一种基于时空图神经网络的太阳黑子面积预测方法

YNAO OpenIR > 抚仙湖太阳观测和研究基地

	一种基于时空图神经网络的太阳黑子面积预测方法
	向南彬; 沈渤翔; 许婷婷; 邓林华; 毕以
申请（专利权）人	中国科学院云南天文台
专利号	ZL202411059659.4
申请号	CN202411059659.4
	2024-12-13
申请日期	2024-08-02
公开（公告）号	CN119128418A
公开日期	2024-12-13
IPC 分类号	G06F18/20 ; G06F18/10 ; G06F18/213 ; G06N3/042 ; G06N3/08 ; G06N3/084 ; G06F123/02
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 ; 太阳与太阳系 ; 计算机科学技术 ; 人工智能
产权排序	1
主权项	1.一种基于时空图神经网络的太阳黑子面积预测方法，其特征在于：包括以下步骤：S1、数据采集：从天文观察站获取太阳观测数据，包括太阳黑子的面积、位置和时间信息；S2、数据处理：对步骤S1中获得的样本数据进行清洗和预处理，然后将处理后的数据进行整合，挖掘相关联的太阳状态信息，形成多条相关的数据包；S3、构建时空图：基于观测数据构建太阳黑子的时空图；S4、时空图神经网络模型训练：使用时空图神经网络模型，对构建的时空图进行训练，模型会学习太阳黑子的时空关系，并将其与太阳黑子面积进行建模；S5、预测太阳黑子面积：利用已训练好的时空图神经网络模型，对未来的太阳黑子时空图进行预测。2.根据权利要求1所述的一种基于时空图神经网络的太阳黑子面积预测方法，其特征在于，所述步骤S2中的数据处理包括：数据清洗：检查和处理获取到的太阳观测数据中的错误、缺失值、异常值和重复值的过程，数据清洗技术包括去除重复值、填补缺失值、处理异常值和筛选有用的数据；数据转换：将太阳观测数据从原始格式转换为更适合分析的格式，数据转换技术包括数据编码、格式转换、数据规范化和聚合；数据整合：将来自不同来源和格式的太阳观测数据合并为一个统一的数据集，数据整合技术包括数据合并、连接和关联；特征工程：根据太阳观测数据领域知识和问题需求，从原始数据中提取、构造和选择合适的特征，以提高模型的性能和效果，特征工程技术包括特征提取、特征转换和特征选择；数据规约：在处理大规模太阳观测数据时，需要对数据进行规约，减少数据的规模和复杂性，提高计算效率，数据规约技术包括数据抽样、采样和维度降低；数据标准化：将太阳观测数据转换为具有相同尺度和范围，以消除数据之间的差异，数据标准化技术包括归一化和标准化；数据可视化：使用图表和图形可视化工具来展示和呈现太阳观测数据，帮助理解数据的分布、关系和趋势，数据可视化技术包括条形图、折线图、散点图和热力图。3.根据权利要求1所述的一种基于时空图神经网络的太阳黑子面积预测方法，其特征在于，所述步骤S3中构建时空图包括：S31、定义节点和边：将每个太阳黑子视为图中的节点，节点的特征为太阳黑子的面积和位置，根据太阳黑子之间的时间关系，定义边连接节点，通过计算太阳黑子之间的时间间隔或其他相关性指标来确定边的连接；S32、时空图的构建：根据定义的节点和边，构建太阳黑子的时空图结构，使用图数据结构或网络数据结构来表示时空图，每个节点代表太阳黑子的特征，而边表示太阳黑子之间的时间关系；S33、特征提取和编码：对于每个节点和边，进行特征提取和编码；S34、时空图的表示和存储：将构建的时空图表示为邻接矩阵，并存储在适当的数据结构中。4.根据权利要求3所述的一种基于时空图神经网络的太阳黑子面积预测方法，其特征在于，所述邻接矩阵是图数据结构中用于表示节点之间连接关系的一种方式，获取邻接矩阵的方法包括邻接列表表示法(Adjacency List)和邻接矩阵表示法(Adjacency Matrix)邻接列表表示法(Adjacency List)：在邻接列表表示法中，每个节点都有一个与之相邻的节点列表，获取邻接矩阵步骤包括：①创建一个二维矩阵，大小为节点的数量节点的数量，初始化所有元素为0；②遍历图中的每个节点，对于每个节点，找到与其相邻的节点列表；③将矩阵中对应的行和列的元素设置为1，表示两个节点之间存在连接关系。邻接矩阵表示法(Adjacency Matrix)：在邻接矩阵表示法中，使用一个二维矩阵来表示图中节点之间的连接关系，获取邻接矩阵步骤包括：①创建一个二维矩阵，大小为节点的数量节点的数量，初始化所有元素为0；②遍历图中的每条边，对于每条边，将矩阵中对应的元素设置为1，表示两个节点之间存在连接关系；③如果图是加权图，可以将矩阵中的元素设置为边的权重值，表示节点之间连接的强度。5.根据权利要求1所述的一种基于时空图神经网络的太阳黑子面积预测方法，其特征在于，所述步骤S4中使用图卷积神经网络对构建的时空图进行训练，模型会学习太阳黑子的时空关系，并将其与太阳黑子面积进行建模。6.根据权利要求1所述的一种基于时空图神经网络的太阳黑子面积预测方法，其特征在于，所述步骤S4中时空图神经网络模型训练过程包括：S41、数据准备：提取和准备训练数据，包括太阳黑子的时空图数据和相应的太阳黑子面积；S42、模型设计：设计时空图神经网络模型的结构，包括模型的层次和连接方式；S43、模型初始化：初始化时空图神经网络模型的权重参数；S44、前向传播：将训练数据通过时空图神经网络模型进行前向传播，生成预测结果；S45、损失函数定义：定义一个损失函数来衡量预测结果与真实标签之间的差异，损失函数包括均方误差(Mean Square Error，MSE)和交叉熵损失函数；S46、反向传播：使用反向传播算法计算模型参数的梯度，并根据梯度更新模型参数，使得损失函数最小化，优化算法包括随机梯度下降(Stochastic Gradient Descent，SGD)和Adam；S47、迭代训练：通过多次迭代，重复执行前向传播和反向传播步骤，利用训练数据不断优化模型参数，使得模型能够更好地拟合数据。
语种	中文
专利代理人	孙镜春
代理机构	北京箐昱专利代理事务所（普通合伙）
文献类型	专利
条目标识符	http://ir.ynao.ac.cn/handle/114a53/27846
专题	抚仙湖太阳观测和研究基地
作者单位	中国科学院云南天文台, 650000云南省昆明市官渡区羊方旺396号
第一作者单位	中国科学院云南天文台
推荐引用方式 GB/T 7714	向南彬,沈渤翔,许婷婷,等. 一种基于时空图神经网络的太阳黑子面积预测方法. ZL202411059659.4[P]. 2024-12-13.

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
CN119128418A-一种基于时空图（1077KB）	专利		开放获取	CC BY-NC-SA	浏览请求全文