CN114139760B - 一种预测台风路径的方法、系统、存储介质及设备 - Google Patents
一种预测台风路径的方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN114139760B CN114139760B CN202111156015.3A CN202111156015A CN114139760B CN 114139760 B CN114139760 B CN 114139760B CN 202111156015 A CN202111156015 A CN 202111156015A CN 114139760 B CN114139760 B CN 114139760B
- Authority
- CN
- China
- Prior art keywords
- typhoon
- sample
- weather
- prediction model
- center
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 230000037361 pathway Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 17
- 238000013277 forecasting method Methods 0.000 description 13
- 238000010801 machine learning Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000004836 empirical method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000001515 vagal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种预测台风路径的方法、系统、存储介质及设备,方法包括:收集已有的多个台风记录作为样本,分别提取各个该样本的特征信息,基于该样本的特征信息搭建台风样本库;为该台风样本库中的该样本匹配对应的气象云图组,并在该气象云图组中识别出对应的台风中心数据集;搭建预测模型,并基于该台风样本库中各个该样本的特征信息、各个该样本的气象云图组以及各个该样本对应的台风中心数据集进行预测模型的训练;利用训练后的预测模型进行台风路径的预测。本发明提高了台风预测的准确性,为台风路径的预报提供了新的解决方案和有效的技术支持。
Description
技术领域
本发明涉及气象预测技术领域,尤其涉及台风的预测领域,具体涉及一种预测台风路径的方法、系统、存储介质及设备。
背景技术
台风是一种起源于赤道附近热带洋面的低压气旋。夏秋季节赤道附近的热带洋面日照充分,致海水被日照辐射蒸发上升到空中,形成低压系统。在地球的地转偏向力和日照对气压的影响下,被蒸发到空气中的水蒸气在北半球呈逆时针旋转、在南半球呈顺时针旋转,形成空气涡旋。若日照持续充分,该空气涡旋便会在蒸发的水汽和地转偏向力持续影响下不断增大,当其涡旋中心风速达到一定条件,便形成了台风。
由于我国毗邻西北太平洋区域,而该区域更是全球台风最高发的区域,因此研究西北太平洋区域台风路径的特点,对我国沿海地区灾害防控有重要意义。西北太平洋区域形成的台风一般具有西行特点。西北太平洋的台风路径主要分为:西进型、西北型、转向型和迷走型。
台风路径的预测问题关系到国家和地区的国计民生,因此国内外许多学者对其预测的方法和模型做了仔细深入的研究。台风的路径预测侧重于对台风及其周边大气环流背景的研究,环流的方向很大程度上决定台风的移动方向,因此属于大尺度问题。
主要预测方法可以分为经验方法和客观方法两大类。其中,经验方法属于主观定量方法,往往通过天气图等气象因子并结合历史相似气象情况,预测未来的台风路径与强度。客观预报主要分为三种方法:基于动力学台风预报方法、基于统计学台风预报方法和基于统计动力学台风预报方法。目前,实务性的台风预测方法主要使用主客观方法结合得到最终预报结果。
基于动力学台风预报方法,又称为数值台风预报方法,是目前台风客观预报所采用的主要方法。该预测方法是基于空气动力学和热动力学原理,通过分析影响台风路径与强度的气象因子和物理过程如辐射、感热交换、地形影响等因素,构建大气动力学方程,以数学建模的方式预测未来台风的路径与强度。由于该方法所搭建方程复杂难以求出解析解,因此往往需要借助大型超级计算机求解出其数值解以完成预测。
基于统计学台风预报方法,是根据数理统计方法对大量的历史资料进行统计分析,找出天气变化蕴含的统计规律及预报因子与预报量之间的方程关系,一般采用回归方程搭建统计数学模型。与动力学预报方式相比,统计学预报方法并不涉及大量复杂的数值计算,因此一定程度上节省了计算资源,但也存在无法覆盖统计以外的异常情况等问题。
