CN109993282A - 一种台风波及范围的预测方法 - Google Patents

Abstract

本发明涉及一种台风波及范围的预测方法，包括：对因果熵理论进行改进，加入时序信息及全局演变信息，使其更适用于气象预测，进而基于改进后的因果熵理论对台风历史数据建立因果网络，并通过卷积LSTM算法预测台风出现后可能的受灾城市。本发明内容包括：首先通过改进后的因果熵理论计算各个城市间的台风强度的因果熵，然后以城市为结点，两城市间的因果熵为边权建立有向有权网络，为了保证网络的可预测性，对网络进行主干提取，并引入时间窗将静态网络转化为时序网络并结合改进后的卷积LSTM模型预测未来时刻网络的结构。本发明能预测台风发生时可能受灾的城市，且不需要台风的实时气象数据，有效地解决了气象观测装置受损时的受灾城市预测问题。

Description

一种台风波及范围的预测方法

技术领域

本发明属于气象预测领域，涉及一种台风预测方法，具体的说，是指一种台风波及范围的预测方法。

背景技术

台风登陆往往会造成严重的灾难。在台风登陆前尽早预测台风的路径一直是气象预测的研究重点，而强台风很可能会造成气象观测不准或无法进行气象观测，因此在无法准确观测气象情况时预测台风可能影响的城市是气象预测中的重中之重。一方面要考虑到简单的使用历史受灾程度估计城市受灾的可能性忽略了不同台风前进轨迹不同的问题；另一方面要考虑到实时数据的缺乏，使用加速度、前进方向等物理量预测台风的前进轨迹会导致结果准确度较低。结合以上两点，一个能准确体现出台风影响的传播过程的时序模型对台风预测及防范都至关重要。卷积LSTM模型是时序图预测的重要算法之一，而因果熵能很自然的体现出台风的影响的传播，将两者结合能在实时数据缺乏的情况下准确有效的预测将受台风影响的城市。

发明内容

本发明技术解决问题：克服现有技术的不足：对实时气象数据的依赖；在台风出现后才能对前进方向进行预测；提供一种台风波及范围的预测方法，能够在不使用实时气象数据的前提下在台风生成前对受台风影响的城市进行准确的预测。

本发明技术解决方案：本发明的一种台风波及范围的预测方法，以每个城市为结点收集受台风影响的历史记录并按时间排列形成时间序列，选定时间窗计算该时间窗内各城市间的因果熵，以城市为结点，因果熵为边权，移动时间窗形成因果熵时序网络，网络中有向边的源结点表示“因”，目的结点表示“果”，因果熵的大小表示源结点城市受台风波及后目的结点城市受台风波及的可能性。通过设定阈值将网络中权重较小的边置0，从而提高网络的可预测性，避免未受台风影响或受影响较小的城市影响预测结果。然后将所有时间窗下的网络组合起来构成一个时序网络，并当作卷积LSTM模型的输入，然后确定模型的记忆周期，使用历史数据训练模型，进而预测未来下一个的因果网络，对于更远的未来的时间窗，可以将预测的输出当作输入再次代入模型来迭代，直到得到需要的时间窗下的网络结构。

本发明一种台风波及范围的预测方法，基于因果熵方法，包括如下步骤：

步骤一：根据台风的历史数据，获取要预测城市受台风影响的时间序列；所述时间序列中以一天为时间间隔，记录该天此城市的台风强度，若该天无台风数据，则记录为 0；

步骤二：将城市X和城市Z作为网络中的一个结点，选定若干天为时间窗的长度，计算该时间窗的长度内城市X对城市Z的因果熵，在城市X和城市Z间添加一条有向边，并将该因果熵视作有向边X→Z的权重；再按相同方法计算城市Z对城市X的因果熵，在城市Z和城市X间添加一条有向边，并将城市Z对城市X的因果熵的值视作有向边Z→X 的权重；

步骤三：重复步骤二，直到将选定城市全部加入网络，并在所有的城市间添加以因果熵为边权的边，直至构成一个全连接网络，该全连接网络即为有向有权的静态因果熵网络，之后对网络进行主干提取，保留关键边的信息，去除冗余信息；

