CN112785034B - 基于融合神经网络的台风路径预报方法、系统、介质及终端 - Google Patents
基于融合神经网络的台风路径预报方法、系统、介质及终端 Download PDFInfo
- Publication number
- CN112785034B CN112785034B CN202011531064.6A CN202011531064A CN112785034B CN 112785034 B CN112785034 B CN 112785034B CN 202011531064 A CN202011531064 A CN 202011531064A CN 112785034 B CN112785034 B CN 112785034B
- Authority
- CN
- China
- Prior art keywords
- neural network
- typhoon
- data
- model
- longitude
- 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.)
- Active
Links
Images
Classifications
-
- 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"
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- 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
Abstract
本发明属于台风预测技术领域,公开了一种基于融合神经网络的台风路径预报方法、系统、介质及终端,获取台风经纬度、最大风速和最低气压数据等大气环境场数据;提取任意时刻大气环境场数据;输入台风路径预报模型,并把所有数据按照一定比例分为训练组、验证组和测试组,其中训练组用于训练神经网络,确定神经网络中权重取值,验证组帮助我们在神经网络训练过程中优化参数,并防止神经网络过拟合,测试组用于进行最后的测试;创建融合神经网络台风路径预报模型。本发明利用融合神经网络,在传统只使用气候持续因子的神经网络模型中引入了大气环境场,利用迁移学习的思想,有效的解决了台风数据量少的问题。
Description
技术领域
本发明属于台风预测技术领域,尤其涉及一种基于融合神经网络的台风路径预报方法、系统、介质及终端。
背景技术
目前,台风在是热带海洋上生成的强烈天气过程,对台风路径的预测是防灾减灾中的重要一环,有助于人们提前做好防范,减少损失。
台风路径预报的客观方法主有三种,一种是通过数值模型模拟大气场,进而预报台风路径;一种是利用动力统计模型预报台风路径;还有一种是利用神经网络等人工智能方法预报台风路径。
第一种方法通过运行数值模型模拟未来大气环境场进而预报台风路径,该方法需要消耗大量的计算机资源和时间。第二种方法是基于台风路径与大气场之间的关联关系,采用具有固定形式的统计模型开展台风路径预报,受模型中所考虑的预报因子的限制,该模型的预报精度相对来说往往较低。近年来,学者们将神经网络方法引入台风预报研究中。该算法不需要使用者具有一定的专业知识,保证了方法的客观性,同时只需消耗极少的计算机资源和计算时间。然而,在神经网络方法的应用上仍有一些关键问题需要解决:第一是已有的神经网络方法大都依据台风历史时刻的经纬度、最大风速和最低气压等气候持续因子,没有考虑周围的大气环境场,使得台风路径的预报精度整体较低。因此,如何在神经网络中引入大气场变量仍是一个很大的挑战。第二是台风数据往往存在数据量少的问题,使得神经网络难以从少量数据中学习到台风变化的规律,以往的研究往往通过GAN神经网络生成仿真台风数据来扩充数据量,然而生成的台风数据质量无法保证,因此需要提供更有效的解决方法。
通过上述分析,现有台风路径客观预报技术存在的问题及缺陷为:(1)台风路径的数值模拟预报需要消耗大量的计算机资源和时间,难以快速给出预报结果;(2)受模型中所考虑的预报因子及其与台风路径关联关系表达形式的限制,台风路径动力统计预报模型的预报精度整体上偏低。(3)受模型中所考虑的预报因子及台风数据量少的限制,目前基于神经网络方法的台风路径预报模型的精度偏低。
解决以上问题及缺陷的难度为:
(1)已有神经网络方法大都依据台风历史时刻的经纬度、最大风速和最低气压等台风气候持续因子建立模型对台风路径进行预报,没有考虑对台风影响最大的大气环境场因子。其根本原因是已有的神经网络框架无法同时兼顾具有不同表达形式的气候持续因子和大气环境场数据,因此需要对神经网络框架进行较大的修改,难度较大。
(2)相比传统方法,神经网络可以模拟更加复杂的非线性关系,但是需要从大量的数据中学习这种非线性关系。当数据量偏少的情况下,神经网络方法往往性能较差,所以需要从源头上增加样本数据量,难度较大。
