一种基于深层神经网络的台风路径预报方法技术

本发明专利技术公开了一种基于深层神经网络的台风路径预报方法，包括：S1、确定要预报的时刻，并获取m个预报机构的台风路径预报结果；S2、将步骤S1中获取的m个预报机构的台风路径预报结果按预报机构顺序排列成2个m×1大小的矩阵；S3、将步骤S2中的矩阵分别输入台风路径预报模型，得到台风路径预报结果。本发明专利技术构建的DNN台风路径预报模型，不需要占用庞大的计算机资源，耗时极短，计算效率高。与传统的集合预报方法相比，该方法是一种非线性的方法，能更好地模拟不同输入因子之间的相互作用，并且不需要人工调整经验参数，保证了方法的客观性与准确性。

【技术实现步骤摘要】
一种基于深层神经网络的台风路径预报方法
本专利技术属于大气
，涉及一种基于深层神经网络的台风路径预报方法。
技术介绍
台风在是热带海洋上生成的强烈天气过程。台风期间，在强风和低压的作用下，台风往往会引发山洪爆发、城市内涝、山体滑坡、泥石流等，对人类生命和财产造成巨大的损害。西北太平洋不仅是世界上台风生成数量最多的海盆，也是唯一一个一年四季都能观测到台风活动的海盆。对台风路径的预报有助于人们提前做好防范，减少损失。现有的台风路径预报的主要手段之一是采用动力模型，通过数值求解控制大气运动的物理方程，预报台风未来的移动趋势。但是，这种方法受到诸多因素的影响，包括物理模型本身的对流方案、行星边界层方案、长短波辐射方案、云微物理、次网格扩散等，以及模型所用的同化方法。而且，模型需要占用庞大的计算机资源并消耗大量的计算时间。台风路径预报的另一种方法---统计预报模型则是建立在台风路径与不同大气参数之间的历史关系之上，但是，这种方法主要基于对少数统计特征的简单回归，其预报精度仍有待提高。一些区域气象中心，如美国的国家飓风中心(NHC)，通常采用集合预报方法，将不同动力模型或机构对台风路径的预报结果结合起来，利用特定的公式进行拟合，得到最终的预报结果。但是，这类公式需要给定经验参数对预报结果进行校正，不同经验参数会给预报结果带来一定的影响。
技术实现思路
专利技术目的：本专利技术的目的是提供一种基于深层神经网络的台风路径预报方法。技术方案：本专利技术的一种基于深层神经网络的台风路径预报方法，包括以下步骤：S1、确定要预报的时刻，并获取m个预报机构的台风路径预报结果；S2、将步骤S1中获取的m个预报机构的台风路径预报结果按预报机构顺序排列成2个m×1大小的矩阵；S3、将步骤S2中的矩阵分别输入台风路径预报模型，得到台风路径预报结果。进一步的，步骤S1中m个预报机构的台风路径预报结果包括需要预报时刻的台风经度和纬度。进一步的，步骤S2具体为：将步骤S1获取的m个预报机构的台风路径预报结果中的经度和纬度按照预报机构的顺序分别排列成1个m×1大小的经度矩阵和一个m×1大小的纬度矩阵，其中，经度矩阵为：[预报机构1预报的经度，预报机构2预报的经度，...，预报机构m预报的经度]，纬度矩阵为：[预报机构1预报的纬度，预报机构2预报的纬度，...，预报机构m预报的纬度]。进一步的，步骤S3具体为：台风路径预报模型包括台风路径经度预报模型和台风路径纬度预报模型，将步骤S2中提取的经度矩阵和纬度矩阵分别输入台风路径经度预报模型和台风路径纬度预报模型，得到预报的台风路径的经度和纬度。更进一步的，台风路径经度预报模型和台风路径纬度预报模型基于深层神经网络进行构建，具体包括以下步骤：S31、构建学习m个预报机构的台风路径预报结果之间学习非线性过程的全连接层模块，首先构建台风路径经度预报模型，利用Keras内置的Sequential顺序模块，首先添加输入层，输入层输入数据为步骤S2中生成的m×1大小的经度矩阵；然后两个全连接层，第一个全连接层包含6个节点，第二个隐藏层包含4个节点；最后添加输出层，输出为预报值，选择‘sigmoid’为各层的激活函数σ(x)，其具体形式为：其中，e是自然对数的底数，x为每层的输出，σ(x)为每层的输入，选择‘mae’作为模型的损失函数，其具体形式为：其中，y是经度预报模型预报的24小时后台风经度，y_是24小时后台风的真实经度，n为训练组数据或验证组数据或测试组数据的样本数量；S32、收集m个预报机构台风历史预报数据，并将其划分为训练组数据、验证组数据和测试组数据，训练组数据用于训练台风路径经度预报模型并确定台风路径经度预报模型中全连接层之间连线的权重大小，验证组数据用于验证台风路径经度预报模型在训练过程中是否过拟合，测试组数据用于验证台风路径经度预报模型性能；S33、将台风路径经度预报模型的训练组数据和验证组数据输入台风路径经度预报模型，设置初始迭代次数epoch＝10000，初始批次大小batchsize＝200，初始学习率为0.001，每迭代500次学习率减小为0.5倍，设置损失函数为mae，优化函数为SGD；S34、通过调用Keras内置的model.fit函数来训练台风路径经度预报模型，并添加回调函数，保存迭代过程中对验证组损失函数值最小的台风路径经度预报模型，命名为台风路径经度预报模型A，待台风路径经度预报模型迭代次数完成后保存最后的台风路径经度预报模型，命名为台风路径经度预报模型B；利用测试组数据对台风路径经度预报模型A和台风路径经度预报模型B预报的经度进行检验，取误差最小的台风路径经度预报模型作为最终的台风路径经度预报模型；S35、然后按照步骤S31～S34的方法构建台风路径纬度预报模型，同样构建1个输入层，1个6个节点的全连接层，1个4个节点的全连接层，1个输出层；与台风路径经度预报模型不同的是：将输入层输入数据替换成m×1的纬度矩阵，其他设置相同；最终训练得到台风路径纬度预报模型A和台风路径纬度预报模型B，同样利用测试组数据对预报的纬度进行检验，取误差最小的台风路径纬度预报模型作为最终的台风路径纬度预报模型。有益效果：与现有技术相比，本专利技术具有以下优点：(1)本专利技术构建的基于深层神经网络(DeepNeuralNetwork，DNN)的台风路径预报模型，不需要占用庞大的计算机资源，耗时极短(几秒)，计算效率高。(2)本专利技术构建的基于深层神经网络(DNN)的台风路径预报模型，相比一般的集合预报方法，是一种非线性的方法，能更好地模拟不同输入因子之间的相互作用，并且不需要人工调整经验参数，保证了方法的客观性与准确性。(3)本专利技术构建的基于深层神经网络(DNN)的台风路径预报模型的预报精度优于一般的集合预报方法。附图说明图1是本专利技术方法流程图；图2是本专利技术神经网络框架图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。如图1所示，本专利技术的基于深层神经网络(DNN)的台风路径预报方法，包括以下步骤：S1、确定要预报的时刻，并获取m个预报机构的台风路径预报结果，包括需要预报时刻各预报机构预报的台风经度和纬度；本专利技术实施例以中国和日本官方的台风路径预报结果为例进行说明。台风路径预报结果包括需要预报时刻中国和日本官方预报的台风经度和纬度，例如当前时刻是2020年7月30日14时，需要预报24小时后(即2020年7月31日14时)的台风路径，则需要获取m个预报机构(即中国和日本官方机构)于2020年7月30日14时发布的24小时台风路径预报信息。S2、将步骤S1中的经度和纬度按照选择的m个预报机构的预报结果的顺序排列成2个m×1大小的矩阵，即1个m×1大小的经度矩阵和一个m×1大小的纬度矩阵；例如m个预报机构预报的台风经纬度分别是(120°E，20°N)、(121°E，21°N)...、(122°E，22°N)。则重新本文档来自技高网...

