【技术实现步骤摘要】
本公开涉及大数据，尤其是一种基于反向传播(bp)神经网络的夏季登陆中国台风数量预测方法、装置、设备及存储介质。
技术介绍
1、台风经常在夏季登陆中国东南沿海地区，造成当地严重的气象灾害。因此，提高夏季登陆中国台风的预测技巧，有利于中国防灾减灾。
2、目前，登陆台风的天气尺度预测技巧发展较快，气候尺度预测技巧亟需提高。登陆台风的季节预测是气候尺度预测的热点和难点。统计预测是台风季节预测的一个重要方法，得到了广泛应用。统计预测通过分析多年的气象数据，探索气象要素影响台风活动的物理机制，从而提出季节预测因子。
3、为了进一步提高台风预测技巧，气象学者利用预测因子建立了统计预测模型，提出了多种基于线性回归的统计预测模型，如多元线性回归模型。多元线性回归模型的流程为：生成样本数据，建立基于线性回归方法的预测模型，调试预测模型，以及使用预测模型对台风活动进行预测。
4、虽然基于线性回归的模型可以预测台风活动，但对非线性活动预测的缺陷可能在本质上限制了预测质量。因此，多元线性回归模型的台风预测水平难以显著提高。
技术实现思路
1、(一)要解决的技术问题
2、有鉴于此，本公开的主要目的在于提供一种基于bp神经网络的夏季登陆中国台风数量预测方法、装置、设备及存储介质。
3、(二)技术方案
4、本公开的一方面，提供了一种夏季登陆中国台风数量预测方法，包括：生成样本数据；构建基于bp神经网络的预测模型；调试预测模型；以及预测夏季登陆
5、其中，所述生成样本数据，包括：对再分析数据进行统计分析，获取春季热带印度洋与热带西太平洋的海表温度差异sstd、南海夏季风爆发时间smod和冬季热带东太平洋海表温度异常ssta的时间序列，作为预测模型的输入样本数据；对台风观测数据进行统计分析，获取夏季登陆中国台风数量tn的时间序列，作为预测模型的输出样本数据；
6、所述基于bp神经网络的预测模型，其网络结构包括输入层神经元、隐含层神经元和输出层神经元，其中：输入层神经元为3个，分别表征春季热带印度洋与热带西太平洋的海表温度差异、南海夏季风爆发时间和冬季热带东太平洋海表温度异常；隐含层为10-6-3结构，即3层、19个神经元；输出层神经元为1个，表征夏季登陆中国台风数量。
7、根据本公开的实施例，所述生成样本数据，还包括：将输入样本数据和输出样本数据划分为多组样本数据，每一组样本数据包括某一年的sstd、smod、ssta和tn；其中，较多组样本数据作为训练数据集，较少组样本数据作为回报数据集。
8、根据本公开的实施例，所述sstd＝sst1-sst2，其中sst1是地理坐标为(15°s-15°n，40°-90°e)的春季热带印度洋区域的海表温度平均值，sst2是地理坐标为(0°-15°n,125°-155°e)的春季热带西太平洋区域的海表温度平均值；所述smod为：每年4月1日后的第1候，其满足：up>0.5m/s且持续至少两候；其中，1候为5天，up为地理坐标为(5-15°n,110-120°e)的南海区域850-hpa纬向风的候平均值；所述ssta＝sst-sstc，其中，sst是地理坐标为(5°s-5°n，120°-170°w)的冬季热带东太平洋海表温度平均值，sstc是地理坐标为(5°s-5°n，120°-170°w)的1981-2010年冬季热带东太平洋海表温度平均值。
9、根据本公开的实施例，所述构建基于bp神经网络的预测模型，包括：
10、s21：配置基于bp神经网络的预测模型的网络结构；
11、s22：对sstd、smod、ssta和tn的样本数据进行归一化；
12、s23：设置神经元权重和偏置的初值；
13、s24：设置激活函数；
14、s25：使用输入样本数据的归一化结果计算输出层神经元的输出值；
15、s26：对输出层神经元的输出值进行反归一化，得到预测结果。
16、根据本公开的实施例，所述调试预测模型，包括：
17、s31：设置损失函数；
18、s32：设置损失函数阈值、学习率、迭代运算次数、隐含层结构、神经元权重和偏置随机初值、正则化方法和优化器等；
19、s33：使用训练数据集计算输出层神经元的输出值；
20、s34：计算损失函数值；
