技术特征：
1.基于深度神经网络的海水温度、盐度与流速的三维时空场联合预测方法，其特征在于，包括以下步骤：步骤1：从数据集中获取海洋数值模式输出的海水温度、盐度与流速的三维空间场历史时序数据；步骤2：将三维空间场海水温度、盐度与流速历史数据进行标准化处理；步骤3：将标准化后的数据集分为训练样本集、验证样本集与测试样本集；步骤4：建立深度神经网络模型，设置训练停止条件；步骤5：利用训练样本集与验证样本集对人工神经网络模型进行训练与参数选取，在达到训练停止条件后终止训练，防止神经网络过拟合；步骤6：利用测试样本集对神经网络预测结果进行评估计算，判断神经网络是否满足优化目标，从而获取用于预测海水温度、盐度与流速的优化神经网络模型；步骤7：获取前k个时刻海水温度、盐度与流速的海洋数值模式输出数据进行标准化，输入已训练的神经网络模型，自动获取下一时刻各要素对应三维空间场预测值，实现对各要素的联合预测。2.根据权利要求1所述的基于深度神经网络的海水温度、盐度与流速的三维时空场联合预测方法，其特征在于，是采用hycom海洋数值模式，采用glbv0.08-53.x数据集。3.根据权利要求1所述的基于深度神经网络的海水温度、盐度与流速的三维时空场联合预测方法，其特征在于，所述的历史时序观测数据的维度为(k,m,n,d)，其中k为输入数据时间序列中的时间步数，m为输入数据在纬向上的长度，n为输入数据在经向上的长度，d为输入数据对应三维空间场中的层数。4.根据权利要求1所述的基于深度神经网络的海水温度、盐度与流速的三维时空场联合预测方法，其特征在于，所述的数据标准化处理方法为：z＝(x-μ)/σ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中x为原始数据，z为标准化处理后的数据，μ为原始数据的均值，σ为原始数据的标准差。5.根据权利要求1所述的基于深度神经网络的海水温度、盐度与流速的三维时空场联合预测方法，其特征在于，所述的训练样本集为全部数据集的70％，所述的验证样本集为全部数据集的15％，所述的测试样本集为全部数据集的15％。6.根据权利要求1所述的基于深度神经网络的海水温度、盐度与流速的三维时空场联合预测方法，其特征在于，所述的人工神经网络模型包括四个并列的encoding
–
forecasting结构的convlstm网络、融合特征节点、四个并列的卷积层；所述四个并列的encoding
–
forecasting结构的convlstm网络用于对海水温度、盐度与流速中每种要素历史时间序列深层特征的提取；所述融合特征节点用于融合提取的海水温度、盐度与流速的深层特征，获取联合特征；所述四个并列的卷积层用于对联合特征分别进行卷积操作，获取各要素三维空间场下一时刻的预测结果。7.根据权利要求6所述的基于深度神经网络的海水温度、盐度与流速的三维时空场联合预测方法，其特征在于，所述的encoding
–
forecasting结构convlstm网络的输出维度为(m,n,p)，其中p为convlstm网络隐藏层状态数量；所述的联合特征的维度为(m,n,4
×
p)，所述的模型预测输出维度为(m,n,d)。
8.根据权利要求1所述的基于深度神经网络的海水温度、盐度与流速的三维时空场联合预测方法，其特征在于，所述的人工神经网络模型训练停止条件包括达到最大迭代次数、最佳训练时间、最小代价函数值、最小训练梯度。9.根据权利要求8所述的基于深度神经网络的海水温度、盐度与流速的三维时空场联合预测方法，其特征在于，所述的代价函数为：其中，g＝m
×
n
×
d，(x
t
,x
s
,x
un
,x
ue
)与分别为海水温度、海水盐度、南北方向流速、东西方向流速的真实值与模型预测值。
技术总结
本发明涉及基于深度神经网络的海水温度、盐度与流速的三维时空场联合预测方法。包括：神经网络输入海水温度、盐度与流速三种要素的三维空间场时间序列，利用encoding
技术研发人员：金乾隆 田宇 桑启明 俞建成 王晓辉
受保护的技术使用者：中国科学院沈阳自动化研究所
技术研发日：2021.07.13
技术公布日：2023/1/16