CN109086540A - 一种构建热带气旋路径预报模型的方法及装置 - Google Patents
一种构建热带气旋路径预报模型的方法及装置 Download PDFInfo
- Publication number
- CN109086540A CN109086540A CN201810921019.8A CN201810921019A CN109086540A CN 109086540 A CN109086540 A CN 109086540A CN 201810921019 A CN201810921019 A CN 201810921019A CN 109086540 A CN109086540 A CN 109086540A
- Authority
- CN
- China
- Prior art keywords
- factor
- forecasting
- tropical cyclone
- model
- meteorologic parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 104
- 238000012512 characterization method Methods 0.000 claims abstract description 137
- 238000010276 construction Methods 0.000 claims description 51
- 238000009835 boiling Methods 0.000 claims description 35
- 230000002068 genetic effect Effects 0.000 claims description 35
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 238000000513 principal component analysis Methods 0.000 claims description 20
- 230000000875 corresponding effect Effects 0.000 claims description 17
- 238000010219 correlation analysis Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000001556 precipitation Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 5
- 241000406668 Loxodonta cyclotis Species 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 description 41
- 230000006870 function Effects 0.000 description 15
- 238000012549 training Methods 0.000 description 9
- 241000208340 Araliaceae Species 0.000 description 7
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 7
- 235000003140 Panax quinquefolius Nutrition 0.000 description 7
- 235000008434 ginseng Nutrition 0.000 description 7
- 238000007689 inspection Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000002688 persistence Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- JTJMJGYZQZDUJJ-UHFFFAOYSA-N phencyclidine Chemical class C1CCCCN1C1(C=2C=CC=CC=2)CCCCC1 JTJMJGYZQZDUJJ-UHFFFAOYSA-N 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000004236 Ponceau SX Substances 0.000 description 1
- 102000006463 Talin Human genes 0.000 description 1
- 108010083809 Talin Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种构建热带气旋路径预报模型的方法，包括根据热带气旋路径样本数据，构造预测时效为设定时长的第一数量的气候持续特征因子；根据数据时间间隔为所述设定时长的卫星遥感数据，分别计算得到所述卫星遥感数据中的各项气象参数与预报对象的特征因子；根据所述第一数量的气候持续特征因子以及所述卫星遥感数据中的各项气象参数与预报对象的特征因子，构建得到热带气旋路径预报模型。上述技术方案实现了构建自动预测热带气旋路径的预报模型，可以用于代替人工进行自动化的热带气旋路径预测。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种构建热带气旋路径预报模型的方法及装置。
背景技术
热带气旋是发生在热带、亚热带地区海面上的气旋性环流，是地球物理环境中最具破坏性的天气系统之一。强烈的热带气旋，不但形成狂风、巨浪，而且往往伴随发生暴雨、风暴潮，造成严重的灾害。虽然人类无法阻止热带气旋的形成，但是可以尝试预测热带气旋的移动路径，提前做好应对措施，降低热带气旋带来的不良影响。因此，对热带气旋路径的预报，成为降低热带气旋危害的重要工作。
通过监测热带气旋周围的大气压、气温、风速等天气参数，结合气旋形成条件以及气旋历史路径信息，可以通过数学计算来预测在热带气旋当前位置周围是否可以形成气旋，从而对热带气旋的下一时刻的位置进行预估，达到预测气旋移动路径的目的。上述处理过程需要大量的计算工作，需要人工进行统筹管理，会带来大量的人力消耗。随着人工智能技术的发展，人们希望能够研究出自动预测热带气旋路径的预报模型，代替人工进行自动化的热带气旋路径预测，减轻人们在热带气旋路径预报中的工作量。
发明内容
基于上述现有技术需求，本发明提出一种构建热带气旋路径预报模型的方法及装置，可以构建自动预测热带气旋路径的预报模型。
一种构建热带气旋路径预报模型的方法，包括：
根据热带气旋路径样本数据，构造预测时效为设定时长的第一数量的气候持续特征因子；
根据数据时间间隔为所述设定时长的卫星遥感数据，分别计算得到所述卫星遥感数据中的各项气象参数与预报对象的特征因子；其中，所述卫星遥感数据中的各项气象参数包括相当黑体温度、海表温度、云顶温度、降水指数，所述预报对象包括经度差和纬度差；
根据所述第一数量的气候持续特征因子以及所述卫星遥感数据中的各项气象参数与预报对象的特征因子，构建得到热带气旋路径预报模型。
可选的，该方法还包括：
重复执行以下操作，直到所述热带气旋路径预报模型的预报误差在设定的误差范围内：
计算得到所述热带气旋路径预报模型的预报误差；
根据所述热带气旋路径预报模型的预报误差，对所述热带气旋路径预报模型的运算参数进行调整。
可选的，所述根据数据时间间隔为所述设定时长的卫星遥感数据，分别计算得到所述卫星遥感数据中的各项气象参数与预报对象的特征因子，包括：
分别确定数据时间间隔为所述设定时长的卫星遥感数据中的，每个时刻的热带气旋中心位置周围设定区域内的各项气象参数的值；
通过相关性分析和主成分分析，分别确定所述每个时刻的热带气旋中心位置周围设定区域内的各项气象参数与预报对象的特征因子。
可选的，所述通过相关性分析和主成分分析，分别确定所述每个时刻的热带气旋中心位置周围设定区域内的各项气象参数与预报对象的特征因子，包括：
针对所述各项气象参数，分别执行以下操作：