20世纪末到21世纪初,研究重心从线性特点转向非线性特点,机器学习的方法开始广泛应用在台风预报问题上。比较有代表性的模型如支持向量机(Support VectorMachine,SVM)和人工神经网络(Artificial Neural Networks,ANN)。利用机器学习的非线性特征提取能力来模拟台风的非线性特性的尝试,为后续台风路径的研究打开了一个新的思路。
然而,现有的上述预报方法仍或多或少存在缺陷。
对于动力学台风预报方法,需要根据动力学和热动力学的知识为未来的大气状态搭建热动力学偏微分方程,但该方程组不存在解析解,因此需要利用数值分析的方法求其数值解。由于早期计算资源不足,无法获得精度很高的解析解。虽然目前计算资源充足,但由于大气资料和方程的复杂性,该方程的数值求解过程仍需要借助超级计算机进行计算,因而使预测成本过大而不易推广,且由于气象观测资料可能存在较大的误差,因此该方法对资料质量、观测技术和算力要求很高。
对于统计学台风预报方法,虽然所需要的计算资源相比于动力学台风预报方法减少很多,但其预报方程仍存在缺乏动力学解释的问题。同时,虽然深度学习已经被应用在台风的三维特征提取中,但是仍存在无法提取深层大气非线性特征、忽略从大尺度与多尺度角度考虑台风三维建模等问题。
对于统计动力学台风预报方法,虽然融合了统计学和动力学,但无论是完全预报方法还是模式输出预报方法,均依赖于动力学,该方法最大的贡献是通过统计学的方法,减少动力学预报的资料的误差,提升动力学台风预报的准确性,但本质上仍需要耗费大量的计算资源。
在当前已有的使用机器学习进行台风路径的预测中,主要还是基于数值预报后的数据或者再分析数据等,在预测的过程中仍然离不开动力学数值模拟,仍需要耗费大量的计算资源。
因此,需要提出一种尤其用于台风的路径的预测方法,直接从卫星云图入手进行台风路径预测,弥补了现有技术中基于机器学习的台风路径预测在此方面的空白。
发明内容
有鉴于此,本发明的目的在于提出一种基于机器学习的、可用于气象预测的、尤其用于台风的路径的预测的方法、系统、存储介质及设备,从而解决现有技术的上述问题。
基于上述目的,一方面,本发明提供了一种预测台风路径的方法,其中该方法包括以下步骤:
收集已有的多个台风记录作为样本,分别提取各个该样本的特征信息,基于该样本的特征信息搭建台风样本库;
为该台风样本库中的该样本匹配对应的气象云图组,并在该气象云图组中识别出对应的台风中心数据集;
搭建预测模型,并基于该台风样本库中各个该样本的特征信息、各个该样本的气象云图组以及各个该样本对应的台风中心数据集进行预测模型的训练;
利用训练后的预测模型进行台风路径的预测。
在根据本发明的预测台风路径的方法的一些实施例中,该利用训练后的预测模型进行台风路径的预测进一步包括:利用该预测模型预测出后续时刻气象云图,从该后续时刻气象云图中识别出对应的后续时刻台风中心,整合该后续时刻台风中心从而得到预测的台风路径。
在根据本发明的预测台风路径的方法的一些实施例中,该收集已有的多个台风记录作为样本,分别提取各个该样本的特征信息,基于该样本的特征信息搭建台风样本库进一步包括:提取各个该样本的台风发生时间以及台风中心经纬度。
在根据本发明的预测台风路径的方法的一些实施例中,该为该台风样本库中的该样本匹配对应的气象云图组,并在该气象云图组中识别出对应的台风中心数据集进一步包括:
基于该台风发生时间以及该台风中心经纬度为该样本从气象卫星数据中检索并匹配相应的气象云图组,其中该气象云图组包括对应于该样本的各个时刻的气象云图;
在该各个时刻的气象云图中识别出各个时刻的台风中心点以组成该台风中心数据集。
在根据本发明的预测台风路径的方法的一些实施例中,该搭建预测模型,并基于该台风样本库中各个该样本的特征信息、各个该样本的气象云图组以及各个该样本对应的台风中心数据集进行预测模型的训练进一步包括:基于各个该样本的气象云图组,利用该台风中心经纬度和对应的该台风中心数据集进行预测模型的训练。
在根据本发明的预测台风路径的方法的一些实施例中,该搭建预测模型,并基于该台风样本库中各个该样本的特征信息、各个该样本的气象云图组以及各个该样本对应的台风中心数据集进行预测模型的训练进一步包括:使用轨迹门控递归单元模型搭建该预测模型,其中该预测模型的损失函数基于台风中心的经纬度的平均绝对误差构建。
在根据本发明的预测台风路径的方法的一些实施例中,该特征信息还包括台风强度等级和/或中心压强和/或中心最低气压和/或台风风速和/或分时段平均风速。
本发明的另一方面,还提供了一种预测台风路径的系统,其中包括:
样本收集模块,该样本收集模块配置成收集已有的多个台风记录作为样本,分别提取各个该样本的特征信息,基于该样本的特征信息搭建台风样本库;
中心识别模块,该中心识别模块配置成为该台风样本库中的该样本匹配对应的气象云图组,并在该气象云图组中识别出对应的台风中心数据集;