21、s35：判断损失函数值是否小于损失函数阈值或迭代运算次数是否大于其设置值？若迭代运算次数内损失函数值小于损失函数阈值或迭代运算次数大于其设置值，执行步骤s37；否则，执行步骤s36；
22、s36：使用梯度下降法反向逐层修正神经元权重和偏置值，执行步骤s33；
23、s37：计算训练结果与训练数据集中tn样本数据的相关系数、平均绝对误差；
24、s38：判断相关系数是否大于0.9且平均绝对误差是否小于0.5？若相关系数大于0.9且平均绝对误差小于0.5，执行步骤s39；否则，执行步骤s32；
25、s39：停止训练，记录最后一次迭代运算的神经元权重和偏置值，以进行回报；
26、s310：读取记录的神经元权重和偏置值，使用回报数据集和训练好的预测模型计算回报结果；
27、s311：计算回报结果与回报数据集中tn样本数据的相关系数、平均绝对误差；
28、s312：判断相关系数是否大于0.9且平均绝对误差是否小于1？若相关系数大于0.9且平均绝对误差小于1，执行步骤s313；否则，执行步骤s32；
29、s313：停止回报，以备预测。
30、根据本公开的实施例，所述预测夏季登陆中国台风数量，包括：
31、s41：使用再分析数据生成某年(yf)输入样本数据；
32、s42：使用调试好的预测模型计算yf预测结果。
33、本公开的另一方面，提供了一种夏季登陆中国台风数量预测装置，包括：
34、样本数据生成模块，用于生成样本数据，包括：对再分析数据进行统计分析，获取春季热带印度洋与热带西太平洋的海表温度差异sstd、南海夏季风爆发时间smod和冬季热带东太平洋海表温度异常ssta的时间序列，作为预测模型的输入样本数据；对台风观测数据进行统计分析，获取夏季登陆中国台风数量tn的时间序列，作为预测模型的输出样本数据；
35、预测模型构建模块，用于构建基于bp神经网络的预测模型，所述基于bp神经网络的预测模型的网络结构包括输入层神经元、隐含层神经元和输出层神经元，其中：输入层神经元为3个，分别表征春季热带印度洋与热带西太平洋的海表温度差异、南海夏季风爆发时间和冬季热带东太平洋海表温度异常；隐含层为10-6-3结构，即3层、19个神经元；输出层神经元为1个，表征夏季登陆中国台风数量；
36、预测模型调试模块，用于调试预测模型；以及...
【技术保护点】
1.一种夏季登陆中国台风数量预测方法，其特征在于，包括：
2.根据权利要求1所述的夏季登陆中国台风数量预测方法，其特征在于，所述生成样本数据，还包括：
3.根据权利要求2所述的夏季登陆中国台风数量预测方法，其特征在于，
4.根据权利要求1所述的夏季登陆中国台风数量预测方法，其特征在于，所述构建基于BP神经网络的预测模型，包括：
5.根据权利要求1所述的夏季登陆中国台风数量预测方法，其特征在于，所述调试预测模型，包括：
6.根据权利要求1所述的夏季登陆中国台风数量预测方法，其特征在于，所述预测夏季登陆中国台风数量，包括：
7.一种夏季登陆中国台风数量预测装置，其特征在于，包括：
8.一种电子设备，包括：
9.一种计算机可读介质，其上存储有计算机程序，该计算机程序被执行时实现权利要求1-6中任一项所述的夏季登陆中国台风数量预测方法。
10.一种计算机程序产品，包括：计算机可执行指令，所述指令被执行时用于实现权利要求1-6中任一项所述的夏季登陆中国台风数量预测方法。
【技术特征摘要】
1.一种夏季登陆中国台风数量预测方法，其特征在于，包括：
2.根据权利要求1所述的夏季登陆中国台风数量预测方法，其特征在于，所述生成样本数据，还包括：
3.根据权利要求2所述的夏季登陆中国台风数量预测方法，其特征在于，
4.根据权利要求1所述的夏季登陆中国台风数量预测方法，其特征在于，所述构建基于bp神经网络的预测模型，包括：
5.根据权利要求1所述的夏季登陆中国台风数量预测方法，其特征在于，所述调试预测模型，包括：
6.根据...
【专利技术属性】
技术研发人员：王磊，陈光华，王林，
申请(专利权)人：中国科学院大气物理研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。