通过相关普查分析，分别确定在所述每个时刻的热带气旋中心位置周围设定区域内，所述气象参数与预报对象的高相关区域；其中，所述高相关区域是指气象参数与预报对象的相关性超过设定阈值的区域；
针对每个高相关区域，分别执行以下操作：
从所述高相关区域中选择与所述预报对象的相关性最高的第二数量的所述气象参数；
计算所述设定数量的所述气象参数的值的平均值，作为对应所述高相关区域的，所述气象参数与预报对象的特征因子；
以及，
对所述高相关区域中的所述气象参数与所述预报对象进行主成分分析，得到所述高相关区域中的所述气象参数的各个主成分；
根据所述各个主成分，计算得到对应所述高相关区域的，所述气象参数与所述预报对象的特征因子。
可选的，所述根据所述第一数量的气候持续特征因子以及所述卫星遥感数据中的各项气象参数与预报对象的特征因子，构建得到热带气旋路径预报模型，包括：
根据所述热带气旋路径样本数据，从所述第一数量的气候持续特征因子中选择模型构造特征因子；
利用所述模型构造特征因子，以及所述卫星遥感数据中的各项气象参数与预报对象的特征因子，构造基于遗传神经网络的热带气旋路径预报模型。
可选的，所述根据所述热带气旋路径样本数据，从所述第一数量的气候持续特征因子中选择模型构造特征因子，包括：
根据所述热带气旋路径样本数据，计算得到所述热带气旋在第二时刻的中心位置相对于所述热带气旋在第一时刻的中心位置的位置变化量；
通过计算所述位置变化量与所述第一数量的气候持续特征因子中的每个气候持续特征因子的相关性，从所述第一数量的气候持续特征因子中选择出第三数量的显著特征因子；
对所述第一数量的气候持续特征因子中的，未被选为显著特征因子的气候持续特征因子进行降维分析处理并构建相似矩阵；
从所述相似矩阵中提取得到第四数量的主要特征向量，并提取所述第四数量的主要特征向量的特征因子，得到第四数量的高相关特征因子；
综合所述第三数量的显著特征因子和所述第四数量的高相关特征因子，得到模型构建特征因子。
一种构建热带气旋路径预报模型的装置，包括：
因子构造单元，用于根据热带气旋路径样本数据，构造预测时效为设定时长的第一数量的气候持续特征因子；
因子计算单元，用于根据数据时间间隔为所述设定时长的卫星遥感数据，分别计算得到所述卫星遥感数据中的各项气象参数与预报对象的特征因子；其中，所述卫星遥感数据中的各项气象参数包括相当黑体温度、海表温度、云顶温度、降水指数，所述预报对象包括经度差和纬度差；
模型构建单元，用于根据所述第一数量的气候持续特征因子以及所述卫星遥感数据中的各项气象参数与预报对象的特征因子，构建得到热带气旋路径预报模型。
可选的，该装置还包括：
模型校验单元，用于重复执行以下操作，直到所述热带气旋路径预报模型的预报误差在设定的误差范围内：计算得到所述热带气旋路径预报模型的预报误差；根据所述热带气旋路径预报模型的预报误差，对所述热带气旋路径预报模型的运算参数进行调整。
可选的，所述因子计算单元，包括：
参数确定单元，用于分别确定数据时间间隔为所述设定时长的卫星遥感数据中的，每个时刻的热带气旋中心位置周围设定区域内的各项气象参数的值；
分析处理单元，用于通过相关性分析和主成分分析，分别确定所述每个时刻的热带气旋中心位置周围设定区域内的各项气象参数与预报对象的特征因子。
可选的，所述模型构建单元，包括：
因子选择单元，用于根据所述热带气旋路径样本数据，从所述第一数量的气候持续特征因子中选择模型构造特征因子；
网络构造单元，用于利用所述模型构造特征因子，以及所述卫星遥感数据中的各项气象参数与预报对象的特征因子，构造基于遗传神经网络的热带气旋路径预报模型。
本发明技术方案根据热带气旋路径样本数据，构造预测时效为设定时长的第一数量的气候持续特征因子；以及根据数据时间间隔为所述设定时长的卫星遥感数据，分别计算得到所述卫星遥感数据中的各项气象参数与预报对象的特征因子；然后根据所述第一数量的气候持续特征因子以及所述卫星遥感数据中的各项气象参数与预报对象的特征因子，构建得到热带气旋路径预报模型。上述处理过程实现了构建自动预测热带气旋路径的预报模型，可以用于代替人工进行自动化的热带气旋路径预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1是本发明实施例提供的一种构建热带气旋路径预报模型的方法的流程示意图；
图2是本发明实施例提供的另一种构建热带气旋路径预报模型的方法的流程示意图；
图3是本发明实施例提供的另一种构建热带气旋路径预报模型的方法的流程示意图；
图4是本发明实施例提供的热带气旋中心位置及其周围设定区域的示意图；
图5是本发明实施例提供的相当黑体温度与预报对象经度差的高相关区域示意图；
图6是本发明实施例提供的另一种构建热带气旋路径预报模型的方法的流程示意图；
图7是本发明实施例提供的另一种构建热带气旋路径预报模型的方法的流程示意图；
图8是本发明实施例提供的一种构建热带气旋路径预报模型的装置的结构示意图；
图9是本发明实施例提供的另一种构建热带气旋路径预报模型的装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种构建热带气旋路径预报模型的方法，参见图1所示，该方法包括：
S101、根据热带气旋路径样本数据，构造预测时效为设定时长的第一数量的气候持续特征因子；
具体的，上述热带气旋路径样本数据，是指从热带气旋历史资料数据中选取的36小时警戒区内热带气旋路径实况数据集。该数据集提供自2014年至2017年8月份南海热带气旋(105°E-125°E，10°N-25°N)在当前时刻、前1h(hour，小时)、前2h、前3h、前4h与后1h时刻的位置、近中心的最低气压与近中心最大风速，并且，为了保证数据有效性，从中筛选至少有5个小时生命史的热带气旋路径实况数据。
根据气候持续性预报方法，本发明实施例根据上述热带气旋路径样本数据中的热带气旋当前时刻及距当前时刻的时间差为1h、2h、3h和4h的热带气旋数据及数据间的差值进行预报因子的构造，具体构造出72个可能影响热带气旋的气候持续特征因子，并生成一个单独的样本文件进行存储。
上述的气候持续性预报方法，是客观天气预报方法之一，用于运用历史气候规律做某些天气系统变化的预报。例如，以台风移动的初始速度体现持续性因子；以台风气候平均位移或其出现日期反映气候规律因子，再运用数理统计中的筛选法建立受制于气候持续性因子的台风路径预报方程。气候持续性预报方法既可作为最基本的预报工具，也多用于衡量其他预报方法水平的对比标准。
需要说明的是，气候持续特征因子携带有时效性，即可以根据希望达到的预测时效，来构造相应的气候持续特征因子。本发明实施例希望构建预测时效为1小时的热带气旋路径预报模型，因此在本发明实施例中构造预测时效为1小时的气候持续特征因子，则基于该气候持续特征因子构建的预测模型的预测时效为1小时，即可以实现每一小时预测一次热带气旋的路径。上述的预测时效，也即上述的设定时长，可以在实际实施本发明实施例时根据需求而灵活设定。同时，上述的第一数量，也是基于实际需求而灵活设定的数量值。在本发明实施例中，具体构造72个可能影响热带气旋的气候持续特征因子，具体如表1所示：
表1
S102、根据数据时间间隔为所述设定时长的卫星遥感数据，分别计算得到所述卫星遥感数据中的各项气象参数与预报对象的特征因子；
具体的，所述卫星遥感数据中的各项气象参数包括相当黑体温度(Black BodyTemperature，TBB)、海表温度(sea－surface temperature，SST)、云顶温度(cloud toptemperature，CCT)、降水指数(precipitation index，PRI)。上述的数据时间间隔为所述设定时长的卫星遥感数据，在本发明实施例中具体是数据时间间隔为1小时的风云二号卫星FY-2F遥感数据，其中包括有相当黑体温度(TBB)、海表温度(SST)、云顶温度(CTT)与降水指数(PRI)，所有的文件为HDF格式的全盘标称图像数据。
需要说明的是，由于本发明实施例希望构建预测时效为1小时的热带气旋路径预报模型，因此需要利用相应时效的数据进行模型的构建与训练，所以本发明实施例选取上述数据时间间隔为1小时的风云二号卫星遥感数据。可以理解，当采用本发明实施例技术方案构造其它预测时效的热带气旋路径预报模型时，需要根据预测时效对应选取卫星遥感数据。