模型训练模块,该模型训练模块配置成搭建预测模型,并基于该台风样本库中各个该样本的特征信息、各个该样本的气象云图组以及各个该样本对应的台风中心数据集进行预测模型的训练;
预测执行模块,该预测执行模块配置成利用训练后的预测模型进行台风路径的预测。
本发明的再一方面,还提供了一种计算机可读存储介质,存储有计算机程序指令,该计算机程序指令被执行时实现上述任一项根据本发明的预测台风路径的方法。
本发明的又一方面,还提供了一种计算机设备,包括存储器和处理器,该存储器中存储有计算机程序,该计算机程序被处理器执行时执行上述任一项根据本发明的预测台风路径的方法。
本发明至少具有以下有益技术效果:使用机器学习的方式,即使用机器模仿人类的经验方法,直接从更加直观的气象云图方面入手,从气象云图中识别出台风中心,并进一步的使用机器学习的方式进行预测。换句话说,通过将机器学习的方法应用到台风路径的预测中,相对于已有的动力学对资源的消耗大大降低,相对于统计学预测方式在预测的准确性上有了一定程度的提升,为台风路径的预报提供了新的解决方案和有效的技术支持。
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实施例。
在图中:
图1示出了根据本发明的预测台风路径的方法的实施例的流程示意图;
图2示出了根据本发明的预测台风路径的方法的实施例的示意性框图;
图3示出了根据本发明的预测台风路径的方法的收集的台风记录的示意图;
图4示出了根据本发明的预测台风路径的方法的气象云图中台风中心的识别的示意图;
图5示出了根据本发明的预测台风路径的方法采用的轨迹门控递归单元模型的循环连接结构的示意图;
图6示出了根据本发明的预测台风路径的系统的实施例的示意性框图;
图7示出了根据本发明的实现预测台风路径的方法的计算机可读存储介质的实施例的示意图;
图8示出了根据本发明的实现预测台风路径的方法的计算机设备的实施例的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明实施例进一步详细说明。
需要说明的是,本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称的非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本发明实施例的限定。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备固有的其他步骤或单元。
基于上述目的,本发明创造性地提出了使用机器学习的方式,直接从最直观的气象卫星云图入手,进行台风路径的预测,从而减少动力预报所需要的大量计算资源。图1示出了根据本发明的预测台风路径的方法的实施例的流程示意图。总的来说,本发明的主要原理在于:首先根据已有的台风数据建立台风样本库,从台风样本库中选择出合适的台风,得到台风发生的时间、台风中心的经纬度、台风风速、中心压强等变量。其次是根据第一步得到的结果选择出台风天气发生的时间所对应的气象云图,在气象云图中定位出台风中心,并根据不同时刻卫星云图中台风中心的变化来进行模型的训练与预测,最终得到预测台风路径的模型。最后,利用该模型预测台风路径。
为此,本发明的第一方面,提供了一种预测台风路径的方法100。图2示出了根据本发明的预测台风路径的方法的实施例的示意性框图。在如图1所示的实施例中,该方法包括:
步骤S110:收集已有的多个台风记录作为样本,分别提取各个该样本的特征信息,基于该样本的特征信息搭建台风样本库;
步骤S120:为该台风样本库中的该样本匹配对应的气象云图组,并在该气象云图组中识别出对应的台风中心数据集;
步骤S130:搭建预测模型,并基于该台风样本库中各个该样本的特征信息、各个该样本的气象云图组以及各个该样本对应的台风中心数据集进行预测模型的训练;
步骤S140:利用训练后的预测模型进行台风路径的预测。
总的来说,根据本发明的方法的关键在于数据收集及处理;气象云图台风中心识别;模型选择、训练、验证和测试;以及台风路径预测。以此方式,使用深度学习预测台风路径,不必使用动力模式预报的结果,而是直接从更为直观的气象云图入手,资源的节能和准确性上都有了一定的提升。
首先,步骤S110执行数据收集及处理,即收集已有的多个台风记录作为样本,分别提取各个该样本的特征信息,基于该样本的特征信息搭建台风样本库。如图3所示为根据本发明的预测台风路径的方法的收集的台风记录的示意图。在本发明的范围内,可以收集各地多年来记录的台风天气作为样本。优选地,可以有针对性地、例如分地区地收集多年来记录的台风天气数据。在一些优选实施例中,使用CMA的台风最佳路径数据集中的台风记录作为样本。CMA的最佳路径数据集主要包括1949以来年西北太平洋(含南海,赤道以北,东经180°以西)海域热带气旋每6小时的位置和强度,数据集主要包括台风发生时的时间,台风强度等级,台风中心的经纬度,中心最低气压,2分钟平均风速等。对CMA数据进行处理,可以得到台风发生时台风中心每6小时的经纬度,从而可以得到台风的实际运行路径。