解决以上问题及缺陷的意义为:
(1)使用本发明提出的融合神经网络,使神经网络可以同时输入具有不同表达形式的台风气候持续因子和大气环境场因子数据,学习两者与台风路径之间的关联,从而得到更准确的预报结果。
(2)不同区域发生的台风的移动规律往往具有一定的相似性,通过迁移学习的方法,将其它区域的台风数据补充进来,能够大大提升台风样本库数据量,满足神经网络所需的学习条件,从而得到更准确、更具有普适性的台风路径预报模型。
发明内容
针对现有技术存在的问题,本发明提供了一种基于融合神经网络的台风路径预报方法、系统、介质及终端。
本发明是这样实现的,一种基于融合神经网络的台风路径预报方法,所述基于融合神经网络的台风路径预报方法包括以下步骤:
步骤一,获取台风经纬度、最大风速和最低气压数据等大气环境场数据。
步骤二,提取任意时刻大气环境场数据。
步骤三,输入台风路径预报模型。
步骤四,创建融合神经网络预报台风结果。
进一步,步骤一中,所述获取台风经纬度、最大风速和最低气压数据等气候持续因子数据,包括:确定要预报时刻t=0h和t=-6h、-12h、-18h的台风中心的经纬度、最大风速和最低气压数据,并准备要预报时刻(t=0h)和t=-6h的三维大气环境场数据。
进一步,步骤二中,所述提取任意时刻大气环境场数据,包括:
(1)将t=0h、-6h、-12h、-18h的经纬度、最大风速、最低气压按一定顺序罗列,生成一个16*1大小的矩阵。
(2)以t=0h时刻的台风中心经纬度为中心,在t=0h和t=-6h的大气场中裁剪出x*y*z大小的矩阵,其中x是经度范围,y是经度范围,z是垂向范围,将以上两个矩阵作为输入矩阵。
(3)将t=+m时刻的经纬度提取出来,生成2*1大小的输出矩阵,其中m是未来第m时刻,可以为任意正整数。
进一步,步骤三中,所述输入台风路径预报模型,包括:
将收集到的数据按步骤二全部处理,将处理好的数据整合成三个矩阵,一个存放气候持续因子的输入矩阵,矩阵大小是n*16;另一个存放大气环境场的输入矩阵,矩阵大小是n*x*y*z;第三个是存放未来台风中心经纬度的输出矩阵,矩阵大小是n*2,其中n是数据个数,x是经度范围,y是经度范围,z是垂向范围。并把所有数据按照一定比例分为训练组、验证组和测试组,其中训练组用于训练神经网络,确定神经网络中权重取值,验证组帮助我们在神经网络训练过程中优化参数,并防止神经网络过拟合,测试组用于进行最后的测试。
进一步,步骤四中,所述创建融合神经网络预报台风结果,包括:
使用python中keras工具包创建一个初始的融合神经网络,融合神经网络包括卷积层、池化层和全连接层,将步骤三中处理好的训练组和验证组的两个矩阵输入,开始训练神经网络,待神经网络稳定后停止训练,保存对训练组效果最好的模型A和对验证组效果最好的模型B,利用测试组数据对模型A和模型 B进行检验,取误差最小的模型作为最终模型,该模型输出的经纬度值为台风路径预报结果。
本发明的另一目的在于提供一种基于融合神经网络的台风路径预报系统,包括:
台风气候持续因子数据获取模块,用于获取台风经纬度、最大风速和最低气压数据大气环境场数据;
大气环境场数据提取模块,用于提取任意时刻三维大气环境场数据;
预报模型输入模块,用于输入台风路径预报模型;
台风路径预报结果获取模块,用于获取融合神经网络预报台风路径结果数据信息。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
获取台风经纬度、最大风速和最低气压等气候持续因子数据;
提取任意时刻三维大气环境场数据;
输入台风路径预报模型;
获取融合神经网络台风路径预报结果数据信息。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
获取台风经纬度、最大风速和最低气压数据等气候持续因子数据;
提取任意时刻三维大气环境场数据;
输入台风路径预报模型;
获取融合神经网络台风路径预报结果数据信息。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述的方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明提供的基于融合神经网络的台风路径预报方法,利用融合神经网络,在传统只使用气候持续因子的神经网络模型种引入了大气环境场,利用迁移学习的思想,有效的解决了台风数据量少的问题。
对比的技术效果或者实验效果。
选用2019年7-10月台风季的台风作为测试数据,检验模型性能。如表1所示, 模型1采用传统只输入气候持续因子的深度神经网络模型,模型2采用本发明提出的融合神经网络模型,增加了三维大气场作为输入,模型经度有了大幅度的提升。模型3,4分别将北大西洋和北印度洋的台风数据迁移进来,误差也有了明显的下降。证明本发明提出的两种改进方案都能有效的提升模型预报精度。
表1台风路径预报模型结果对比表
