一种基于局部时空特征融合的覆冰预测方法

1.一种基于局部时空特征融合的覆冰预测方法，它包括：步骤1、采集传感器覆冰拉力以及气象数据构建数据集；所述构建数据集包括：构建覆冰拉力序列数据集:X＝{x t |t＝1,2...,n},x t ∈R l ,需要预测的拉力序列:Y＝{y t |t＝1,2...,n},y t ∈R l ，相对应的环境变量序列数据集:F＝{f t |t＝1,2...,n},f t ∈R l×9 ，样本数量为n，输入历史窗口大小为l；前向预测步数为p；步骤2、进行数据预处理；所述进行数据预处理的方法为：V＝(v-mean)/σ，其中mean为平均值，σ为标准差；取X、Y以及F的前60％为训练集，剩余的两个20％为验证集和测试集，构建训练集D train ＝(X 60％ ,F 60％ ,Y 60％ )，验证集D valid ＝(X 20％ ，F 20％ ，Y 20％ )，测试集D test ＝(X 20％ ，F 20％ ，Y 20％ )；步骤3、图网络构建；所述图网络构建的方法为：依次从训练集D train 中选择批处理样本B＝{x i ,f i ,y i |i＝1,2,...,b}，b为一个批次样本数量，为批次的每个样本按照半径r构建局部气象的k近邻图，处理的图结构为:G＝{g i |i＝1,2,...,b},g i ∈R k×l×9 ，输入网络的数据形式为:B′＝{x i ,g i ,y i |i＝1,2,...,b}；首先基于图注意力网络层，接受图结构数据g i 输入，每个图包含k个节点，每个节点特征向量为h i ，维度为d：h＝{h 1 ,h 2 ,...,h k },h i ∈R d ，节点j是节点i的邻居，则使用注意力机制计算节点j对于节点i的重要性：e ij ＝Attention(Wh i ,Wh j )，经过Attention之后，节点i的特征如下：最后基于LSTM网络，将节点i的特征h i ′以及拉力特征x i 拼接得到m t 作为网络输入；f t ，i t ，o t 分别为LSTM的遗忘门、输入门、输出门，C t 是记忆单元，s t 为隐藏层状态，LSTM的工作方式如下：f t ＝σ(W f ·[s t-1 ,m t ]+b f )i t ＝σ(w i ·[s t-1 ,m t ]+b i )o t ＝σ(w o ·[s t-1 ,m t ]+b o )h t ＝o t *tanh(C t )；步骤4、模型训练，直到训练条件终止，生成训练好的模型，用于预测未来覆冰拉力值。 2.根据权利要求1所述的一种基于局部时空特征融合的覆冰预测方法，其特征在于：它还包括：步骤5、为了验证基于局部时空特征融合的覆冰预测方法的有效性，采用真实数据集对基于局部时空特征融合的覆冰预测方法进行覆冰预测对比实验，将RMSE和MAE作为模型误差分析指标，用于评估各种方法的序列预测性能。 3.根据权利要求2所述的一种基于局部时空特征融合的覆冰预测方法，其特征在于：它还包括：所述误差分析指标计算公式如下：其中 代表预测的覆冰拉力，y i 代表真实的覆冰拉力值，n是测试数据集样本数量。 4.根据权利要求2所述的一种基于局部时空特征融合的覆冰预测方法，其特征在于：所述真实数据集每间隔60分钟进行采样，输入的历史窗口长度为48小时，预测长度为24小时，传感器终端数量303个，经过异常数据处理后，训练集16785条，验证集3895条，测试集4901条。 5.根据权利要求1所述的一种基于局部时空特征融合的覆冰预测方法，其特征在于：所述Attention的具体方法为：把向量h i 和h j 拼接，然后与向量 计算内积，激活函数采用LeakyReLU，公式如下：