随后,在步骤S120中为该台风样本库中的该样本匹配对应的气象云图组,并在该气象云图组中识别出对应的台风中心数据集。换句话说,根据在步骤S110中得到的该台风样本库中的该样本的特征信息,为这些样本分别找到对应的气象云图(组)。气象云图数据可以优选地使用风云二号气象卫星数据进行台风中心的识别,如图4所示。该卫星发回的云图提供了大范围、全天候的云的生消聚散的信息。根据需要可以下载并处理自相应年份之后的台风生成时所对应的气象云图数据。然后根据前述步骤中得到的台风特征信息,使用遥感信息提取技术在风云2号卫星云图中识别出台风中心点。
在数据收集及处理以及气象云图台风中心识别完成后,就可以进行模型选择、训练、验证和测试,即步骤S130的搭建预测模型,并基于该台风样本库中各个该样本的特征信息、各个该样本的气象云图组以及各个该样本对应的台风中心数据集进行预测模型的训练。首先要选择合适的模型作为预测模型的搭建框架。然后基于前述步骤中得到的各个该样本的特征信息、各个该样本的气象云图以及识别出的台风中心进行预测模型的训练、验证和测试。例如,选择2005年至2017年的台风数据和卫星云图来进行训练和验证(其中例如80%用来训练,20%用来验证)、使用2018-2020年的台风数据和卫星云图来进行测试。根据步骤S110获得的台风样本库选择出台风发生时的时间、位置、风速等变量,然后根据结合前述步骤的结果确定出在特定台风发生的时间,卫星云图中台风的位置及状态等。选择出需要的图形数据集,即台风发生时刻的卫星云图放入到预测模型中进行模型训练、验证和测试。
建模完成后,就可以执行台风路径预测,即步骤S140利用训练后的预测模型进行台风路径的预测。
需要注意的是,上述提及的数值、年份、比例等旨在给出示例,而非限定在上述特定的范围。例如,80%及20%的分配比例也可以是其他的分配方式,例如75%及25%、70%及30%、65%及35%等。
在根据本发明的预测台风路径的方法100的一些实施例中,步骤S140利用训练后的预测模型进行台风路径的预测进一步包括:利用该预测模型预测出后续时刻气象云图,从该后续时刻气象云图中识别出对应的后续时刻台风中心,整合该后续时刻台风中心从而得到预测的台风路径。换句话说,利用步骤S130搭建、训练、验证及测试好的预测模型预测出下一个时刻的卫星云图图像,从图像中识别出台风中心,即可以得到台风下一时刻可能到达地点。当预测出后续多个时刻的台风可能到达地点后,就可以得到预测的台风路径。
在根据本发明的预测台风路径的方法100的一些实施例中,步骤S110收集已有的多个台风记录作为样本,分别提取各个该样本的特征信息,基于该样本的特征信息搭建台风样本库进一步包括:提取各个该样本的台风发生时间以及台风中心经纬度。也就是说,台风的样本的特征信息至少包括该样本的台风发生时间以及台风中心经纬度。上述特征信息随后用于气象云图的检索匹配、识别出的台风中心数据集的验证等等。
在根据本发明的预测台风路径的方法100的一些实施例中,步骤S120为该台风样本库中的该样本匹配对应的气象云图组,并在该气象云图组中识别出对应的台风中心数据集进一步包括:
步骤S121:基于该台风发生时间以及该台风中心经纬度为该样本从气象卫星数据中检索并匹配相应的气象云图组,其中该气象云图组包括对应于该样本的各个时刻的气象云图;
步骤S122:在该各个时刻的气象云图中识别出各个时刻的台风中心点以组成该台风中心数据集。
也就是说,首先步骤S121根据台风发生时间以及台风中心经纬度,在气象卫星数据中进行检索,当检索到相应的气象云图时,便将该气象云图匹配给该样本。而气象卫星数据中可以检索到随着台风的发展的大量气象云图。因此这些大量的气象云图最终组成气象云图组。也就是说,气象云图组中包括对应于该样本的各个时刻的气象云图。然后,步骤S122在该各个时刻的气象云图中识别出各个时刻的台风中心点以组成该台风中心数据集。也就是说,该台风中心数据集中包括了对应于该样本的各个时刻的气象云图中识别出的对应于各个时刻的台风中心点。
在根据本发明的预测台风路径的方法100的一些实施例中,步骤S130搭建预测模型,并基于该台风样本库中各个该样本的特征信息、各个该样本的气象云图组以及各个该样本对应的台风中心数据集进行预测模型的训练进一步包括:基于各个该样本的气象云图组,利用该台风中心经纬度和对应的该台风中心数据集进行预测模型的训练。具体地说,在进行步骤S130的模型搭建、训练、验证及测试中,基于步骤S121得到的各个该样本的气象云图组,利用步骤S110得到的该台风中心经纬度和步骤S122得到的对应的该台风中心数据集进行预测模型的训练(和/或验证和/或测试)。