【技术保护点】
1.一种基于深层神经网络的台风路径预报方法，其特征在于，包括以下步骤：/nS1、确定要预报的时刻，并获取m个预报机构的台风路径预报结果；/nS2、将步骤S1中获取的m个预报机构的台风路径预报结果按预报机构顺序排列成2个m×1大小的矩阵；/nS3、将步骤S2中的矩阵分别输入台风路径预报模型，得到台风路径预报结果。/n

【技术特征摘要】
1.一种基于深层神经网络的台风路径预报方法，其特征在于，包括以下步骤：
S1、确定要预报的时刻，并获取m个预报机构的台风路径预报结果；
S2、将步骤S1中获取的m个预报机构的台风路径预报结果按预报机构顺序排列成2个m×1大小的矩阵；
S3、将步骤S2中的矩阵分别输入台风路径预报模型，得到台风路径预报结果。


2.根据权利要求1所述的基于深层神经网络的台风路径预报方法，其特征在于，步骤S1中m个预报机构的台风路径预报结果包括需要预报时刻的台风经度和纬度。


3.根据权利要求1所述的基于深层神经网络的台风路径预报方法，其特征在于，步骤S2具体为：将步骤S1获取的m个预报机构的台风路径预报结果中的经度和纬度按照预报机构的顺序分别排列成1个m×1大小的经度矩阵和一个m×1大小的纬度矩阵，其中，经度矩阵为：[预报机构1预报的经度，预报机构2预报的经度，...，预报机构m预报的经度]，纬度矩阵为：[预报机构1预报的纬度，预报机构2预报的纬度，...，预报机构m预报的纬度]。


4.根据权利要求1所述的基于深层神经网络的台风路径预报方法，其特征在于，步骤S3具体为：台风路径预报模型包括台风路径经度预报模型和台风路径纬度预报模型，将步骤S2中提取的经度矩阵和纬度矩阵分别输入台风路径经度预报模型和台风路径纬度预报模型，得到预报的台风路径的经度和纬度。


5.根据权利要求4所述的基于深层神经网络的台风路径预报方法，其特征在于，台风路径经度预报模型和台风路径纬度预报模型基于深层神经网络进行构建，具体包括以下步骤：
S31、构建学习m个预报机构的台风路径预报结果之间学习非线性过程的全连接层模块，首先构建台风路径经度预报模型，利用Keras内置的Sequential顺序模块，首先添加输入层，输入层输入数据为步骤S2中生成的m×1大小的经度矩阵；然后两个全连接层，第一个全连接层包含6个节点，第二个隐藏层包含4个节点；最后添加输出...

【专利技术属性】
技术研发人员：徐青，王充，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32