对于热带气旋路径的预报，是指在当前时刻已知热带气旋中心坐标位置的情况下，预测下一时刻该热带气旋的中心坐标位置。事实上，只要能够预测到下一时刻热带气旋的中心坐标相对于当前时刻的中心坐标的经度差和纬度差，就可以通过当前时刻的热带气旋中心经纬度坐标计算得到下一时刻该热带气旋中心的经纬度坐标。因此，本发明实施例所构建的热带气旋路径预报模型的预报对象，具体为下一时刻热带气旋中心的经纬度坐标相对于当前时刻热带气旋中心的经纬度坐标的经度差和纬度差。因此，上述的预报对象具体包括经度差和纬度差。
上述的卫星遥感数据中的各项气象参数与预报对象的特征因子，与步骤S101中的气候持续特征因子，都是构造热带气旋路径预报模型的重要参数。其中，在计算上述的卫星遥感数据中的各项气象参数与预报对象的特征因子时，针对上述的各项气象参数，分别计算其在各个时刻与经度差和纬度差的特征因子，最终得到每项气象参数在各个时刻与经度差和纬度差的特征因子。
由于本发明实施例所采用的是时间间隔为1小时的风云二号卫星遥感数据，因此在计算上述各项气象参数与预报对象的特征因子时，分别计算各项气象参数在所选取的卫星遥感数据时间段内的每一小时时刻与预报对象的特征因子。
更具体的，在计算各项气象参数在每一时刻与预报对象的特征因子时，通过相关性分析和主成分分析实现。相关性分析即通过计算卫星遥感数据中的气象参数与预报对象的相关性，从中可以作为特征因子的气象参数的值；主成分分析即通过计算卫星遥感数据中的气象参数与预报对象之间的主成分，根据该主成计算得出特征因子。
需要说明的是，上述的步骤S101和S102并没有严格的先后执行顺序，可以先执行步骤S101，再执行步骤S102，也可以先执行步骤S102，再执行步骤S101，或者同时执行步骤S101和步骤S102。本发明实施例以先执行步骤S101，在执行步骤S102为例分别介绍得到构建热带气旋路径预报模型的特征因子的处理过程。
S103、根据所述第一数量的气候持续特征因子以及所述卫星遥感数据中的各项气象参数与预报对象的特征因子，构建得到热带气旋路径预报模型。
具体的，由于本发明实施例中的上述预报对象为经度差和纬度差，因此本发明实施例构建得到的热带气旋路径预报模型具体包括预报对象为经度差的热带气旋路径预报模型和预报对象为纬度差的热带气旋路径预报模型，即本质上是两个预报模型。
相应的，上述各项气象参数与预报对象的特征因子，也可以分为各项气象参数与经度差的特征因子和各项气象参数与纬度差的特征因子。
在上述第一数量的气候持续特征因子中，参见表1所示，有与经度差相关的特征因子，也有与纬度差相关的特征因子。
在具体构建预报对象为经度差的热带气旋路径预报模型时，从表1所示的第一数量的气候持续特征因子中选取其中与经度差相关的气候持续特征因子，结合上述卫星遥感数据中的各项气象参数与经度差的特征因子，构建得到预报对象为经度差的热带气旋路径预报模型。
在构建预报对象为纬度差的热带气旋路径预报模型时，从表1所示的第一数量的气候持续特征因子中选取其中与纬度差相关的气候持续特征因子，结合上述卫星遥感数据中的各项气象参数与纬度差的特征因子，构建得到预报对象为纬度差的热带气旋路径预报模型。
上述构建热带气旋路径预报模型时，具体是构建具有热带气旋路径预报功能的遗传神经网络模型，其具体构建过程可参照常见的构建遗传神经网络模型的方法，结合本发明实施例特殊设置的上述特征因子实现。具体包括构建遗传神经网络的隐节点、输入节点、输出节点、传递函数；确定遗传神经网络的个体结构、遗传代数、种群数、目标适应度函数及创建初始遗传种群；计算遗传个体的适应度并分别进行选择、交叉、变异操作；最后经过遗传算法，获得最优神经网络的权值阈值，进行网络训练并验证。
需要说明的是，由于本发明实施例在上述构建热带气旋路径预报模型时，所利用的特征因子(气候持续特征因子、气象参数与预报对象的特征因子)的时效都是相同的设定时长，在本发明实施例中都是1小时，因此构建得到的热带气旋路径预报模型的预报时效也为1小时，即可以实现每一小时预测一次热带气旋中心位置。在实际应用本发明实施例技术方案时，可以根据需要的热带气旋路径预报模型的时效，来选择相应时效的数据构造特征因子。
通过上述介绍可见，本发明实施例技术方案根据热带气旋路径样本数据，构造预测时效为设定时长的第一数量的气候持续特征因子；以及根据数据时间间隔为所述设定时长的卫星遥感数据，分别计算得到所述卫星遥感数据中的各项气象参数与预报对象的特征因子；然后根据所述第一数量的气候持续特征因子以及所述卫星遥感数据中的各项气象参数与预报对象的特征因子，构建得到热带气旋路径预报模型。上述处理过程实现了构建自动预测热带气旋路径的预报模型，可以用于代替人工进行自动化的热带气旋路径预测。
可选的，在本发明的另一个实施例中公开了，参见图2所示，该方法还包括：
重复执行步骤S204以及步骤S205，直到通过步骤S204计算得到的热带气旋路径预报模型的预报误差在设定的误差范围内。
其中，S204、计算得到所述热带气旋路径预报模型的预报误差；
S205、根据所述热带气旋路径预报模型的预报误差，对所述热带气旋路径预报模型的运算参数进行调整。
具体的，在图1所示的方法实施例的步骤S101中所使用的热带气旋路径样本数据中，预留部分数据作为检测样本数据，用于检测最终构造的热带气旋路径预报模型的预报误差。具体在本发明实施例中，在图1所示的构建热带气旋路径预报模型的过程中，只选用上述热带气旋路径样本数据中的90％的数据用作模型构建，而剩下的10％的数据则作为模型检测使用。
由于上述的热带气旋路径样本数据是真实的热带气旋样本的历史路径数据，因此对于上述的热带气旋路径样本数据时间范围中的任意t时刻的热带气旋，利用本发明实施例构造的热带气旋路径预报模型预测该热带气旋在t+1时刻的位置。然后将利用本发明实施例构建的热带气旋路径预报模型预测的热带气旋在t+1时刻的位置与上述热带气旋路径样本数据中的，该热带气旋在上述t+1时刻的真实位置进行差值计算，得到本发明实施例构建的热带气旋路径预报模型的预报误差。
在上述的，将利用本发明实施例构建的热带气旋路径预报模型预测的热带气旋在t+1时刻的位置与上述热带气旋路径样本数据中的，该热带气旋在上述t+1时刻的真实位置进行差值计算的计算过程，可以采用热带气旋路径业务预报的如下常用计算式实现：
其中，X、Y、分别为热带气旋路径的实际经度值、实际纬度值、本发明实施例构建的预报模型输出的预报经度值、预报纬度值，110的单位为千米(km)，是一度经(纬)度的大致距离。
如果计算得到的预报误差在设定的误差范围内，则认为构建得到的热带气旋路径预报模型的预报误差符合要求。在本发明实施例中，设定预报模型预报的位置的值达到真实位置的值的85％即认为该预报模型的预报误差在设定的误差范围内，也就是说，设置上述设定的误差范围为真实位置经纬度值的15％。
如果计算得到的预报误差不在设定的误差范围内，则认为构建得到的热带气旋路径预报模型的预报误差太大，此时本发明实施例根据计算得到的热带气旋路径预报模型的预报误差，反向对该热带气旋路径预报模型的运算参数进行调整。然后再计算参数调整后的热带气旋路径预报模型的预报误差，如果预报误差仍然不再设定的误差范围内，则再次对预报模型的运算参数进行调整，然后再计算预报误差……重复执行以上调整运算参数以及计算预报误差的过程，直到计算得到该热带气旋路径预报模型的预报误差在设定的误差范围内时，停止重复执行上述过程，即得到了符合误差要求的热带气旋路径预报模型。
本实施例中的步骤S201～S203分别对应图1所示的方法实施例中的步骤S101～S103，其具体内容请参见图1所示的方法实施例的内容，此处不再赘述。
可选的，在本发明的另一个实施例中，公开了计算气象参数与预报对象的特征因子的具体计算过程。参见图3所示，所述根据数据时间间隔为所述设定时长的卫星遥感数据，分别计算得到所述卫星遥感数据中的各项气象参数与预报对象的特征因子，包括：
S302、分别确定数据时间间隔为所述设定时长的卫星遥感数据中的，每个时刻的热带气旋中心位置周围设定区域内的各项气象参数的值；