在根据本发明的预测台风路径的方法100的一些实施例中,步骤S130搭建预测模型,并基于该台风样本库中各个该样本的特征信息、各个该样本的气象云图组以及各个该样本对应的台风中心数据集进行预测模型的训练进一步包括:使用轨迹门控递归单元模型搭建该预测模型,其中该预测模型的损失函数基于台风中心的经纬度的平均绝对误差构建。
具体地说,在本发明的优选实施例中,使用TrajGRU模型,即轨迹门控递归单元模型。该模型利用子网络在状态转换之前输出状态到状态的连接结构。TrajGRU允许沿着一些学习轨迹来聚合状态,因此比连接结构固定的Convolutional GRU(ConvGRU)更灵活。TrajGRU的主要计算过程为:
在此,L代表了结构的连接总数,ut、vt代表了网络生成的局部连接结构的流场。W_hz^l和W_hr^l代表了投影通道的权重。warp函数指出了ut、vt在前一时刻的位置。可以通过学习子网r的参数来学习连接拓扑,将Xt和Ht-1作为输入,从而得到预测值Ht。因此,只有少量参数并且几乎不增加整体计算的成本。
图5示出了根据本发明的预测台风路径的方法采用的轨迹门控递归单元模型的循环连接结构的示意图。对于该模型,在本实施例中选择使用3层编码预测结构。进一步的详细的超参数具体设置如下:
TrajGRU的连接数分别设置为13、13和9;
kernel大小设置为3×3;
stride步长大小设置为1×1;
padding填充数量为1×1。
此外,该预测模型的损失函数基于台风中心的经纬度的平均绝对误差构建。也就是说,在优选实施例中,计算预测模型的损失函数由经纬度的平均绝对误差决定,即计算预测的经度、纬度与真实的经度、纬度之间的误差值。
进一步地,在根据本发明的预测台风路径的方法100的一些实施例中,特征信息还包括台风强度等级和/或中心压强和/或中心最低气压和/或台风风速和/或分时段平均风速。也就是说,为了进一步提高预测的精度和效率,还可以将台风强度等级和/或中心压强和/或中心最低气压和/或台风风速和/或分时段平均风速等变量作为特征信息,置入台风样本库。在进行预测模型的搭建、训练、验证及测试时,可以适当地加入上述变量对台风路径的影响的考量,甚至可以赋以权重,增加到预测模型中。
本发明的第二方面,还提供了一种预测台风路径的系统200。图6示出了根据本发明的预测台风路径的系统200的实施例的示意性框图。如图6所示,该系统包括:
样本收集模块210,该样本收集模块210配置成收集已有的多个台风记录作为样本,分别提取各个该样本的特征信息,基于该样本的特征信息搭建台风样本库;
中心识别模块220,该中心识别模块220配置成为该台风样本库中的该样本匹配对应的气象云图组,并在该气象云图组中识别出对应的台风中心数据集;
模型训练模块230,该模型训练模块230配置成搭建预测模型,并基于该台风样本库中各个该样本的特征信息、各个该样本的气象云图组以及各个该样本对应的台风中心数据集进行预测模型的训练;
预测执行模块240,该预测执行模块240配置成利用训练后的预测模型进行台风路径的预测。
本发明实施例的第三个方面,还提供了一种计算机可读存储介质,图7示出了根据本发明实施例提供的预测台风路径的方法的计算机可读存储介质的示意图。如图7所示,计算机可读存储介质300存储有计算机程序指令310,该计算机程序指令310可以被处理器执行。该计算机程序指令310被执行时实现上述任意一项实施例的方法。
应当理解,在相互不冲突的情况下,以上针对根据本发明的预测台风路径的方法阐述的所有实施方式、特征和优势同样地适用于根据本发明的预测台风路径的系统和计算机可读存储介质。
本发明实施例的第四个方面,还提供了一种计算机设备400,包括存储器420和处理器410,该存储器中存储有计算机程序,该计算机程序被该处理器执行时实现上述任意一项实施例的方法。
如图8所示,为本发明提供的执行预测台风路径的方法的计算机设备的一个实施例的硬件结构示意图。以如图8所示的计算机设备400为例,在该计算机设备中包括一个处理器410以及一个存储器420,并还可以包括:输入装置430和输出装置440。处理器410、存储器420、输入装置430和输出装置440可以通过总线或者其他方式连接,图8中以通过总线连接为例。输入装置430可接收输入的数字或字符信息,以及产生与预测台风路径有关的信号输入。输出装置440可包括显示屏等显示设备。
存储器420作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的资源监控方法对应的程序指令/模块。存储器420可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储资源监控方法的使用所创建的数据等。此外,存储器420可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器420可选包括相对于处理器410远程设置的存储器,这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器410通过运行存储在存储器420中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例的预测台风路径的方法。