步骤四：向后移动时间窗，重复步骤二和步骤三，建立不同时间窗下的静态因果熵网络，并将所有时间窗下的静态因果熵网络组合在一起，得到一张时序因果熵网络；

步骤五：初始化卷积LSTM模型的参数，选定卷积LSTM模型的记忆周期，结合气象数据特征，对LSTM模型进行改进，并用所述步骤四的这张时序因果熵网络训练改进后的卷积LSTM模型，从而预测出未来时刻的网络结构，通过未来时刻网络的边权即知道在下一个或几个时间窗内被台风波及的城市，从而完成台风波及范围的预测。

所述步骤二中，时间窗的长度可以根据实际需求的预测精度进一步调整，选取7就表示预测结果为在下一个或几个7天内受台风波及的城市，计算城市X到城市Z的因果熵首先要先算出城市X到城市Z的传递熵，公式如下：

C_Z→X＝H(X_t+1|X_t，Y_t)

然后需要对所有的城市Y(Y≠X≠Z)计算下式的最大值：

C_{Z→X|(X，Y)}＝H(X_t+1|X_t，Y_t)-H(X_t+1|X_t，Y_t，Z_t)

其中，H(·)表示条件熵，X_t表示X城市的时间序列在时间t时刻的值，等式左边C_{Z→X|(X，Y)}表示城市Z经由城市Y到城市X的因果熵(Y为任意一个其他城市)，等式右边为条件熵的表达式，H(X_t+1|X_t，Y_t)表示已知X_t，Y_t的情况下，X_t+1所剩的信息量。

对于给定的时间窗长度1，t为整数且满足：

0≤t≤l-1。

C_{Z→X|(X，Y)}即为因果熵的表达式。

所述步骤三中，所述网络主干提取方法，用来在不明显破坏网络社团结构的前提下，对全连接网络中信息量较少，即该边的α_ij＜1的边进行删除，从而提高后续预测的准确度，具体如下：

(1)对网络中的每一条边计算

上述公式中，k是结点i的度，其中s_ij是结点强度，ω_ij是边权重。α_ij为定义的衡量网络中边的重要性的指标，该值越小表示这条边越重要，p_ij用来衡量一条边对其连接的结点的重要性，该值越大表示这条边对其连接的结点越重要。在公式中加入边权和结点强度可以在衡量边的重要性时加入结点周围的邻居的信息，在删除结点时保留网络的社团信息。

(2)计算网络密度：其中n为网络中边的数量，N为网络中结点的总数量。

(3)保证网络密度大于70％的前提下，选定阈值α，删除满足下式的边：α_ii≥α。α的取值可以根据实际情况在满足前提条件即保证网络密度大于70％时自行选择，如无特殊情况，本发明推荐选择α＝1。

所述步骤五中，本发明考虑到过去几十年全球气候发生了较大的变化，与现在时序上相隔较远的因果网络对LSTM模型隐藏层参数的影响应该小于与现在时序较近的因果网络；同时，由于台风的发生是不频繁事件，训练模型时要重点使用有台风出现的网络，本发明对卷积LSTM的输入层进行改进，改进后的卷积LSTM模型对输入的因果熵网络按时间及台风强度进行加权，具体结构及相关公式如下：

(1)

上述公式中，网络中台风总强度表示一个网络中各城市台风强度之和，C是一个归一化参数。

(2)当前时间步下因果网络中每条边的权重表示为：a′_ij＝K×a_ij，其中a_ij为原始网络(未加权)中边的权重，a′_ij为加权后的网络中边的权重。

经改进，卷积LSTM将会对发生时间离现在较近，台风强度较大的网络较为敏感，对发生时间久远或未造成实质影响的台风不敏感。

本发明的优点与现有技术相比的积极效果在于：

(1)本发明通过建立因果网络，用因果熵描述台风的传播，这种创新性的做法可以有效地描述台风的影响从一个城市传播到另一个城市的可能性，避免了人为设定指标带来的误差，提高了预测的准确性。

(2)本发明避免了台风到来时实时气象观测数据不准无法判断台风走向的问题，结合实验结果进一步发现本发明提出的这种基于历史数据的预测可以准确的预测出受台风影响的城市，本发明有效的摆脱了现有台风预测技术对实时气象数据较为依赖的缺点，避免了实时气象数据不准对预测结果的影响。

(3)本发明通过将预测值重新输入卷积LSTM模型进行迭代，在一定程度上能够捕捉到气象变化的时序性，在台风出现前预测台风的出现及可能受其波及的城市，而现有技术一般只能在台风形成后才能对其前进方向进行预测。与现有技术相比，本发明可以更快更早的预测台风的影响范围，帮助政府提前做好应对准备。

(4)本发明考虑到台风产生到结束的时间较短，直接计算各城市台风强度序列间的因果熵无法精确的体现台风变化的时序性，本发明在因果熵的计算中加入了时间窗的概念，通过时间窗的滑动将原始台风序列划分为多个相互独立的子序列，从而将时序信息加入因果熵，形成一个由因果熵组成的时间序列，可以很好的体现出台风短时间内的变化，提升预测的准确度与时效性。

附图说明

图1是本发明为城市i和城市j建立的因果熵关系示意图；

图2是本发明提出的滑动时间窗生成因果熵时间序列的实现方法示意图；

图3是本发明按照因果熵理论根据日本台风数据建立的因果熵网络示意图；

图4是LSTM模型结构示意图；

图5是本发明的卷积LSTM模型结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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、完整的描述。

如图1所示，本发明的一种台风波及范围的预测方法，包括如下步骤：

第一步，根据台风的历史数据，获取要预测城市受台风影响的时间序列；所述时间序列中以一天为时间间隔，记录该天此城市的台风强度，若此城市该天未受台风影响，序列中这一项为0。

第二步，计算城市X对城市Z的因果熵，选定L为时间窗长度，即把时间序列以L 天为间隔，截成多个子时间序列，对于给定的城市X、Z，先计算X到Z的传递熵，公式如下：

C_Z→X＝H(X_t+1|X_t，Y_t)

再对剩余的其他城市Y计算下式，并保留下式的最大值作为X→Z在第i个时间窗下的因果熵：

其中，表示X城市的时间序列的第i个子序列在t时刻的值，表示Y城市的时间序列的第i个子序列在t时刻的值，表示Y城市的时间序列的第i个子序列在t时刻的值，t为整数且满足下式：

0≤t≤l-1

H(·)表示条件熵，计算方法如下：

上述公式中，p(x，y)表示x，y的联合概率，p(y|x)表示y在x情况下的条件概率。然后将城市X和城市Z作为网络中的一个结点，将该时间窗内城市X对城市Z的因果熵视作有向边X→Z的权重，如图1所示，构成因果熵网络的一条边。再按照相同的步骤得到城市Z到城市X的有向有权边。

第三步，在要预测的城市集合中选择不同的城市对(X，Z)重复步骤二，计算X对Z及Z对X的因果熵，并将有向有权边X→Z及Z→X加入网络，直到遍历了所有不同的城市对，构成一张全连接网络。

通过第三步的处理，如图2所示，a，b分别表示两个城市的台风强度序列，c表示 a，b两城市间的因果熵序，在时间窗长度为k时，a₁到a_k与b₁到b_k通过因果熵运算得到 c₁列，以此类推可以得到c₁，c₂...，对所有城市的序列进行上述运算可以得到第i个时间窗下的静态因果熵网络。

第四步，重复步骤二和步骤三，增大i(i＝1，2，3...)来将时间窗后移，建立不同时间窗i下的因果熵网络，直到遍历了所有的子时间序列，然后将形成的所有静态因果熵网络按时序组合在一起，得到一张时序因果熵网络。网络中出度大的结点表示“因”即该城市受台风影响意味着会有大量其他城市受台风影响，而网络中入度大的结点则表示“果”即几乎任何一个其他城市受台风影响都会意味着该城市会受台风影响。出度大的结点和入度大的结点都是台风到来时需要重点关注的。如图3所示，本发明使用了日本 1988年10月1日到1988年10月15日共15天的数据构成一个时间窗并按上述方法建立因果熵网络，用结点的大小来代表结点的出度，可以很明显的看出靠海边的结点出度大，内陆的结点出度小；海边的结点入度小，内陆的结点入度大，这表明台风的影响总体上是从沿海地区传播到内陆地区，结果符合现实中的情况，这说明因果熵网络可以合理且明显的表现出台风对城市影响的传播。

第五步，将时序因果熵网络输入卷积LSTM(convLSTM)模型并预测下一个时间窗的网络拓扑，如果预测出的第i个时间窗的网络拓扑发现城市X到城市Z的有向边权重很大，那么就可以认为城市X有很大概率会在这个时间窗内受到台风的影响，且台风的影响很有可能会传递到城市Z。若无历史数据缺失，在此模型中推荐使用{i-1，i-2，..，i-5，i-k} 时间窗下的网络来预测第i个时间窗下的网络拓扑，其中k为记忆周期，即认为第i个时间窗下的网络拓扑和前k个时间窗下的网络拓扑有关；在近期数据缺失的情况下，也可以使用{i-j，i-2，..，i-5，i-k}时间窗下的网络来预测第i-j+1个时间窗下的网络拓扑，并将其作为输入预测第i-j+2个时间窗下的网络拓扑，重复此过程直到得到第i个时间窗下网络拓扑的预测值，其中j为缺失数据的时间窗的个数。

对于第五步中使用的卷积LSTM补充说明如下：长短期记忆模型(LSTM)是一种公认的处理时间序列的模型，其主要是由遗忘门、输入门、输出门构成，具体结构如图4 所示，其中每一个方框代表一个神经元，x表示输入，h表示输出，σ是sigmoid函数，起到门的作用，对信息进行选择性遗忘和传递，最左边是遗忘门，中间是输入门，最右边的是输出门，三个门结合tanh函数及加法乘法模块实现信息在神经元间的传递，图3 体现了LSTM神经元与神经元之间的连接及交互方式。但预测时间序列与预测网络之间有一个最大的区别在于网络中的链路间存在一些相关性，而这种相关性有助于提升对网络预测的准确性。因此，本发明使用了convLSTM模型而非一般的FC-LSTM模型。相比于一般的LSTM模型，ConvLSTM网络能更好的捕获网络空间上的结构特征，它不但考虑到了时间序列对网络预测的影响，还考虑到了周边链路的影响。对于convLSTM模型，所有的输入为X₁，X₂，...，X_t，元胞输出为C₁，C₂，...，C_t，隐藏层H₁，H₂，...H_t所以先将形状为1× N²的矩阵转换为1×N×N。为了更好地了解输入和状态，可以将它们想象为站在空间网格上的向量。ConvLSTM通过其本地邻居的输入和过去状态来确定网格中某个单元的未来状态。这可以通过在状态到状态和输入到状态转换中使用卷积运算符来轻松实现。

本发明的ConvLSTM具体结构见图4，其中X_t为t层的卷积输入，与上一层的输出一同构成下一层的输入，C_t表示上一层记忆细胞的状态，H_t表示上一时刻LSTM的输出值。

具体的，ConvLSTM中一层从第t-1层神经网络到第t层神经网络的计算公式如下：

其中‘*’代表卷积运算符，‘ο’代表hadamard运算符。W表示权重矩阵，可以通过训练学习得到，X_t为t层的卷积输入，C_t表示上一层记忆细胞的状态，H_t表示上一时刻LSTM的输出值，f表示遗忘门，b为一常数，也可以通过训练学习得到，σ是sigmoid 函数，tanh是tanh函数。i是输入门，o是输出门。

在训练ConvLSTM前，要先进行数据预处理。为了提升预测准确度，要对特征序列进行归一化，归一化函数为在通过convLSTM层后，再经过conv层，使用relu函数作为激活函数，用Adam算法作为优化算法。训练完成后，将结果去归一化，即重新转化回到原区间内，转换函数为z＝z_norm×(z_max-z_min)+z_min，上述公式中，z表示输入模型的数据，z_norm表示归一化后的数据，z_max表示数据z中的最大值，z_min表示数据z中的最小值。

如图5所示，X_t为t层的卷积输入，与上一层的输出一同构成下一层的输入，C_t表示上一层记忆细胞的状态，H_t表示上一时刻LSTM的输出值，图5体现了LSTM层与层之间的传递及连接方式。

以上虽然描述了本发明的具体实施方法，但是本领域的技术人员应当理解，这些仅是举例说明，在不背离本发明原理和实现的前提下，可以对这些实施方案做出多种变更或修改，因此，本发明的保护范围由所附权利要求书限定。

Claims (5)

1.一种台风波及范围的预测方法，其特征在于，包括以下步骤：

步骤一：根据台风的历史数据，获取要预测城市受台风影响的时间序列；所述时间序列中以一天为时间间隔，记录该天此城市的台风强度，若该天无台风数据，则记录为0；

步骤二：将城市X和城市Z作为网络中的一个结点，选定若干天为时间窗的长度，计算该时间窗的长度内城市X对城市Z的因果熵，在城市X和城市Z间添加一条有向边，并将该因果熵视作有向边X→Z的权重；再按相同方法计算城市Z对城市X的因果熵，在城市Z和城市X间添加一条有向边，并将城市Z对城市X的因果熵的值视作有向边Z→X的权重；

步骤三：重复步骤二，直到将选定城市全部加入网络，并在所有的城市间添加以因果熵为边权的边，直至构成一个全连接网络，该全连接网络即为有向有权的静态因果熵网络，之后对网络进行主干提取，保留关键边的信息，去除冗余信息；

步骤四：向后移动时间窗，重复步骤二和步骤三，建立不同时间窗下的静态因果熵网络，并将所有时间窗下的静态因果熵网络组合在一起，得到一张时序因果熵网络；

步骤五：初始化卷积LSTM模型的参数，选定卷积LSTM模型的记忆周期，结合气象数据特征，对LSTM模型进行改进，并用所述步骤四的这张时序因果熵网络训练改进后的卷积LSTM模型，从而预测出未来时刻的网络结构，通过未来时刻网络的边权即知道在下一个或几个时间窗内被台风波及的城市，完成台风波及范围的预测。

2.根据权利要求1所述的台风波及范围的预测方法，其特征在于：所述步骤二中，时间窗的长度根据实际需求的预测精度进一步调整，选取若干天为7到，表示预测结果为在下一个或几个7天内受台风波及的城市。

3.根据权利要求1所述的台风波及范围的预测方法，其特征在于：所述步骤二中，计算该时间窗的长度内城市X对城市Z的因果熵的过程为：

首先要先算出城市X到城市Z的传递熵C_Z→X，公式如下：

C_Z→X＝H(X_t+1|X_t,Y_t)

然后需要对所有的城市Y计算下式的最大值，Y≠X≠Z：

C_Z→X|(X,Y)＝H(X_t+1|X_t,Y_t)-H(X_t+1|X_t,Y_t,Z_t)

其中，H(·)表示条件熵，X_t表示X城市的时间序列在时间t时刻的值，等式左边C_Z→X|(X,Y)表示城市Z经由城市Y到城市X的因果熵，Y为任意一个其他城市，等式右边为条件熵的表达式，H(X_t+1|X_t,Y_t)表示已知X_t,Y_t的情况下，X_t+1所剩的信息量；

对于给定的时间窗长度l，t为整数且满足：

0≤t≤l-1

C_Z→X|(X,Y)即为因果熵的表达式。

4.根据权利要求1所述的台风波及范围的预测方法，其特征在于：所述步骤三中，所述网络主干提取方法具体如下：

(1)对网络中的每一条边计算

上述公式中，k是结点i的度，其中s_ij是结点强度，ω_ij是边权重；α_ij为定义的衡量网络中边的重要性的指标，该值越小表示这条边越重要，p_ij用来衡量一条边对其连接的结点的重要性，该值越大表示这条边对其连接的结点越重要；

(2)保证网络密度大于70％的前提下，选定阈值α，删除满足下式的边：

α_ij≥α。

5.根据权利要求1所述的台风波及范围的预测方法，其特征在于：所述步骤五中，改进后的卷积LSTM模型对输入的因果熵网络按时间及台风强度进行加权，加权公式如下：

(1)权重系数

上述公式中，网络中台风总强度表示一个网络中各城市台风强度之和，C是一个归一化参数。