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,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这些附图获得其他的附图。
图1是本发明实施例提供的基于融合神经网络的台风路径预报流程图。
图2是本发明实施例提供的台风预报模型流程图。
图3是本发明实施例提供的台风路径预报融合神经网络的框架图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种基于融合神经网络的台风路径预报方法、系统、介质及终端,下面结合附图对本发明技术方案作详细的描述。
如图1所示,本发明实施例提供的基于融合神经网络的台风路径预报方法包括以下步骤:
S101,获取台风经纬度、最大风速和最低气压数据等气候持续因子数据。
S102,提取任意时刻三维大气环境场数据。
S103,输入台风路径预报模型。
S104,创建融合神经网络预报台风结果。
步骤S101中,本发明实施例提供的获取台风经纬度、最大风速和最低气压数据等大气环境场数据,包括:确定要预报时刻t=0h和t=-6h、-12h、-18h的台风中心的经纬度、最大风速和最低气压数据,并准备要预报时刻(t=0h)和t=-6h 的三维大气环境场数据。
步骤S102中,本发明实施例提供的提取任意时刻大气环境场数据,包括:
(1)将t=0h、-6h、-12h、-18h的经纬度、最大风速、最低气压按一定顺序罗列,生成一个16*1大小的矩阵。
(2)以t=0h时刻的台风中心经纬度为中心,在t=0h和t=-6h的大气场中裁剪出x*y*z大小的矩阵,其中x是经度范围,y是经度范围,z是垂向范围,将以上两个矩阵作为输入矩阵。
(3)将t=+m时刻的经纬度提取出来,生成2*1大小的输出矩阵,其中m是未来第m时刻,可以为任意正整数。
步骤S103中,本发明实施例提供的输入台风路径预报模型,包括:
将收集到的数据按步骤S102全部处理,将处理好的数据整合成三个矩阵,一个存放气候持续因子的输入矩阵,矩阵大小是n*16;另一个存放大气环境场的输入矩阵,矩阵大小是n*x*y*z;第三个是存放未来台风中心经纬度的输出矩阵,矩阵大小是n*2,其中n是数据个数,x是经度范围,y是经度范围,z是垂向范围。并把所有数据按照一定比例分为训练组、验证组和测试组,其中训练组用于训练神经网络,确定神经网络中权重取值,验证组帮助我们在神经网络训练过程中优化参数,并防止神经网络过拟合,测试组用于进行最后的测试。
步骤S104中,本发明实施例提供的创建融合神经网络预报台风结果,包括:
使用python中keras工具包创建一个初始的融合神经网络,融合神经网络包括卷积层、池化层和全连接层,将步骤三中处理好训练组和验证组的两个矩阵输入,开始训练神经网络,待神经网络稳定后停止训练,保存对训练组效果最好的模型A和对验证组效果最好的模型B,利用测试组数据对模型A和模型B进行检验,取误差最小的模型作为最终模型,该模型输出的经纬度值为台风路径预报结果。
下面结合实施例对本发明技术方案作进一步描述。
如图3所示,在输入1中输入大小为n*16气候持续因子矩阵,神经网络通过全连接层1学习气候持续因子和台风路径的简单规律,在输入2中输入大小为n*x*y*z的三维大气环境场矩阵,神经网络通过卷积层和池化层学习大气环境场影响台风路径的特征,在全连接层2将上边神经网络学习到的规律和特征融合,并通过全连接层3学习这些规律和特征之间的相互作用关系,并在输出层输出大小为n*2的未来第m时刻台风中心的经纬度矩阵,其中,其中n是数据个数,x是经度范围,y是经度范围,z是垂向范围,m是未来第m时刻,可以为任意正整数。
证明部分(具体实施例/实验/仿真/学分析/能够证明本发明创造性的正面实验数据等)
以西北太平洋的24小时台风路径预报为例,我们收集到了1979-2019年的全球台风最佳路径数据集数据(美国ITBRACs台风最佳路径数据集)和大气环境场数据(欧洲气象中心ERA-5大气再分析数据集)。针对西北太平洋台风数据少的问题,我们利用迁移学习的思路将其他区域的台风补充进来和西北太平洋区域的台风一起参与训练。我们选取西北太平洋区域的台风按照步骤S102和步骤 S103生成数据组1,选取西北太平洋和北大西洋区域的台风按照步骤S102和步骤 S103生成数据组2,选取北半球区域的台风按照步骤S102和步骤S103生成数据组 3。然后利用python软件的keras依赖包建立融合神经网络模型(图3)。将上面提取的数据将2019年7-10月台风作为测试组数据,其他数据按照3:1的比例随机分为训练组、验证组,其中训练组和验证组用于模型的训练,测试组用于检验模型性能。模型激活函数选择为relu,损失函数设置为distance,迭代次数为300次,保存对训练组损失最低的模型A和验证组损失最低的模型B。选择对测试组误差最低的模型作为最终的模型。