具体的，参见在图1所示的方法实施例中的介绍，上述卫星遥感数据是数据时间间隔为1小时的风云二号卫星FY-2F遥感数据，其中包括有相当黑体温度(TBB)、海表温度(SST)、云顶温度(CTT)与降水指数(PRI)，所有的文件为HDF格式的全盘标称图像数据。可以理解，上述卫星遥感数据的时效为1小时，表示每一小时输出一次卫星遥感数据，因此本发明实施例所用的上述卫星遥感数据实际上是设定时间段内的卫星遥感数据。上述的设定时间段包括N个小时，N大于等于2。在上述设定时间段内的卫星遥感数据中，每一小时记录一条卫星遥感数据。因此在计算卫星遥感数据中的各项气象参数与预报对象的特征因子时，需要针对所采集的卫星遥感数据在各个时刻的各项气象参数，分别计算与预报对象的特征因子。
需要说明的是，在本发明实施例中，以计算卫星遥感数据中的各项气象参数在t时刻与预报对象的特征因子为例，说明上述卫星遥感数据中的各项气象参数在t+1等任意时刻与预报对象的特征因子的计算过程。可以理解，对于上述卫星遥感数据中的各项气象参数在每个时刻(即每个小时)与预报对象的特征因子的计算过程，都可以参照本发明实施例介绍的在t时刻的计算过程而执行，本发明实施例不再一一详述。
同时，由于上述卫星遥感数据中包括相当黑体温度(TBB)、海表温度(SST)、云顶温度(CTT)与降水指数(PRI)四项气象参数，因此需要针对上述的每一项气象参数，分别计算其在每个时刻与预报对象的特征因子。由于实际中确认上述四项气象参数在t时刻与预报对象的特征因子的计算过程基本相同，因此本发明实施例以计算相当黑体温度TBB在t时刻与预报对象的预报因子为例，介绍上述根据数据时间间隔为所述设定时长的卫星遥感数据，分别计算得到所述卫星遥感数据中的各项气象参数与预报对象的特征因子的具体计算过程。针对其他气象参数的计算，可参照如下实施例技术方案执行。
在具体计算时，本发明实施例先确定上述设定时长的卫星遥感数据中的，t时刻的热带气旋中心位置周围设定区域内的相当黑体温度TBB的值。
首先，确定风云二号卫星FY-2F定位于轨道上空112°E，可覆盖以星下点为中心的圆盘范围，其中心经度为112°E，中心纬度为0°N，每一个图像是2288*2288的网格；
然后，选定t时刻的热带气旋周围15*15格点范围内的网格，即选定t时刻的热带气旋中心位置周围设定区域，如图4所示，中间网格中的圆点表示t时刻热带气旋中心位置所对应的位置，周围建立15*15格点范围，然后分别确定所确定的上述15*15格点范围内的每个网格所对应的经纬度。具体的，可以利用经纬度查找表文件来确定上述格点范围内的每个格点的经纬度。经纬度查找表文件中有两个波段(band)，band1中代表的是经度，选出-7至8之间的所有网格，因为FY-2F的中心经度112°E，所以在表中读出的值加上112°，即为每个网格的相当黑体温度(TBB)的经度；band2为纬度，在表中读出的值即为遥感数据的纬度，选出10-25之间的所有网格。
最后，在确定图4所示的t时刻的热带气旋中心位置周围15*15格点范围内的每个网格的经纬度后，利用得到的每个网格的经纬度，直接在影像中查找每个经纬度对应的相当黑体温度TBB数据值，即确定了在t时刻热带气旋中心位置周围设定区域内的各处的相当黑体温度TBB的值。
参照上述确定t时刻热带气旋中心位置周围设定区域内的相当黑体温度TBB的值的方法，可以确定每一时刻热带气旋中心位置周围设定区域内的各项气象参数的值。
S303、通过相关性分析和主成分分析，分别确定所述每个时刻的热带气旋中心位置周围设定区域内的各项气象参数与预报对象的特征因子。
具体的，上述分别确定每个时刻的热带气旋中心位置周围设定区域内的各项气象参数与预报对象的特征因子，实际上是，针对上述热带气旋中心位置周围设定区域内的每一项气象参数，分别计算在每一时刻与预报对象的特征因子。由于上述预报对象又包括经度差和纬度差，因此上述的针对上述热带气旋中心位置周围设定区域内的每一项气象参数，分别计算在每一时刻与预报对象的特征因子，具体为针对上述热带气旋中心位置周围设定区域内的每一项气象参数，分别计算在每一时刻与经度差和纬度差的特征因子。
并且，本方发明实施例通过相关性分析和主成分分析的方法，计算确定气象参数与预报对象的特征因子。也就是说，针对上述各项气象参数，分别计算其在每一时刻与经度差和纬度差的特征因子，即分别确定了每个时刻的热带气旋中心位置周围设定区域内的各项气象参数与预报对象的特征因子。
在本发明的另一个实施例中，公开了上述的通过相关性分析和主成分分析，分别确定所述每个时刻的热带气旋中心位置周围设定区域内的各项气象参数与预报对象的特征因子的具体计算过程。
由于针对每项气象参数在每个时刻与经度差或纬度差的特征因子的计算过程基本相同，因此本发明实施例不再一一详细介绍，而是结合计算t时刻上述热带气旋中心位置周围设定区域内的相当黑体温度TBB与经度差的特征因子的计算过程，来说明上述计算过程。在实际实施本发明实施例技术方案时，可以参照本发明实施例结合本发明实施例举例，分别计算确定每个时刻的热带气旋中心位置周围设定区域内的各项气象参数与预报对象的特征因子。
在本发明的另一个实施例中公开了，所述通过相关性分析和主成分分析，分别确定所述每个时刻的热带气旋中心位置周围设定区域内的各项气象参数与预报对象的特征因子，包括：
针对所述各项气象参数，分别执行以下操作：
首先，通过相关普查分析，分别确定在所述每个时刻的热带气旋中心位置周围设定区域内，所述气象参数与预报对象的高相关区域；其中，所述高相关区域是指气象参数与预报对象的相关性超过设定阈值的区域；
具体的，在建立如图4所示的热带气旋周围15*15格点范围内的区域(即热带气旋中心位置周围设定区域)后，将该共计15*15＝225个格点作为移动坐标上选取格点上的因子，每个格点都有对应的遥感卫星资料。
然后通过对上述格点范围内的每个格点的气象参数进行相关普查分析，确定每个格点的气象参数与预报对象的相关系数。例如通过相关普查分析，得到t时刻上述图4所示的格点范围内各个网格的相当黑体温度TBB与预报对象经度差的相关系数如表2所示。
然后从上述的热带气旋中心位置周围设定区域内，选出气象参数与预报对象的相关系数大于设定阈值，即气象参数与预报对象的相关性超过设定阈值的区域，作为气象参数与预报对象的高相关区域。
例如在针对图4所示的格点范围内的各个网格的相当黑体温度TBB与预报对象经度差的相关系数如表2所示之后，按照表2数据，从图4所示的格点范围内选出相关系数大于0.2的，能够连成片(相连网格数不少于10个)的网格作为相当黑体温度TBB与预报对象经度差的高相关区域，也就是特征因子的选择区。该选择区如图5所示，其中1表示选入上述特征因子的选择区的网格，0表示没有入选上述特征因子的选择区的网格。
表2
对于上述的每个时刻，以及上述的每个气象参数、每个预报对象，都可以按照上述方法确定高相关区域，即确定特征因子的选择区。
然后，针对按照上述方法确定的每个高相关区域，分别执行以下操作：
从所述高相关区域中选择与所述预报对象的相关性最高的第二数量的所述气象参数；
计算所述设定数量的所述气象参数的值的平均值，作为对应所述高相关区域的，所述气象参数与预报对象的特征因子；
具体的，在确定热带气旋中心位置周围设定区域内的气象参数与预报对象高相关区域后，从中再选出第二数量的，与预报对象的相关性最高的气象参数。然后再求所选出的第二数量上述气象参数的值的平均值，作为一个特征因子。
例如，在图5所示的相当黑体温度与预报对象经度差的高相关区域中选择三个相关性最高的格点对应的相当黑体温度对应的值分别为203.680、204.488、203.680，计算三者的平均值即得到通过相关性分析从该高相关区域中选择出的相当黑体温度与预报对象经度差的特征因子。
参照上述方法，可以分别计算得到在上述每个时刻，上述的每个气象参数与每个预报对象的特征因子。
同时，本发明实施例还通过主成分分析的方法，再次从上述确定的高相关区域中计算得到气象参数与预报对象的特征因子，即：
对所述高相关区域中的所述气象参数与所述预报对象进行主成分分析，得到所述高相关区域中的所述气象参数的各个主成分；
根据所述各个主成分，计算得到对应所述高相关区域的，所述气象参数与所述预报对象的特征因子。
具体的，本发明实施例采用KMO与Bartlett球形度检验方法，对气象参数与预报对象之间进行主成分分析。在KMO与Bartlett球形度检验方法中，KMO值大于0.7，同时Bartlett球形度检验P值<0.001的成分，说明两者之间存在相关性，可以进行特征因子分析。因此本发明实施例利用KMO与Bartlett球形度检验方法。分析气象参数与预报对象之间的主成分，将其中KMO值大于0.7，同时Bartlett球形度检验P值<0.001的成分选定为主成分。对于每个高相关区域，从中选出主成分，然后由主成分进行处理计算得到的结果作为气象参数与预报对象的特征因子。