最后需要说明的是,本文的计算机可读存储介质(例如,存储器)可以是易失性存储器或非易失性存储器,或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的,非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM),该RAM可以充当外部高速缓存存储器。作为例子而非限制性的,RAM可以以多种形式获得,比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDRSDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、以及直接Rambus RAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
本领域技术人员还将明白的是,结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性,已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能,但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里功能的下列部件来实现或执行:通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器,但是可替换地,处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
以上是本发明公开的示例性实施例,但是应当注意,在不背离权利要求限定的本发明实施例公开的范围的前提下,可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外,尽管本发明实施例公开的元素可以以个体形式描述或要求,但除非明确限制为单数,也可以理解为多个。
应当理解的是,在本文中使用的,除非上下文清楚地支持例外情况,单数形式“一个”旨在也包括复数形式。还应当理解的是,在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。上述本发明实施例公开实施例序号仅仅为了描述,不代表实施例的优劣。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子;在本发明实施例的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,并存在如上的本发明实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明实施例的保护范围之内。
Claims (4)
1.一种预测台风路径的方法,其特征在于,包括以下步骤:
收集已有的多个台风记录作为样本,分别提取各个所述样本的特征信息,基于所述样本的特征信息搭建台风样本库,所述特征信息包括台风强度等级和/或中心压强和/或中心最低气压和/或台风风速和/或分时段平均风速;
为所述台风样本库中的所述样本匹配对应的气象云图组,并在所述气象云图组中识别出对应的台风中心数据集,包括:基于台风发生时间以及台风中心经纬度为台风样本从气象卫星数据中检索并匹配相应的气象云图组,其中气象云图组包括对应于台风样本的各个时刻的气象云图,在各个时刻的气象云图中识别出各个时刻的台风中心点,并以各个时刻的台风中心点组成台风中心数据集;
搭建预测模型,并基于所述台风样本库中各个所述样本的特征信息、各个所述样本的气象云图组以及各个所述样本对应的台风中心数据集进行预测模型的训练,其中所述搭建预测模型,并基于所述台风样本库中各个所述样本的特征信息、各个所述样本的气象云图组以及各个所述样本对应的台风中心数据集进行预测模型的训练进一步包括使用轨迹门控递归单元模型搭建所述预测模型,其中所述预测模型的损失函数基于台风中心的经纬度的平均绝对误差构建,其中轨迹门控递归单元模型的主要计算过程如下:
其中,L代表了结构的连接总数,ut、vt代表了网络生成的局部连接结构的流场,Whz l和Whr l代表了投影通道的权重,warp函数指出了ut、vt在前一时刻的位置,通过学习子网r的参数来学习连接拓扑,将Xt和Ht-1作为输入,从而得到预测值Ht,其中,将轨迹门控递归单元模型的连接数分别设置为13、13和9,kernel大小设置为3×3,stride步长大小设置为1×1,padding填充数量为1×1,损失函数基于台风中心的经纬度的平均绝对误差构建,计算预测模型的损失函数由经纬度的平均绝对误差决定,计算预测的经度、纬度与真实的经度、纬度之间的误差值;
