度阈值，当样本个数大于6[0037]基于Transformer注意力机制，聚焦时间序列中任意数据点的权重分布点得到序所述计算机程序使得计算机执行本发明实施例第一方面公开的盐度时盐度观测数据输入至模型中实时输出预测结果，解决了时序预测在工业运用中数据集不78[0061]在时间序列检查时选择基于模型的方法。如果某个点的观察值和期望值差距过lx-l史观测数据集中剔除非核心样本。DBSCAN(Density_BasedSpatialClusteringof9常数据在特征空间中存在较大差异。AnomalyTransformer引入了一种新型的注意力模列中的时间关联(SeriesAssociation)，另一个分支用于捕捉先验关联(Prior核函数包含可学习的尺度sigma参数。序列关联是由标准Transformer中注意力计算获得，[0066]通过结合高斯核函数和Transformer注意力机制，能够充分利用数据的空间和时合理调整超参数可以提升下游任务效果；甚至有些超参数会影响模型的收敛性,使用合适超参数搜索问题的定义为：给定超参数x,对于每一组超参数xi,可以在目标函用的是优化后的PI采集函数。由于PI采集函数会选择具有最大可能性减小当前最小f(x+)一阶矩估计(梯度的移动平均)和二阶矩估计(梯度平方的移动平均)。其具体公式为，本次优化将adam优化器更换为NAdam优化器，NAdam在处理复杂通过梯度平方的平方根的移动平均来自适应地调整学习率。是使用,a修正梯度的方向。NAdam结合了Adam优化算法中的自适应学习率和动量技术，并引入了集输入至预测模型架构中进行训练，并将测试集输入至训练好的预测模型架构中进行测程序使得计算机执行实施例一中的盐度时序预测方法中的部分[0095]所述集成的单元若以软件功能单元的形式实现并作为独[0097]本领域普通技术人员可以理解所述实施例的各种方法中的部分或全部步骤是可介质包括只读存储器(Read_OnlyMemory，ROM)、随机存储器(RandomAccessMemory，timeProgrammabl