如表2所示,三个数据组结果表明利用迁移学习的思想将其他区域的台风补充进来,可以有效解决台风数据量少的问题,并且本发明的预报结果比现有同类方法更加准确。
表2台风路径预报神经网络与现有台风路径预报神经网络预报结果对比表
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于融合神经网络的台风路径预报方法,其特征在于,所述基于融合神经网络的台风路径预报方法包括:
获取台风经纬度、最大风速和最低气压数据;
提取任意时刻三维大气环境场数据;
输入台风路径预报模型;
获取融合神经网络预报的台风路径结果数据信息;
所述输入台风路径预报模型,包括:
将收集到的数据按步骤二全部处理,将处理好的数据整合成三个矩阵,一个存放气候持续因子的输入矩阵,矩阵大小是n*16;另一个存放大气环境场的输入矩阵,矩阵大小是n*x*y*z;第三个是存放未来台风中心经纬度的输出矩阵,矩阵大小是n*2,其中n是数据个数,x是经度范围,y是经度范围,z是垂向范围,并把所有数据按照一定比例分为训练组、验证组和测试组,其中训练组用于训练神经网络,确定神经网络中权重取值,验证组帮助在神经网络训练过程中优化参数,并防止神经网络过拟合,测试组用于进行最后的测试;所述获取融合神经网络预报的台风路径结果数据信息,包括:
使用python中keras工具包创建一个初始的融合神经网络,融合神经网络包括卷积层、池化层和全连接层,将处理好的训练组和验证组的两个矩阵输入,开始训练神经网络,待神经网络稳定后停止训练,保存对训练组效果最好的模型A和对验证组效果最好的模型B,利用测试组数据对模型A和模型B进行检验,取误差最小的模型作为最终模型,该模型输出的经纬度值为台风路径预报结果。
2.如权利要求1所述基于融合神经网络的台风路径预报方法,其特征在于,所述获取台风经纬度、最大风速和最低气压数据等气候持续因子数据,包括:确定要预报时刻t=0h和t=-6h、-12h、-18h的台风中心的经纬度、最大风速和最低气压数据,并准备要预报时刻(t=0h)和t=-6h的三维大气环境场数据。
3.如权利要求1所述基于融合神经网络的台风路径预报方法,其特征在于,所述提取任意时刻三维大气环境场数据,包括:
(1)将t=0h、-6h、-12h、-18h的经纬度、最大风速、最低气压按顺序排列,生成16*1大小的矩阵;
(2)以t=0h时刻的台风中心经纬度为中心,在t=0h和t=-6h的大气场中裁剪出x*y*z大小的矩阵,其中x是经度范围,y是经度范围,z是垂向范围,将以上两个矩阵作为输入矩阵;
(3)将t=+m时刻的经纬度提取出来,生成2*1大小的输出矩阵,其中m是未来第m时刻,为任意正整数。
4.一种基于融合神经网络的台风路径预报系统,其特征在于,所述基于融合神经网络的台风路径预报系统包括:
台风气候持续因子数据获取模块,用于获取台风经纬度、最大风速和最低气压数据;
大气环境场数据提取模块,用于提取任意时刻三维大气环境场数据;
预报模型输入模块,用于输入台风路径预报模型;
台风路径预报结果获取模块,用于获取融合神经网络预报台风路径结果数据信息;
所述输入台风路径预报模型,包括:
将收集到的数据按步骤二全部处理,将处理好的数据整合成三个矩阵,一个存放气候持续因子的输入矩阵,矩阵大小是n*16;另一个存放大气环境场的输入矩阵,矩阵大小是n*x*y*z;第三个是存放未来台风中心经纬度的输出矩阵,矩阵大小是n*2,其中n是数据个数,x是经度范围,y是经度范围,z是垂向范围,并把所有数据按照一定比例分为训练组、验证组和测试组,其中训练组用于训练神经网络,确定神经网络中权重取值,验证组帮助在神经网络训练过程中优化参数,并防止神经网络过拟合,测试组用于进行最后的测试;
所述获取融合神经网络预报的台风路径结果数据信息,包括:
使用python中keras工具包创建一个初始的融合神经网络,融合神经网络包括卷积层、池化层和全连接层,将处理好的训练组和验证组的两个矩阵输入,开始训练神经网络,待神经网络稳定后停止训练,保存对训练组效果最好的模型A和对验证组效果最好的模型B,利用测试组数据对模型A和模型B进行检验,取误差最小的模型作为最终模型,该模型输出的经纬度值为台风路径预报结果。
5.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
获取台风经纬度、最大风速和最低气压数据;
提取任意时刻三维大气环境场数据;
输入台风路径预报模型;
获取融合神经网络预报台风路径结果数据信息;
所述输入台风路径预报模型,包括:
将收集到的数据按步骤二全部处理,将处理好的数据整合成三个矩阵,一个存放气候持续因子的输入矩阵,矩阵大小是n*16;另一个存放大气环境场的输入矩阵,矩阵大小是n*x*y*z;第三个是存放未来台风中心经纬度的输出矩阵,矩阵大小是n*2,其中n是数据个数,x是经度范围,y是经度范围,z是垂向范围,并把所有数据按照一定比例分为训练组、验证组和测试组,其中训练组用于训练神经网络,确定神经网络中权重取值,验证组帮助在神经网络训练过程中优化参数,并防止神经网络过拟合,测试组用于进行最后的测试;