利用训练后的预测模型进行台风路径的预测,包括:利用所述预测模型预测出后续时刻气象云图,从所述后续时刻气象云图中识别出对应的后续时刻台风中心,整合所述后续时刻台风中心从而得到预测的台风路径。
2.一种根据权利要求1所述方法的预测台风路径的系统,其特征在于,包括:
样本收集模块,所述样本收集模块配置成收集已有的多个台风记录作为样本,分别提取各个所述样本的特征信息,基于所述样本的特征信息搭建台风样本库;
中心识别模块,所述中心识别模块配置成为所述台风样本库中的所述样本匹配对应的气象云图组,并在所述气象云图组中识别出对应的台风中心数据集,所述中心识别模块还配置成基于台风发生时间以及台风中心经纬度为台风样本从气象卫星数据中检索并匹配相应的气象云图组,其中气象云图组包括对应于台风样本的各个时刻的气象云图,在各个时刻的气象云图中识别出各个时刻的台风中心点,并以各个时刻的台风中心点组成台风中心数据集;
模型训练模块,所述模型训练模块配置成搭建预测模型,并基于所述台风样本库中各个所述样本的特征信息、各个所述样本的气象云图组以及各个所述样本对应的台风中心数据集进行预测模型的训练;
预测执行模块,所述预测执行模块配置成利用训练后的预测模型进行台风路径的预测,所述预测执行模块还配置成利用所述预测模型预测出后续时刻气象云图,从所述后续时刻气象云图中识别出对应的后续时刻台风中心,整合所述后续时刻台风中心从而得到预测的台风路径。
3.一种计算机可读存储介质,其特征在于,存储有计算机程序指令,所述计算机程序指令被执行时实现如权利要求1所述的预测台风路径的方法。
4.一种计算机设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时执行如权利要求1所述的预测台风路径的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111156015.3A CN114139760B (zh) | 2021-09-29 | 2021-09-29 | 一种预测台风路径的方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111156015.3A CN114139760B (zh) | 2021-09-29 | 2021-09-29 | 一种预测台风路径的方法、系统、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114139760A CN114139760A (zh) | 2022-03-04 |
CN114139760B true CN114139760B (zh) | 2023-11-07 |
Family
ID=80394072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111156015.3A Active CN114139760B (zh) | 2021-09-29 | 2021-09-29 | 一种预测台风路径的方法、系统、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114139760B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082439B (zh) * | 2022-07-22 | 2022-11-29 | 浙江大学 | 融合卫星云图时空信息的热带气旋定强方法、介质及设备 |
CN115661277B (zh) * | 2022-10-20 | 2023-06-02 | 中山大学 | 基于变分自编码的台风云图外推方法、系统、设备和介质 |
CN116090596A (zh) * | 2022-11-25 | 2023-05-09 | 中国科学院深圳先进技术研究院 | 一种台风强度预测方法、装置、设备及存储介质 |
CN116699731B (zh) * | 2023-08-09 | 2023-09-29 | 中国海洋大学三亚海洋研究院 | 一种热带气旋路径短期预报方法、系统及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364097A (zh) * | 2018-02-07 | 2018-08-03 | 国家海洋局北海预报中心 | 基于生成对抗网络的台风云系预测方法 |
CN111462230A (zh) * | 2020-02-18 | 2020-07-28 | 天津大学 | 一种基于深度强化学习的台风中心定位方法 |
CN112802063A (zh) * | 2021-02-03 | 2021-05-14 | 阳光电源股份有限公司 | 卫星云图的预测方法、装置以及计算机可读存储介质 |
-
2021