上述通过主成分分析和相关性分析确定的气象参数与预报对象的特征因子，都作为最终确定的气象参数与预报对象的特征因子。
按照上述技术方法，可以分别确定在每个时刻，上述热带气旋中心位置周围设定区域内的各项气象参数与各个预报对象(经度差、纬度差)的特征因子。各个计算过程之间基本相同，本发明实施例不再一一赘述。
需要说明的是，采用上述的相关性分析或主成分分析均可以确定气象参数与预报对象的特征因子。在实际实施本发明实施例技术方案时，可以采用其中一种方法确定气象参数与预报对象的特征因子，也可以采用两种方法分别确定气象参数与预报对象的特征因子。相对于采用一种方法确定气象参数与预报对象的特征因子，同时采用相关性分析和主成分分析确定气象参数与预报对象的特征因子可以更全面地确定气象参数与预报对象的特征因子。
本实施例中的步骤S301、S304分别对应图1所示的方法实施例中的步骤S101、S103，其具体内容请参见图1所示的方法实施例的内容，此处不再赘述。
可选的，在本发明的另一个实施例中，参见图6所示，所述根据所述第一数量的气候持续特征因子以及所述卫星遥感数据中的各项气象参数与预报对象的特征因子，构建得到热带气旋路径预报模型，包括：
S603、根据所述热带气旋路径样本数据，从所述第一数量的气候持续特征因子中选择模型构造特征因子；
具体的，如表1所示的第一数量(72个)气候持续特征因子中的气候持续特征因子是与热带气旋的经度、维度、中心气压、中心风速、移速、加速度等参数相关的特征因子。在这些特征因子中，有的对模型构造作用突出，有的对模型构造作用并不是很大。而构造模型时参与的因子数量越多，运算就越多，会加大模型构造运算量。因此，为了能够快速高效地构造出热带气旋路径预报模型，本发明实施例设定从上述第一数量的气候持续特征因子中，选择模型构造特征因子，直接用于模型构造。
上述模型构造特征因子，是基于事先构建的如表1所示的气候持续特征因子与热带气旋的路径变化的相关性大小而选择出的，与热带气旋的路径变化的相关性较大的气候持续特征因子。
具体的，根据上述的热带气旋路径样本数据，计算出热带气旋路径变化，包括计算出热带气旋路径变化的经度差和纬度差，该路径变化也可作为预报对象。然后分别计算构造的第一数量的气候持续特征因子中的每个特征因子与上述的热带气旋路径变化之间的相关性，然后从中选出上述相关性大于设定阈值的气候持续特征因子，作为直接用于模型构造的模型构造特征因子。
需要说明的是，由于本发明实施例实际上是构造两个预报模型，即预报对象为经度差的热带气旋路径预报模型和预报对象为纬度差的热带气旋路径预报模型，因此，在上述选择模型构造特征因子时，实际上也是选择用于构造预报对象为经度差的热带气旋路径预报模型的特征因子和构造预报对象为纬度差的热带气旋路径预报模型的特征因子。
S604、利用所述模型构造特征因子，以及所述卫星遥感数据中的各项气象参数与预报对象的特征因子，构造基于遗传神经网络的热带气旋路径预报模型。
具体的，在确定模型构造因子后，将模型构造因子以及上述的卫星遥感数据中的各项气象参数与预报对象的特征因子综合起来作为构造热带气旋路径预报模型的特征因子，用于构造热带气旋路径预报模型。
具体的模型构造过程为，将上述选择的特征因子作为输入构造遗传神经网络模型，即得到基于遗传神经网络的热带气旋路径预报模型。具体的遗传神经网络模型构造过程，与常规的遗传神经网络构造过程基本类似，主要区别在于本发明实施例所选择的输入是与热带气旋路径预报相关的特征因子，因此将上述特征因子作为遗传神经网络构造的输入可构造得到具有热带气旋路径预报功能的遗传神经网络，即基于遗传神经网络的热带气旋路径预报模型。
需要说明的是，由于本发明实施例构造得到的热带气旋路径预报模型本质上是两个模型，即预报对象为经度差的热带气旋路径预报模型和预报对象为纬度差的热带气旋路径预报模型。因此上述的模型构造过程其实包括两个构造过程，即构造预报对象为经度差的热带气旋路径预报模型的过程，和构造预报对象为纬度差的热带气旋路径预报模型的过程，并且，上述两个构造过程除具体参数不同外，对数据的处理和网络构造过程都是相同的。
以下以构建预报对象为经度差的遗传神经网络预报模型为例说明，本发明实施例中，上述构造基于遗传神经网络的热带气旋路径预报模型的具体过程大致为：
1、确定遗传神经网络的隐节点、输入节点、输出节点及传递函数；
其中，输入节点为最终选择的上述用于构造热带气旋路径预报模型的特征因子；输出节点为1，具体为预报对象：经度差或纬度差；网络的隐节点为：
其中，s为隐层节点数，n为输入层节点数，l为输出节点数，α为1-10之间的常数。根据该公式确定隐节点的个数范围，并根据试凑法进行网络的训练。在网络训练中，隐含层的激活函数采用了tansig函数，输出层的激活函数采用了purelin函数。
2、确定遗传神经网络的个体结构、遗传代数、种群数、目标适应度函数、及创建初始遗传种群；
其中，确定遗传神经网络个体结构时，确定输入层与隐层、隐层与输出层之间的权值与阈值，采用二进制数对其编码产生一个个体；
设定遗传神经网络遗传代数为2000，种群大小为100，随机产生一个种群，然后确定适应度函数：
遗传种群(设种群的遗传个体数为m)中的遗传个体解码为神经网络的隐节点、连接权、输入训练样本，计算隐层输出：
其中，i＝1,2,…p(其中p是隐节点个数)，ah为模式输入，h＝1,2,…n，n为输入层节点，初始时刻vhi为一组给定的随机小量，激活值函数为sigmoid函数。计算网络输出层单元的激活值函数：
其中，vhi与wij分别为输入层至隐层和隐层至输出层的连接权系数矩阵，θi与γj分别为相应的阈值，f为转移函数。进一步计算网络的总体误差E：
其中n为训练集样本数，定义适应度函数F(x)：
3、计算遗传个体的适应度，分别进行选择、交叉、变异操作；
3.1、输入训练样本集，根据适应度函数计算目前群体中每个遗传个体的适应度；
3.2、根据个体的适应度，对群体进行遗传算法操作，包括选择、交叉、变异操作。
其中，选择操作的算法：
从当前群体中选出生命力强的染色体，使它有机会保留用以繁殖到下一代，提高全局的收敛性和计算效率。判定染色体优良与否的准则就是各自的适应度值，个体的适应度值越大，其被选择的机会就越多。
多点交叉的算法：
组合来自父代种群中的信息产生新的个体，不要太多破坏个体编码串中的优良模式，又要能产生一些较好的新模式，交叉率统一设置为0.01；
变异操作的算法：
删除某个神经元并将其对应的相关权重系数编码设置为零，从而产生新的个体，变异率设置为0.01；
3.3、生成新一代种群；
接下来重复上述的3.1～3.3操作，直到完成了所有的代数。
4、经过遗传算法，获得最优神经网络的权值阈值，进行网络训练并验证；
对最优的个体进行解码，满足设定的最小误差为0.001或者完成所有遗传代数，跳出循环，即可获得最优的权值与阈值；
测试总样本中的检验样本；得到检验样本的误差，该误差为预报经度差与实际经度差的差值，若误差值小于等于0.2°，则视为训练的网络可以满足要求，具有良好的鲁棒性，建成预报对象为经度差的遗传神经网络集合预报模型。
上述介绍了构建预报对象为经度差的热带气旋路径预报模型的主要处理过程，可以理解，上述过程是常见的构建遗传神经网络的概括处理过程，并不是严格的处理方法。在实际实施本发明实施例技术方案时，可以在采用本发明实施例选择的特征因子的基础上，灵活设定构建热带气旋路径预报模型的具体执行方法，以便实现构建热带气旋路径预报模型。
并且，以上仅介绍预报对象为经度差的热带气旋路径预报模型的构建过程，预报对象为纬度差的热带气旋路径预报模型的构建过程可以参照上述过程实现。
本实施例中的步骤S601、S602分别对应图1所示的方法实施例中的步骤S101、S102，其具体内容请参见图1所示的方法实施例的内容，此处不再赘述。
可选的，在本发明的另一个实施例中，参见图7所示，还公开了所述根据所述热带气旋路径样本数据，从所述第一数量的气候持续特征因子中选择模型构造特征因子，包括：
S703、根据所述热带气旋路径样本数据，计算得到所述热带气旋在第二时刻的中心位置相对于所述热带气旋在第一时刻的中心位置的位置变化量；
