CN110837137A - 一种台风预测报警方法 - Google Patents

一种台风预测报警方法 Download PDF

Info

Publication number
CN110837137A
CN110837137A CN201911082984.1A CN201911082984A CN110837137A CN 110837137 A CN110837137 A CN 110837137A CN 201911082984 A CN201911082984 A CN 201911082984A CN 110837137 A CN110837137 A CN 110837137A
Authority
CN
China
Prior art keywords
typhoon
model
prediction
time
real
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.)
Withdrawn
Application number
CN201911082984.1A
Other languages
English (en)
Inventor
刘健华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201911082984.1A priority Critical patent/CN110837137A/zh
Publication of CN110837137A publication Critical patent/CN110837137A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • 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)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Ecology (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Environmental Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Atmospheric Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种台风预测报警方法，步骤为1、对历史台风数据进行归一化处理；2、对归一化后的数据序列进行分析，分析降雨量、蒸发量和风力影响因素对台风形成以及路径的影响；3、建立模型训练数据集S1；4、建立台风预测模型；5、建立实时误差校正模型训练数据集S2，输入与S1相同，台风预测模型的预测误差作为输出；6、建立台风实时误差校正模型；7、对实时监测的降雨量、蒸发量和风力，利用台风预测模型对实时数据进行预测，利用台风实时误差校正模型进行校正，获得最终的预测值，并输出台风数据对海防监控进行实时调整并在台风来临之前进行报警。本发明通过深度学习自动提取数据特征的特点对训练数据进行建模，并通过BP神经网络进行实时校正，以提高模型预测的准确率。