所述获取融合神经网络预报的台风路径结果数据信息,包括:
使用python中keras工具包创建一个初始的融合神经网络,融合神经网络包括卷积层、池化层和全连接层,将处理好的训练组和验证组的两个矩阵输入,开始训练神经网络,待神经网络稳定后停止训练,保存对训练组效果最好的模型A和对验证组效果最好的模型B,利用测试组数据对模型A和模型B进行检验,取误差最小的模型作为最终模型,该模型输出的经纬度值为台风路径预报结果。
6.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
获取台风经纬度、最大风速和最低气压数据;
提取任意时刻三维大气环境场数据;
输入台风路径预报模型;
获取融合神经网络预报台风路径结果数据信息;
所述输入台风路径预报模型,包括:
将收集到的数据按步骤二全部处理,将处理好的数据整合成三个矩阵,一个存放气候持续因子的输入矩阵,矩阵大小是n*16;另一个存放大气环境场的输入矩阵,矩阵大小是n*x*y*z;第三个是存放未来台风中心经纬度的输出矩阵,矩阵大小是n*2,其中n是数据个数,x是经度范围,y是经度范围,z是垂向范围,并把所有数据按照一定比例分为训练组、验证组和测试组,其中训练组用于训练神经网络,确定神经网络中权重取值,验证组帮助在神经网络训练过程中优化参数,并防止神经网络过拟合,测试组用于进行最后的测试;
所述获取融合神经网络预报的台风路径结果数据信息,包括:
使用python中keras工具包创建一个初始的融合神经网络,融合神经网络包括卷积层、池化层和全连接层,将处理好的训练组和验证组的两个矩阵输入,开始训练神经网络,待神经网络稳定后停止训练,保存对训练组效果最好的模型A和对验证组效果最好的模型B,利用测试组数据对模型A和模型B进行检验,取误差最小的模型作为最终模型,该模型输出的经纬度值为台风路径预报结果。
7.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现权利要求1~3任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011531064.6A CN112785034B (zh) | 2020-12-22 | 2020-12-22 | 基于融合神经网络的台风路径预报方法、系统、介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011531064.6A CN112785034B (zh) | 2020-12-22 | 2020-12-22 | 基于融合神经网络的台风路径预报方法、系统、介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112785034A CN112785034A (zh) | 2021-05-11 |
CN112785034B true CN112785034B (zh) | 2022-08-02 |
Family
ID=75751778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011531064.6A Active CN112785034B (zh) | 2020-12-22 | 2020-12-22 | 基于融合神经网络的台风路径预报方法、系统、介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785034B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115857062B (zh) * | 2023-02-28 | 2023-06-13 | 南京信息工程大学 | 一种基于多通道卷积神经网络的次季节台风生成预报方法 |
CN117172372B (zh) * | 2023-09-04 | 2024-03-15 | 南京信息工程大学 | 一种台风路径预测的方法及系统 |
CN117036983B (zh) * | 2023-10-08 | 2024-01-30 | 中国海洋大学 | 一种基于物理增强深度学习的台风中心定位方法 |
CN117471575B (zh) * | 2023-12-28 | 2024-03-08 | 河海大学 | 基于bo-lstm神经网络模型的台风浪波高预报方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101634721A (zh) * | 2009-04-15 | 2010-01-27 | 华东师范大学第二附属中学 | 一种基于历史数据的台风水灾智能预警系统 |