具体的，上述热带气旋路径样本数据中，记录了热带气旋在各个数据记录时刻的中心位置，用热带气旋在第二时刻的中心位置的经纬度坐标减去热带气旋在第一时刻的中心位置的经纬度坐标，即得到热带气旋从第一时刻到第二时刻的位置变化量。可以理解，该位置变化量包括经度差和纬度差。
其中，上述的热带气旋在第一时刻的中心位置作为已知条件，而上述的经度差和纬度差则作为预报对象，并和上述的已知条件一起作为特征因子选择过程中的参考数据。
S704、通过计算所述位置变化量与所述第一数量的气候持续特征因子中的每个气候持续特征因子的相关性，从所述第一数量的气候持续特征因子中选择出第三数量的显著特征因子；
具体的，遗传神经网络对模型输入因子的数量非常敏感，当因子输入过大时，通常会面临计算量增加，并且遗传神经网络没有寻找最优预报因子的能力，因此本发明实施例采用逐步回归分析方法筛选特征因子。在处理初选得到的众多特征因子时，选取不同的F检验的概率值，会得到不同的特征因子，特征因子的预报能力也时有差异。F检验是对回归模型整体的方差检验，所以对应的概率值P值就是判断F检验是否显著的标准，P值可以说明回归模型显著性。P值越大，说明回归模型越不显著；P值越接近0，说明回归模型越显著。经过多次实验，本发明实施例设定，F检验的概率值(P值)小于或等于0.1时，引入特征因子为显著的特征因子；F检验的概率值(P值)大于0.1时，则剔除该特征因子，即该特征因子为不显著的特征因子，从而适当的控制入选的因子数。
由于上述的位置变化量包括经度差和纬度差，因此本发明实施例实际上是分别计算经度差与第一数量的气候持续特征因子中的每个气候持续特征因子的相关性，来选择出用于构建经度差预报模型的特征因子，以及计算纬度差与第一数量的气候持续特征因子中的每个气候持续特征因子的相关性，来选择出用于构建纬度差预报模型的特征因子。即，上述的第三数量的显著特征因子，具体包括预报经度差的显著特征因子和预报纬度差的显著特征因子。
按照上述因子筛选方法，最终筛选出的显著特征因子如表3所示：
表3
S705、对所述第一数量的气候持续特征因子中的，未被选为显著特征因子的气候持续特征因子进行降维分析处理并构建相似矩阵；
具体的，表1中所述的所有特征因子中，未被选入表3的特征因子，即为不显著特征因子。
本发明实施例对上述第一数量的气候持续特征因子中的，未被选为显著特征因子的气候持续特征因子，本发明实施例采用多维尺度变换算法对其进行降维处理，具体设定参数为：训练次数50次、学习率为0.01、度量标准为2，构建降维后的各不显著特征因子的相似矩阵。
S706、从所述相似矩阵中提取得到第四数量的主要特征向量，并提取所述第四数量的主要特征向量的特征因子，得到第四数量的高相关特征因子；
具体的，利用等距离映射算法(Isomap)计算归一化后样本点的欧式距离矩阵，根据保持图联通的最小值圈定近邻点的个数为11，利用残差曲线出现拐点时，确定最终降维的维数，根据维数提取上述第四数量的最大特征值的开平方乘以对应的特征向量。第四数量的最大特征值的计算结果就作为入选的特征因子，这样就将多个不显著的特征因子压缩成两个与预报对象高相关的特征因子。
S707、综合所述第三数量的显著特征因子和所述第四数量的高相关特征因子，得到模型构建特征因子。
具体的，上述对不显著特征因子处理后得到的高相关特征因子以及上述已经提取出的显著特征因子，都作为最终的模型构建特征因子。
可见，在本发明实施例中，在从气候持续特征因子中提取显著特征因子用于模型构建的同时，还将不显著的特征因子进行处理得到高相关特征因子加以利用，使得对气候持续特征因子的利用更充分，模型构建的参数更准确。在实际实施本发明实施例技术方案时，也可以只筛选显著的气候持续特征因子进行模型构建，并不会影响方案实现。
本实施例中的步骤S701、S702、S708分别对应图4所示的方法实施例中的步骤S601、S602、S604，其具体内容请参见图4所示的方法实施例的内容，此处不再赘述。
本发明另一实施例还公开了一种构建热带气旋路径预报模型的装置，参见图8所述，该装置包括：
因子构造单元100，用于根据热带气旋路径样本数据，构造预测时效为设定时长的第一数量的气候持续特征因子；
因子计算单元110，用于根据数据时间间隔为所述设定时长的卫星遥感数据，分别计算得到所述卫星遥感数据中的各项气象参数与预报对象的特征因子；其中，所述卫星遥感数据中的各项气象参数包括相当黑体温度、海表温度、云顶温度、降水指数，所述预报对象包括经度差和纬度差；
模型构建单元120，用于根据所述第一数量的气候持续特征因子以及所述卫星遥感数据中的各项气象参数与预报对象的特征因子，构建得到热带气旋路径预报模型。
可选的，在本发明的另一个实施例中，参见图9所示，该装置还包括：
模型校验单元130，用于重复执行以下操作，直到所述热带气旋路径预报模型的预报误差在设定的误差范围内：计算得到所述热带气旋路径预报模型的预报误差；根据所述热带气旋路径预报模型的预报误差，对所述热带气旋路径预报模型的运算参数进行调整。
其中，所述因子计算单元110，包括：
参数确定单元，用于分别确定数据时间间隔为所述设定时长的卫星遥感数据中的，每个时刻的热带气旋中心位置周围设定区域内的各项气象参数的值；
分析处理单元，用于通过相关性分析和主成分分析，分别确定所述每个时刻的热带气旋中心位置周围设定区域内的各项气象参数与预报对象的特征因子。
所述模型构建单元120，包括：
因子选择单元，用于根据所述热带气旋路径样本数据，从所述第一数量的气候持续特征因子中选择模型构造特征因子；
网络构造单元，用于利用所述模型构造特征因子，以及所述卫星遥感数据中的各项气象参数与预报对象的特征因子，构造基于遗传神经网络的热带气旋路径预报模型。
具体的，上述各生成热带气旋路径预报模型的装置的实施例中的各个单元的具体工作内容，请参见上述方法实施例的内容，此处不再赘述。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种构建热带气旋路径预报模型的方法，其特征在于，包括：
根据热带气旋路径样本数据，构造预测时效为设定时长的第一数量的气候持续特征因子；
根据数据时间间隔为所述设定时长的卫星遥感数据，分别计算得到所述卫星遥感数据中的各项气象参数与预报对象的特征因子；其中，所述卫星遥感数据中的各项气象参数包括相当黑体温度、海表温度、云顶温度、降水指数，所述预报对象包括经度差和纬度差；
根据所述第一数量的气候持续特征因子以及所述卫星遥感数据中的各项气象参数与预报对象的特征因子，构建得到热带气旋路径预报模型。
2.根据权利要求1所述的方法，其特征在于，该方法还包括：
重复执行以下操作，直到所述热带气旋路径预报模型的预报误差在设定的误差范围内：
计算得到所述热带气旋路径预报模型的预报误差；
根据所述热带气旋路径预报模型的预报误差，对所述热带气旋路径预报模型的运算参数进行调整。
3.根据权利要求1所述的方法，其特征在于，所述根据数据时间间隔为所述设定时长的卫星遥感数据，分别计算得到所述卫星遥感数据中的各项气象参数与预报对象的特征因子，包括：
分别确定数据时间间隔为所述设定时长的卫星遥感数据中的，每个时刻的热带气旋中心位置周围设定区域内的各项气象参数的值；
通过相关性分析和主成分分析，分别确定所述每个时刻的热带气旋中心位置周围设定区域内的各项气象参数与预报对象的特征因子。
4.根据权利要求3所述的方法，其特征在于，所述通过相关性分析和主成分分析，分别确定所述每个时刻的热带气旋中心位置周围设定区域内的各项气象参数与预报对象的特征因子，包括：
针对所述各项气象参数，分别执行以下操作：
通过相关普查分析，分别确定在所述每个时刻的热带气旋中心位置周围设定区域内，所述气象参数与预报对象的高相关区域；其中，所述高相关区域是指气象参数与预报对象的相关性超过设定阈值的区域；
针对每个高相关区域，分别执行以下操作：
从所述高相关区域中选择与所述预报对象的相关性最高的第二数量的所述气象参数；
计算所述设定数量的所述气象参数的值的平均值，作为对应所述高相关区域的，所述气象参数与预报对象的特征因子；
以及，
对所述高相关区域中的所述气象参数与所述预报对象进行主成分分析，得到所述高相关区域中的所述气象参数的各个主成分；
根据所述各个主成分，计算得到对应所述高相关区域的，所述气象参数与所述预报对象的特征因子。