Description

一种台风预测报警方法
技术领域
本发明属于海洋预测技术领域，特别涉及一种台风预测报警方法。
背景技术
我国国土辽阔，大部分靠海，海域辽阔，并且在海洋上以及周边城市生活和工作的人员众多，台风屡屡侵袭，对我国经济发展、社会的进步带来了阻碍，因此开展台风预报研究十分重要。
传统上大多使用基于物理过程的概念性台风模型描述台风过程，这类方法较为成熟，能够达到较好的预测效果。但是这些模型复杂，针对不同地区模型适应性较差，模型参数率定难度较大。因此基于数据驱动的台风过程预测方法日益得到发展。近年来，我国已经建立了较为完善的信息监测网络，采集了大量的台风相关数据，这些数据中蕴含了台风过程的内在规律，如何利用数据挖掘技术建立的基于数据驱动的预测模型，提高水文过程预测的准确率，是一个重要的研究方向。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种通过深度学习自动提取数据特征的特点对训练数据进行建模，并通过BP神经网络进行实时校正，以提高模型预测的准确率的台风预测报警方法。
技术方案：为实现上述目的，本发明提供一种台风预测报警方法，包括如下步骤：
(1)对历史台风数据进行归一化处理；
(2)对归一化后的数据序列进行分析，分析降雨量、蒸发量和风力影响因素对台风形成以及路径的影响；
(3)利用滑动窗口从历史场次台风数据中建立预测模型的输入和输出值，建立模型训练数据集S1；
(4)建立基于深度学习的台风预测模型，利用步骤(3)中得出的训练数据集S1训练预测模型得到模型参数，建立台风预测模型；
(5)建立实时误差校正模型训练数据集S2，输入与S1相同，台风预测模型的预测误差作为输出；
(6)建立基于BP神经网络的误差校正模型，利用S2训练校正模型，获得模型参数，建立台风实时误差校正模型；
(7)台风实时误差校正模型是指适应具体海洋环境的BP校正模型，该模型中的参数体现了当前海域的特征；
(8)对实时监测的降雨量、蒸发量和风力，利用台风预测模型对实时数据进行预测，利用台风实时误差校正模型进行校正，获得最终的预测值，并输出台风数据对海防监控进行实时调整并在台风来临之前进行报警。
进一步的，所述步骤(1)中对历史台风数据进行归一化处理的具体步骤如下：
采用离差标准化将台风过程预测涉及到的包括时间、路径、中心地带、风力、波及力、破坏力、降雨量、蒸发量数据进行线性变化，通过转化公式将原始值映射到[0,1]之间；转化公式如下：
其中x*为转换后的值，x为原始值，xmin＝min(x)，xmax＝max(x)；经过min-max标准化后，原始值被规约到[0,1]之间；其中，max(x)取x对应指标的历史最大值，min(x)取x对应指标的历史最小值。
进一步的，所述步骤(2)中分析降雨量、蒸发量和风力影响因素对台风形成以及路径的影响的具体步骤如下：
对归一化后的台风过程数据序列采用皮尔逊相关系数分析输出量即海域出口流量与不同时间范围的各输入量、海域内各雨量站的降雨量和蒸发站的蒸发量的相关性，确定输入量对输出量影响的时间范围，各输入量的影响范围的最大值作为整体输入量对输出量影响的时间范围。
进一步的，根据权利要求1所述的一种台风预测报警方法，其特征在于，所述步骤(3)中建立模型训练数据集S1的具体步骤如下：
利用步骤(2)中得到的时间范围作为滑动窗口的宽度，按照步长为1提取历史台风过程数据作为输入，对应输出为预测预见期为宽度的输出序列；具体的输入量对输出量影响的最大时间范围为w，即表示某个输入量的t0时刻监测值，从t1到tw时间内，逐渐影响输出量，并最终影响消失；
Figure BDA0002264531900000022
上式表示预测模型的输入为I的矩阵，有m+1个输入量，包括预测量自身；输出为O的向量，预见期为n。
进一步的，所述步骤(4)中建立基于深度学习的台风预测模型，采用卷积神经网络构建，其中台风预测模型包括卷积层、池化层和激活函数。
进一步的，所述步骤(7)中训练校正模型，具体步骤如下：
建立BP神经网络校正模型，利用S2训练校正模型，通过BP神经网络建立输入数据和输出误差之间的非线性关系，获得模型参数。
有益效果：本发明与现有技术相比具有以下优点：
本发明提出的基于卷积神经网络和实时校正的台风过程预测方法，从监测的降雨量、蒸发量和风力影响因素等中利用数据挖掘发现数据之间的关系，相对传统的基于物理过程的预测过程来说，参数较少，同时更加容易设置相关参数。同时，在预测模型的基础上，通过结合组合校正模型，对预测值进行实时调整，提高了预测的准确率，提高了峰现时间和峰值预报准确率。
附图说明
图1是本发明的流程图；
图2是实施例中不同的时间差中di与q之间的关系图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示，本发明一种台风预测报警方法，包括如下步骤：
(1)对历史台风数据进行归一化处理；
采用离差标准化将台风过程预测涉及到的包括时间、路径、中心地带、风力、波及力、破坏力、降雨量、蒸发量数据进行线性变化，通过转化公式将原始值映射到[0,1]之间；转化公式如下：
Figure BDA0002264531900000031
其中x*为转换后的值，x为原始值，xmin＝min(x)，xmax＝max(x)；经过min-max标准化后，原始值被规约到[0,1]之间；其中，max(x)取x对应指标的历史最大值，min(x)取x对应指标的历史最小值。
(2)对归一化后的数据序列进行分析，分析降雨量、蒸发量和风力影响因素对台风形成以及路径的影响；
对归一化后的台风过程数据序列采用皮尔逊相关系数分析输出量即海域出口流量与不同时间范围的各输入量、海域内各雨量站的降雨量和蒸发站的蒸发量的相关性，确定输入量对输出量影响的时间范围，各输入量的影响范围的最大值作为整体输入量对输出量影响的时间范围。
(3)利用滑动窗口从历史场次台风数据中建立预测模型的输入和输出值，建立模型训练数据集S1；、
利用步骤(2)中得到的时间范围作为滑动窗口的宽度，按照步长为1提取历史台风过程数据作为输入，对应输出为预测预见期为宽度的输出序列；具体的输入量对输出量影响的最大时间范围为w，即表示某个输入量的t0时刻监测值，从t1到tw时间内，逐渐影响输出量，并最终影响消失；
上式表示预测模型的输入为I的矩阵，有m+1个输入量，包括预测量自身；输出为O的向量，预见期为n。
(4)建立基于深度学习的台风预测模型，利用步骤(3)中得出的训练数据集S1训练预测模型得到模型参数，建立台风预测模型；
(5)建立实时误差校正模型训练数据集S2，输入与S1相同，台风预测模型的预测误差作为输出；
(6)建立基于BP神经网络的误差校正模型，利用S2训练校正模型，获得模型参数，建立台风实时误差校正模型；
(7)台风实时误差校正模型是指适应具体海洋环境的BP校正模型，该模型中的参数体现了当前海域的特征；
建立BP神经网络校正模型，利用S2训练校正模型，通过BP神经网络建立输入数据和输出误差之间的非线性关系，获得模型参数。
(8)对实时监测的降雨量、蒸发量和风力，利用台风预测模型对实时数据进行预测，利用台风实时误差校正模型进行校正，获得最终的预测值，并输出台风数据对海防监控进行实时调整并在台风来临之前进行报警。可以更好的提前警示相关人员做好防范措施，将台风的伤害降到最低，减少人员伤亡以及财产损失。

