一种基于深度学习的太阳活动预报方法及系统

YNAO OpenIR > 射电天文研究组

	一种基于深度学习的太阳活动预报方法及系统
	郑艳芳; 董亮; 潘业欣; 高冠男; 李雪宝; 闫鹏朝; 凌益
申请（专利权）人	中国科学院云南天文台
专利号	ZL202311108732.8
申请号	CN202311108732.8
	2023-12-08
申请日期	2023-08-30
公开（公告）号	CN117192652A
公开日期	2023-12-08
IPC 分类号	G01W1/10G06F16/951G06N3/0464G06N3/0442G06N3/084
授权国家	中国
专利类型	发明
专利状态	公开
学科领域	天文学
产权排序	1
摘要	本申请涉及一种基于深度学习的太阳活动预报方法及系统，其中，该方法包括：获取太阳数据；将所述太阳数据输入至太阳活动预报模型，得到太阳活动预报结果；所述太阳活动预报模型基于深度学习得到；本申请提供的基于深度学习的太阳活动预报方法，可以快速、准确地得到太阳活动预报结果，使得用户可以及时做出应对措施，降低太阳活动的影响。
主权项	1.一种基于深度学习的太阳活动预报方法，其特征在于，所述方法包括：获取太阳数据；所述太阳数据包括太阳观测文本数据、太阳观测图像数据、太阳活动区数据中的至少一项；所述太阳观测文本数据包括太阳活动周期数据、太阳X射线流量数据、F10.7指数数据、太阳射电流量数据、耀斑面积数据中的至少一项；所述太阳观测图像数据包括日面光学图像和/或太阳磁图；所述太阳活动区数据包括太阳活动区位置数据、太阳活动区面积数据、太阳活动区磁场强度数据中的至少一项；将所述太阳数据输入至太阳活动预报模型，得到太阳活动预报结果；所述太阳活动预报模型基于深度学习得到。 2.根据权利要求1所述的基于深度学习的太阳活动预报方法，其特征在于，所述太阳活动预报模型基于卷积神经网络CNN模型、单向长短期记忆LSTM模型、单向门控循环单元GRU模型、双向长短期记忆BLSTM模型、双向门控循环单元BGRU模型、带有注意力机制的单向长短期记忆LSTM_Att模型、带有注意力机制的单向门控循环单元GRU_Att模型、带有注意力机制的双向长短期记忆BLSTM_Att模型、带有注意力机制的双向门控循环单元BGRU_Att模型中的一项或多项得到。 3.根据权利要求2所述的基于深度学习的太阳活动预报方法，其特征在于，所述太阳活动预报模型包括由LSTM模型、GRU模型、BLSTM模型、BGRU模型、LSTM_Att模型、GRU_Att模型、BLSTM_Att模型、BGRU_Att模型中的任一模型与CNN模型组合得到的模型。 4.根据权利要求1-3中任一项所述的基于深度学习的太阳活动预报方法，其特征在于，所述太阳活动预报模型包括多个子预报模型；所述将所述太阳数据输入至太阳活动预报模型，得到太阳活动预报结果，包括：根据太阳活动预报任务，在所述多个子预报模型中选择第一子预报模型；将所述太阳数据输入至所述第一子预报模型中，得到所述太阳活动预报任务对应的太阳活动预报结果。 5.根据权利要求1所述的基于深度学习的太阳活动预报方法，其特征在于，所述方法还包括：在所述太阳数据满足预警条件时，发布太阳活动预警；所述预警条件通过对太阳射电爆发历史数据和/或太阳耀斑爆发历史数据进行分析得到。 6.根据权利要求1所述的基于深度学习的太阳活动预报方法，其特征在于，所述太阳射电流量数据包括通过太阳射电望远镜实时获取的第一太阳射电流量；所述太阳射电望远镜用于在多个监测频段内监测太阳射电流量；所述方法还包括：在所述多个监测频段内的第一太阳射电流量均达到影响阈值时，发布影响程度预警；其中，所述影响程度预警用于表示所述第一太阳射电流量对目标导航系统的性能的影响程度；所述影响阈值包括多个子影响阈值；不同的子影响阈值对应的影响程度预警所表示的所述影响程度不同。 7.一种基于深度学习的太阳活动预报系统，其特征在于，所述系统包括：获取模块，用于获取太阳数据；所述太阳数据包括太阳观测文本数据、太阳观测图像数据、太阳活动区数据中的至少一项；所述太阳观测文本数据包括太阳活动周期数据、太阳X射线流量数据、F10.7指数数据、太阳射电流量数据、耀斑面积数据中的至少一项；所述太阳观测图像数据包括日面光学图像和/或太阳磁图；所述太阳活动区数据包括太阳活动区位置数据、太阳活动区面积数据、太阳活动区磁场强度数据中的至少一项；预报模块，用于将所述太阳数据输入至太阳活动预报模型，得到太阳活动预报结果；所述太阳活动预报模型基于深度学习得到。 8.根据权利要求7所述的基于深度学习的太阳活动预报系统，其特征在于，所述太阳活动预报模型基于卷积神经网络CNN模型、单向长短期记忆LSTM模型、单向门控循环单元GRU模型、双向长短期记忆BLSTM模型、双向门控循环单元BGRU模型、带有注意力机制的单向长短期记忆LSTM_Att模型、带有注意力机制的单向门控循环单元GRU_Att模型、带有注意力机制的双向长短期记忆BLSTM_Att模型、带有注意力机制的双向门控循环单元BGRU_Att模型中的一项或多项得到。 9.根据权利要求8所述的基于深度学习的太阳活动预报系统，其特征在于，所述太阳活动预报模型包括由LSTM模型、GRU模型、BLSTM模型、BGRU模型、LSTM_Att模型、GRU_Att模型、BLSTM_Att模型、BGRU_Att模型中的任一模型与CNN模型组合得到的模型。 10.一种电子设备，其特征在于，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为在执行所述存储器存储的指令时，实现权利要求1-6中任一项所述的方法。
语种	中文
专利代理人	李茂家 ; 周蕾
代理机构	北京林达刘知识产权代理事务所（普通合伙）
文献类型	专利
条目标识符	http://ir.ynao.ac.cn/handle/114a53/26383
专题	射电天文研究组
作者单位	中国科学院云南天文台, 云南省昆明市官渡区金马街道396号羊方旺
推荐引用方式 GB/T 7714	郑艳芳,董亮,潘业欣,等. 一种基于深度学习的太阳活动预报方法及系统. ZL202311108732.8[P]. 2023-12-08.

条目包含的文件
文件名称/大小	文献类型	版本类型	开放类型	使用许可
CN117192652A-一种基于深度学（1786KB）	专利		开放获取	CC BY-NC-SA	浏览请求全文