融合图卷积和注意力机制的GRU海面温度预测模型OA北大核心CSTPCD

海面温度(sea surface temperature,SST)是影响海洋气候变化的关键因素之一,SST的精确预测对海洋气象、航海等相关领域具有重要意义。为同时捕获空间和时间相关性,本文提出了一种融合图卷积(graph convolution,GC)和注意力机制的门控循环单元(gated recurrent unit,GRU)海面温度预测模型(graph convolutional recurrent unit-attention mechanism,GCRU-ATT)。GC将海洋表面空间构建成图形的拓扑结构,有效地挖掘数据特有的空间特征。首先,将门控循环单元中的矩阵乘法替换为图卷积运算,构成门控图卷积(graph convolutional recurrent unit,GCRU)层;应用GCRU层搭建模型主要结构,以提取数据的时空信息;其次,引入注意力机制为GCRU层输出信息分配不同的权重。最终,使用一个全连接的输出层输出海面温度预测结果。选取东海和渤海海域的SST数据建模,实验结果表明GCRU-ATT模型鲁棒性好,且其误差指标值低于已有的方法,预测精度较高。