Claims (6)

1.一种台风预测报警方法，其特征在于，包括如下步骤：
(1)对历史台风数据进行归一化处理；
(2)对归一化后的数据序列进行分析，分析降雨量、蒸发量和风力影响因素对台风形成以及路径的影响；
(3)利用滑动窗口从历史场次台风数据中建立预测模型的输入和输出值，建立模型训练数据集S1；
(4)建立基于深度学习的台风预测模型，利用步骤(3)中得出的训练数据集S1训练预测模型得到模型参数，建立台风预测模型；
(5)建立实时误差校正模型训练数据集S2，输入与S1相同，台风预测模型的预测误差作为输出；
(6)建立基于BP神经网络的误差校正模型，利用S2训练校正模型，获得模型参数，建立台风实时误差校正模型；
(7)台风实时误差校正模型是指适应具体海洋环境的BP校正模型，该模型中的参数体现了当前海域的特征；
(8)对实时监测的降雨量、蒸发量和风力，利用台风预测模型对实时数据进行预测，利用台风实时误差校正模型进行校正，获得最终的预测值，并输出台风数据对海防监控进行实时调整并在台风来临之前进行报警。
2.根据权利要求1所述的一种台风预测报警方法，其特征在于，所述步骤(1)中对历史台风数据进行归一化处理的具体步骤如下：
采用离差标准化将台风过程预测涉及到的包括时间、路径、中心地带、风力、波及力、破坏力、降雨量、蒸发量数据进行线性变化，通过转化公式将原始值映射到[0,1]之间；转化公式如下：
Figure FDA0002264531890000011
其中x*为转换后的值，x为原始值，xmin＝min(x)，xmax＝max(x)；经过min-max标准化后，原始值被规约到[0,1]之间；其中，max(x)取x对应指标的历史最大值，min(x)取x对应指标的历史最小值。
3.根据权利要求1所述的一种台风预测报警方法，其特征在于，所述步骤(2)中分析降雨量、蒸发量和风力影响因素对台风形成以及路径的影响的具体步骤如下：
对归一化后的台风过程数据序列采用皮尔逊相关系数分析输出量即海域出口流量与不同时间范围的各输入量、海域内各雨量站的降雨量和蒸发站的蒸发量的相关性，确定输入量对输出量影响的时间范围，各输入量的影响范围的最大值作为整体输入量对输出量影响的时间范围。
4.根据权利要求1所述的一种台风预测报警方法，其特征在于，所述步骤(3)中建立模型训练数据集S1的具体步骤如下：
利用步骤(2)中得到的时间范围作为滑动窗口的宽度，按照步长为1提取历史台风过程数据作为输入，对应输出为预测预见期为宽度的输出序列；具体的输入量对输出量影响的最大时间范围为w，即表示某个输入量的t0时刻监测值，从t1到tw时间内，逐渐影响输出量，并最终影响消失；
Figure FDA0002264531890000021
上式表示预测模型的输入为I的矩阵，有m+1个输入量，包括预测量自身；输出为O的向量，预见期为n。
5.根据权利要求1所述的一种台风预测报警方法，其特征在于，所述步骤(4)中建立基于深度学习的台风预测模型，采用卷积神经网络构建，其中台风预测模型包括卷积层、池化层和激活函数。
6.根据权利要求1所述的一种台风预测报警方法，其特征在于，所述步骤(7)中训练校正模型，具体步骤如下：
建立BP神经网络校正模型，利用S2训练校正模型，通过BP神经网络建立输入数据和输出误差之间的非线性关系，获得模型参数。
CN201911082984.1A 2019-11-07 2019-11-07 一种台风预测报警方法 Withdrawn CN110837137A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911082984.1A CN110837137A (zh) 2019-11-07 2019-11-07 一种台风预测报警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911082984.1A CN110837137A (zh) 2019-11-07 2019-11-07 一种台风预测报警方法