CN111199270A (zh) * | 2019-12-30 | 2020-05-26 | 福建省海洋预报台 | 一种基于深度学习的区域波高预报方法及终端 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10871594B2 (en) * | 2019-04-30 | 2020-12-22 | ClimateAI, Inc. | Methods and systems for climate forecasting using artificial neural networks |
-
2020
- 2020-12-22 CN CN202011531064.6A patent/CN112785034B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101634721A (zh) * | 2009-04-15 | 2010-01-27 | 华东师范大学第二附属中学 | 一种基于历史数据的台风水灾智能预警系统 |
CN111199270A (zh) * | 2019-12-30 | 2020-05-26 | 福建省海洋预报台 | 一种基于深度学习的区域波高预报方法及终端 |
Non-Patent Citations (1)
Title |
---|
基于神经网络集合预报的台风路径预报优化;周笑天等;《浙江大学学报(理学版)》;20200315(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112785034A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112785034B (zh) | 基于融合神经网络的台风路径预报方法、系统、介质及终端 | |
CN111709522B (zh) | 一种基于服务器-嵌入式协同的深度学习目标检测系统 | |
CN107703564B (zh) | 一种降雨预测方法、系统及电子设备 | |
CN111784041B (zh) | 一种基于图卷积神经网络的风电功率预测方法及系统 | |
CN111199270B (zh) | 一种基于深度学习的区域波高预报方法及终端 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN110766222B (zh) | 基于粒子群参数优化和随机森林的pm2.5浓度预测方法 | |
CN111464881B (zh) | 基于自优化机制的全卷积视频描述生成方法 | |
CN112183452B (zh) | 一种基于气象卫星图像和深度迁移学习的海雾识别方法 | |
CN115237896B (zh) | 一种基于深度学习预报空气质量的数据前处理方法及系统 | |
US20230222768A1 (en) | Multiscale point cloud classification method and system | |
CN111598460A (zh) | 土壤重金属含量的监测方法、装置、设备及存储介质 | |
CN115327041A (zh) | 一种基于关联性分析的空气污染物浓度预测方法 | |
Grönquist et al. | Predicting weather uncertainty with deep convnets | |
CN112580859B (zh) | 一种基于全局注意力机制的雾霾预测方法 | |
CN113159990A (zh) | 一种光伏发电运维系统的设计方法 | |
CN116699731A (zh) | 一种热带气旋路径短期预报方法、系统及存储介质 | |
CN111811465A (zh) | 基于多正弦函数分解神经网络预测海浪有效波高的方法 | |
CN116467933A (zh) | 基于深度学习的风暴潮增水预测方法及系统 | |
CN111488974A (zh) | 基于深度学习神经网络的海洋风能降尺度方法 | |
CN116579468A (zh) | 基于云系记忆的台风生成预测方法、装置、设备及介质 | |
CN113343924B (zh) | 一种基于循环谱特征和生成对抗网络的调制信号识别方法 | |
CN113919533A (zh) | 一种基于人工智能的空气质量溯源预报方法 | |
CN113792942B (zh) | 一种国土空间开发利用生态效应动态模拟预测系统 | |
CN117852418B (zh) | 基于地理集成机器学习的海洋中深层流速数据重构方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |