Spark平台下的海表面温度并行预测算法     

贺琪  查铖  孙苗  姜晓轶  戚福明  黄冬梅  宋巍 《海洋通报》2019,38(3)

面对海量的海表面温度数据,如何使用大数据处理平台和新的处理技术来实时处理、分析并预测海表面温度数据,是一个亟待解决的问题。本文基于现阶段的时间序列方法和专家意见,首先,将类比合成方法引入到海表面温度预测应用中;其次,基于Spark平台提出了一种改进的快速DTW算法SparkDTW;最后,为了充分利用通过时间序列挖掘得到的信息,将SparkDTW与SVM相结合,提出了SparkDTW+SVM混合模型,为海表面温度预测的应用研究提供了较好的理论基础和技术支持。实验结果表明,SparkDTW算法预测精度优于SVM,提高了海表面温度预测效率,验证了将类比合成方法应用在海表面温度预测的可行性;SparkDTW+SVM在精度方面要优于SparkDTW和SVM,表明SVM模型能充分利用时间序列挖掘的信息,验证了SparkDTW+SVM在海表面温度预测的有效性。  相似文献   

结合注意力机制的区域型海表面温度预报算法     

查铖  贺琪  宋巍  郝增周  黄冬梅  胡泽煜 《海洋通报》2020,39(2):191-199

海表面温度预报在海洋相关领域具有重要的实用价值,随着遥感信息采集技术的不断发展和完善,区域内海表面温度数据采集的完整性得到了保障。现今大多数方法在预报海表面温度时,只考虑了海表面温度的时间相关性,并未利用其空间相关性,使得预报精度受到限制。针对该问题,本文将区域内每天的海表面温度数据作为一个矩阵输入模型,便于时间和空间信息的提取,并提出了CA-ConvLSTM模型来预报海表面温度。该模型首先利用卷积层对海表面温度矩阵进行局部特征提取,然后通过注意力模型为矩阵序列分配权重,将权重与矩阵序列对应相乘得到加权特征序列,最后,利用ConvLSTM进行预报,获得未来一天或五天内的海表面温度。通过实验确定模型的结构、输入尺寸和k值,再将CA-ConvLSTM与SVR、LSTM和ConvLSTM进行对比。实验结果表明:CA-ConvLSTM的均方根误差(Root Mean Square Error,RMSE)和预报精度(Prediction Accuracy,PACC)指标均要优于其他三种预报方法,验证了本文方法的有效性。  相似文献