5.根据权利要求1所述的方法，其特征在于，所述根据所述第一数量的气候持续特征因子以及所述卫星遥感数据中的各项气象参数与预报对象的特征因子，构建得到热带气旋路径预报模型，包括：
根据所述热带气旋路径样本数据，从所述第一数量的气候持续特征因子中选择模型构造特征因子；
利用所述模型构造特征因子，以及所述卫星遥感数据中的各项气象参数与预报对象的特征因子，构造基于遗传神经网络的热带气旋路径预报模型。
6.根据权利要求5所述的方法，其特征在于，所述根据所述热带气旋路径样本数据，从所述第一数量的气候持续特征因子中选择模型构造特征因子，包括：
根据所述热带气旋路径样本数据，计算得到所述热带气旋在第二时刻的中心位置相对于所述热带气旋在第一时刻的中心位置的位置变化量；
通过计算所述位置变化量与所述第一数量的气候持续特征因子中的每个气候持续特征因子的相关性，从所述第一数量的气候持续特征因子中选择出第三数量的显著特征因子；
对所述第一数量的气候持续特征因子中的，未被选为显著特征因子的气候持续特征因子进行降维分析处理并构建相似矩阵；
从所述相似矩阵中提取得到第四数量的主要特征向量，并提取所述第四数量的主要特征向量的特征因子，得到第四数量的高相关特征因子；
综合所述第三数量的显著特征因子和所述第四数量的高相关特征因子，得到模型构建特征因子。
7.一种构建热带气旋路径预报模型的装置，其特征在于，包括：
因子构造单元，用于根据热带气旋路径样本数据，构造预测时效为设定时长的第一数量的气候持续特征因子；
因子计算单元，用于根据数据时间间隔为所述设定时长的卫星遥感数据，分别计算得到所述卫星遥感数据中的各项气象参数与预报对象的特征因子；其中，所述卫星遥感数据中的各项气象参数包括相当黑体温度、海表温度、云顶温度、降水指数，所述预报对象包括经度差和纬度差；
模型构建单元，用于根据所述第一数量的气候持续特征因子以及所述卫星遥感数据中的各项气象参数与预报对象的特征因子，构建得到热带气旋路径预报模型。
8.根据权利要求7所述的装置，其特征在于，该装置还包括：
模型校验单元，用于重复执行以下操作，直到所述热带气旋路径预报模型的预报误差在设定的误差范围内：计算得到所述热带气旋路径预报模型的预报误差；根据所述热带气旋路径预报模型的预报误差，对所述热带气旋路径预报模型的运算参数进行调整。
9.根据权利要求7所述的装置，其特征在于，所述因子计算单元，包括：
参数确定单元，用于分别确定数据时间间隔为所述设定时长的卫星遥感数据中的，每个时刻的热带气旋中心位置周围设定区域内的各项气象参数的值；
分析处理单元，用于通过相关性分析和主成分分析，分别确定所述每个时刻的热带气旋中心位置周围设定区域内的各项气象参数与预报对象的特征因子。
10.根据权利要求7所述的装置，其特征在于，所述模型构建单元，包括：
因子选择单元，用于根据所述热带气旋路径样本数据，从所述第一数量的气候持续特征因子中选择模型构造特征因子；
网络构造单元，用于利用所述模型构造特征因子，以及所述卫星遥感数据中的各项气象参数与预报对象的特征因子，构造基于遗传神经网络的热带气旋路径预报模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810921019.8A CN109086540B (zh) | 2018-08-14 | 2018-08-14 | 一种构建热带气旋路径预报模型的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810921019.8A CN109086540B (zh) | 2018-08-14 | 2018-08-14 | 一种构建热带气旋路径预报模型的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109086540A true CN109086540A (zh) | 2018-12-25 |
| CN109086540B CN109086540B (zh) | 2022-11-11 |
Family
ID=64834615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810921019.8A Expired - Fee Related CN109086540B (zh) | 2018-08-14 | 2018-08-14 | 一种构建热带气旋路径预报模型的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109086540B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109993282A (zh) * | 2019-03-28 | 2019-07-09 | 北京航空航天大学 | 一种台风波及范围的预测方法 |
| CN110888185A (zh) * | 2019-11-22 | 2020-03-17 | 南京航空航天大学 | 一种基于大气活动的北京市春季大气pm2.5浓度变化预报方法 |
| CN111221819A (zh) * | 2019-12-27 | 2020-06-02 | 中国电子科技集团公司第十四研究所 | 一种基于多维数据空间分割的相似台风快速匹配方法 |
| CN112748483A (zh) * | 2020-12-24 | 2021-05-04 | 北京思湃德信息技术有限公司 | 一种基于深度学习的气温预报偏差订正方法及装置 |
| CN112884209A (zh) * | 2021-01-29 | 2021-06-01 | 河海大学 | 一种基于天气学法与数理统计法的中长期降水预报方法 |
| CN113887784A (zh) * | 2021-09-06 | 2022-01-04 | 阿里巴巴达摩院(杭州)科技有限公司 | 数据处理方法和存储介质 |
| US11880015B2 (en) | 2021-06-07 | 2024-01-23 | International Business Machines Corporation | Modeling tropical cyclone surface fields for impact assessment |
| CN117852897A (zh) * | 2023-11-17 | 2024-04-09 | 中国人民解放军63796部队 | 台风生成的关键因子的筛选方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1922508A (zh) * | 2004-02-26 | 2007-02-28 | 瑞士再保险公司 | 用于热带气旋的位置相关的自动概率预报的方法和系统 |
| US8204846B1 (en) * | 2008-04-18 | 2012-06-19 | Wsi, Corporation | Tropical cyclone prediction system and method |
| CN103235890A (zh) * | 2013-04-28 | 2013-08-07 | 南京信大高科技发展有限公司 | 卫星短时临近降水预报系统及降水预报方法 |
| CN104200081A (zh) * | 2014-08-22 | 2014-12-10 | 清华大学 | 基于历史数据的登陆台风特征因子的预报方法及系统 |
| CN104951847A (zh) * | 2014-12-31 | 2015-09-30 | 广西师范学院 | 一种基于核主成分分析和基因表达式编程的降水预报方法 |
-
2018
- 2018-08-14 CN CN201810921019.8A patent/CN109086540B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1922508A (zh) * | 2004-02-26 | 2007-02-28 | 瑞士再保险公司 | 用于热带气旋的位置相关的自动概率预报的方法和系统 |