- 2021-09-29 CN CN202111156015.3A patent/CN114139760B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364097A (zh) * | 2018-02-07 | 2018-08-03 | 国家海洋局北海预报中心 | 基于生成对抗网络的台风云系预测方法 |
CN111462230A (zh) * | 2020-02-18 | 2020-07-28 | 天津大学 | 一种基于深度强化学习的台风中心定位方法 |
CN112802063A (zh) * | 2021-02-03 | 2021-05-14 | 阳光电源股份有限公司 | 卫星云图的预测方法、装置以及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114139760A (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114139760B (zh) | 一种预测台风路径的方法、系统、存储介质及设备 | |
Tilinina et al. | Comparing cyclone life cycle characteristics and their interannual variability in different reanalyses | |
CN113538391B (zh) | 一种基于Yolov4和热红外图像的光伏缺陷检测方法 | |
CN107392901A (zh) | 一种用于输电线路部件智能自动识别的方法 | |
CN107703564A (zh) | 一种降雨预测方法、系统及电子设备 | |
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 | |
Shen et al. | Applications of deep learning in hydrology | |
CN106709588A (zh) | 预测模型构建方法和设备以及实时预测方法和设备 | |
CN112766600B (zh) | 一种城市区域人群流量预测方法及系统 | |
CN108596243A (zh) | 基于分级注视图和条件随机场的眼动注视图预测方法 | |
CN113222210B (zh) | 一种基于多模态生成对抗的台风短期预测方法及装置 | |
Dupuy et al. | ARPEGE cloud cover forecast postprocessing with convolutional neural network | |
CN112232328A (zh) | 基于卷积神经网络的遥感影像建筑区提取方法、装置 | |
CN117556197B (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
US20240054267A1 (en) | Method for planning a layout of a renewable energy site | |
Jin et al. | Deep learning for seasonal precipitation prediction over China | |
CN114022764A (zh) | 一种基于特征增强卷积网络的遥感影像输电杆塔检测方法 | |
CN112509285B (zh) | 基于卷积神经网络cnn的全球台风报文收集方法及收集系统 | |
CN113642255A (zh) | 基于多尺度卷积循环神经网络的光伏发电功率预测方法 | |
CN109829583A (zh) | 基于概率编程技术的山火风险预测方法 | |
CN116760017A (zh) | 一种光伏发电的预测方法 | |
Deb et al. | Multiplet based technique to derive atmospheric winds from Kalpana-1 | |
CN117434624B (zh) | 一种基于语义分割的强对流天气识别和发展预判方法 | |
Wang et al. | The prediction method of tropical cyclone intensity change based on deep learning | |
Wang et al. | LLNet: Lightweight network with a channel and spatial attention mechanism for local climate zone classification from Sentinel-2 image |
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 |