Publications (1)

Publication Number Publication Date
CN110837137A true CN110837137A (zh) 2020-02-25

Family

ID=69574635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911082984.1A Withdrawn CN110837137A (zh) 2019-11-07 2019-11-07 一种台风预测报警方法

Country Status (1)

Country Link
CN (1) CN110837137A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111427101A (zh) * 2020-04-07 2020-07-17 江苏省气象科学研究所 雷雨大风分级预警方法、系统、存储介质、计算机程序
CN111458769A (zh) * 2020-05-26 2020-07-28 南京大学 用于输电线路环境气象数据预测的方法及系统
CN111624681A (zh) * 2020-05-26 2020-09-04 杨祺铭 一种基于数据挖掘的飓风强度变化预测方法
CN111722306A (zh) * 2020-07-27 2020-09-29 郑州航空工业管理学院 一种基于tcn网络模型台风登陆强度预测方法和系统
CN112509285A (zh) * 2020-11-14 2021-03-16 韩瑞 基于cnn的全球台风报文收集方法及收集系统
CN112766592A (zh) * 2021-01-27 2021-05-07 中国科学院大气物理研究所 夏季登陆中国台风数量预测方法、装置、设备及存储介质
CN112799156A (zh) * 2021-03-30 2021-05-14 中数通信息有限公司 气象一体化突发事件预警发布方法及装置
CN113627668A (zh) * 2021-08-10 2021-11-09 贵州中云数据服务有限公司 一种超算环境下的数据分析处理系统
CN113643522A (zh) * 2021-08-31 2021-11-12 中国银行股份有限公司 报警预测方法、装置、设备和存储介质
CN114153009A (zh) * 2021-08-17 2022-03-08 中国科学院新疆生态与地理研究所 一种预测台风路径的方法
CN114169590A (zh) * 2021-11-22 2022-03-11 华中科技大学 一种基于多情景划分的水库入库径流预报校正方法和系统
CN114563975A (zh) * 2022-03-03 2022-05-31 北京好运达智创科技有限公司 箱梁生产的工地环境监测系统及方法
CN117168545A (zh) * 2023-10-30 2023-12-05 自然资源部第一海洋研究所 一种基于浮标端本地识别的海洋现象观测方法及系统

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111427101B (zh) * 2020-04-07 2022-04-26 南京气象科技创新研究院 一种雷雨大风分级预警方法、系统、存储介质
CN111427101A (zh) * 2020-04-07 2020-07-17 江苏省气象科学研究所 雷雨大风分级预警方法、系统、存储介质、计算机程序
CN111458769A (zh) * 2020-05-26 2020-07-28 南京大学 用于输电线路环境气象数据预测的方法及系统
CN111624681A (zh) * 2020-05-26 2020-09-04 杨祺铭 一种基于数据挖掘的飓风强度变化预测方法
CN111722306A (zh) * 2020-07-27 2020-09-29 郑州航空工业管理学院 一种基于tcn网络模型台风登陆强度预测方法和系统
CN112509285A (zh) * 2020-11-14 2021-03-16 韩瑞 基于cnn的全球台风报文收集方法及收集系统
CN112766592A (zh) * 2021-01-27 2021-05-07 中国科学院大气物理研究所 夏季登陆中国台风数量预测方法、装置、设备及存储介质
CN112799156A (zh) * 2021-03-30 2021-05-14 中数通信息有限公司 气象一体化突发事件预警发布方法及装置
CN112799156B (zh) * 2021-03-30 2021-07-20 中数通信息有限公司 气象一体化突发事件预警发布方法及装置
CN113627668A (zh) * 2021-08-10 2021-11-09 贵州中云数据服务有限公司 一种超算环境下的数据分析处理系统
CN113627668B (zh) * 2021-08-10 2024-06-11 贵州中云数据服务有限公司 一种超算环境下的数据分析处理系统
CN114153009A (zh) * 2021-08-17 2022-03-08 中国科学院新疆生态与地理研究所 一种预测台风路径的方法
CN113643522A (zh) * 2021-08-31 2021-11-12 中国银行股份有限公司 报警预测方法、装置、设备和存储介质
CN114169590A (zh) * 2021-11-22 2022-03-11 华中科技大学 一种基于多情景划分的水库入库径流预报校正方法和系统
CN114169590B (zh) * 2021-11-22 2024-05-28 华中科技大学 一种基于多情景划分的水库入库径流预报校正方法和系统
CN114563975A (zh) * 2022-03-03 2022-05-31 北京好运达智创科技有限公司 箱梁生产的工地环境监测系统及方法
CN117168545A (zh) * 2023-10-30 2023-12-05 自然资源部第一海洋研究所 一种基于浮标端本地识别的海洋现象观测方法及系统

Similar Documents

Publication Publication Date Title
CN110837137A (zh) 一种台风预测报警方法
CN109272146B (zh) 一种基于深度学习模型和bp神经网络校正的洪水预测方法
CN111798051B (zh) 基于长短期记忆神经网络的空气质量时空预测方法
CN112949945B (zh) 一种改进双向长短期记忆网络的风电功率超短期预测方法
CN111639748B (zh) 一种基于lstm-bp时空组合模型的流域污染物通量预测方法
CN109299812B (zh) 一种基于深度学习模型和knn实时校正的洪水预测方法
CN111222698A (zh) 面向物联网的基于长短时记忆网络的积水水位预测方法
CN110648014B (zh) 一种基于时空分位数回归的区域风电预测方法及系统
Reddy et al. Multivariate modeling of droughts using copulas and meta-heuristic methods
CN104463359A (zh) 一种基于bp神经网络的疏浚作业产量预测模型分析方法
CN111598724B (zh) 一种中小水库入库流量日前预测的分时段集成方法
CN110738355A (zh) 一种基于神经网络的城市内涝预测方法
CN112183625A (zh) 一种基于深度学习的pm2.5高精度时空预测方法
CN115220133B (zh) 一种多气象要素降雨预测方法、装置、设备及存储介质
CN115759488A (zh) 一种基于边缘计算的碳排放监测预警分析系统及其方法
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN116307291B (zh) 一种基于小波分解的分布式光伏发电预测方法及预测终端
CN116227362A (zh) 一种基于图与深度学习的市政排水管网状态预测方法
CN116090596A (zh) 一种台风强度预测方法、装置、设备及存储介质
CN113689053B (zh) 一种基于随机森林的强对流天气架空线停电预测方法
CN114066070A (zh) 基于人工智能和数值计算的天气预报方法
CN112561215A (zh) 一种基于sae-lstm模型的大气雾霾预测方法
CN116611580A (zh) 一种基于多源数据与深度学习的海洋赤潮预测方法
CN110766219A (zh) 基于bp神经网络的雾霾预测方法
CN115330085A (zh) 基于深度神经网络且无未来信息泄露的风速预测方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200225

WW01 Invention patent application withdrawn after publication