| US8204846B1 (en) * | 2008-04-18 | 2012-06-19 | Wsi, Corporation | Tropical cyclone prediction system and method |
| CN103235890A (zh) * | 2013-04-28 | 2013-08-07 | 南京信大高科技发展有限公司 | 卫星短时临近降水预报系统及降水预报方法 |
| CN104200081A (zh) * | 2014-08-22 | 2014-12-10 | 清华大学 | 基于历史数据的登陆台风特征因子的预报方法及系统 |
| CN104951847A (zh) * | 2014-12-31 | 2015-09-30 | 广西师范学院 | 一种基于核主成分分析和基因表达式编程的降水预报方法 |
Non-Patent Citations (3)
| Title |
|---|
| 吕庆平等: "基于人工神经网络的热带气旋路径预报试验", 《广东气象》 * |
| 宋金杰等: "基于偏最小二乘回归理论的西北太平洋热带气旋强度统计预报方法", 《气象学报》 * |
| 黄小燕 等: "基于主成分分析的人工智能台风路径预报模型", 《大气科学》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109993282A (zh) * | 2019-03-28 | 2019-07-09 | 北京航空航天大学 | 一种台风波及范围的预测方法 |
| CN109993282B (zh) * | 2019-03-28 | 2020-06-12 | 北京航空航天大学 | 一种台风波及范围的预测方法 |
| CN110888185A (zh) * | 2019-11-22 | 2020-03-17 | 南京航空航天大学 | 一种基于大气活动的北京市春季大气pm2.5浓度变化预报方法 |
| CN111221819A (zh) * | 2019-12-27 | 2020-06-02 | 中国电子科技集团公司第十四研究所 | 一种基于多维数据空间分割的相似台风快速匹配方法 |
| CN111221819B (zh) * | 2019-12-27 | 2023-10-10 | 中国电子科技集团公司第十四研究所 | 一种基于多维数据空间分割的相似台风快速匹配方法 |
| CN112748483A (zh) * | 2020-12-24 | 2021-05-04 | 北京思湃德信息技术有限公司 | 一种基于深度学习的气温预报偏差订正方法及装置 |
| CN112748483B (zh) * | 2020-12-24 | 2022-08-19 | 北京思湃德信息技术有限公司 | 一种基于深度学习的气温预报偏差订正方法及装置 |
| CN112884209A (zh) * | 2021-01-29 | 2021-06-01 | 河海大学 | 一种基于天气学法与数理统计法的中长期降水预报方法 |
| US11880015B2 (en) | 2021-06-07 | 2024-01-23 | International Business Machines Corporation | Modeling tropical cyclone surface fields for impact assessment |
| CN113887784A (zh) * | 2021-09-06 | 2022-01-04 | 阿里巴巴达摩院(杭州)科技有限公司 | 数据处理方法和存储介质 |
| CN117852897A (zh) * | 2023-11-17 | 2024-04-09 | 中国人民解放军63796部队 | 台风生成的关键因子的筛选方法及系统 |
| CN117852897B (zh) * | 2023-11-17 | 2024-09-20 | 中国人民解放军63796部队 | 台风生成的关键因子的筛选方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109086540B (zh) | 2022-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109086540A (zh) | 一种构建热带气旋路径预报模型的方法及装置 | |
| Ustaoglu et al. | Forecast of daily mean, maximum and minimum temperature time series by three artificial neural network methods | |
| CN103581188B (zh) | 一种网络安全态势预测方法及系统 | |
| CN109359166B (zh) | 一种空间增长动态模拟与驱动力因子贡献度同步计算方法 | |
| CN111723523B (zh) | 一种基于级联神经网络的河口余水位预测方法 | |
| CN109840587A (zh) | 基于深度学习的水库入库流量预测方法 | |
| CN109409568A (zh) | 一种基于遗传算法优化bp神经网络地下水埋深的预测方法 | |
| CN110738355A (zh) | 一种基于神经网络的城市内涝预测方法 | |
| CN104933841A (zh) | 一种基于自组织神经网络的火灾预测方法 | |
| CN108196314B (zh) | 一种西北太平洋环状台风自动识别系统 | |
| CN103077267A (zh) | 一种基于改进bp神经网络的参量声源建模方法 | |
| Saxena et al. | A review study of weather forecasting using artificial neural network approach | |
| CN107133686A (zh) | 基于时空数据模型的城市级pm2.5浓度预测方法 | |
| CN110456355A (zh) | 一种基于长短时记忆和生成对抗网络的雷达回波外推方法 | |
| CN106845080A (zh) | 基于差异修正的景区旅游气象灾害智能预测方法 | |
| Jin et al. | A nonlinear artificial intelligence ensemble prediction model for typhoon intensity | |
| CN106919645A (zh) | 复杂地貌大景区的景点气象要素智能精细预测方法 | |
| CN115877483A (zh) | 一种基于随机森林和gru的台风路径预报方法 | |
| CN111914487A (zh) | 一种基于对抗神经网络的无资料地区水文参数率定方法 | |
| Wang et al. | Superiority of a convolutional neural network Model over Dynamical models in Predicting Central Pacific ENSO | |
| Dupuy et al. | Local-scale valley wind retrieval using an artificial neural network applied to routine weather observations | |
| CN106447072A (zh) | 基于显式遗传算法和奇异谱分析的气象水文要素预报方法 | |
| CN104463252A (zh) | 一种基于自适应极限学习机的地基云分类方法 | |
| Guijo-Rubio et al. | An evolutionary artificial neural network approach for spatio-temporal wave height time series reconstruction | |
| Lababede et al. | Mosques smart domes system using machine learning algorithms |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221111 |