CN115310706A - 一种台风路径智能预报方法 - Google Patents

Abstract

本发明提出一种台风路径智能预测方法，该方法包括：1、建立台风路径数据集，将数据资料进行归一化处理，根据台风特征整理分类；2、对于新生台风，使台风路径满足时间相似，限制时间属性，搜寻满足条件的历史台风路径数据；3、满足时间属性后，使台风路径满足地理相似，限制空间属性，搜寻满足条件的历史台风路径数据；4、满足2和3的条件，根据新生台风的中心气压和风速，搜寻满足条件的历史台风路径数据以得到的台风路径数据作为样本数据集；5、基于4得到样本数据集，寻找与新生台风具有最佳轨迹相似度的历史台风数据，根据轨迹相似性，构建权重系数，将满足条件的历史台风路径数据根据权重构建一条新的台风路径，完成台风路径预报。

Description

一种台风路径智能预报方法

技术领域

本发明属于台风气象预报领域，尤其涉及一种台风路径智能预报方法。

背景技术

台风形成在热带或副热带海面温度在26℃以上的广阔洋面上，是一种强烈发展的热带气旋。台风登陆会带来海浪、风暴、大雨、洪水等自然灾害，造成大量经济损失和人员伤亡。预测台风路径、提前规划部署防灾减灾措施是减轻台风灾害的重要手段，深入研究台风路径预测技术具有重大意义。传统的台风预报方法计算时间长，对台风的更新时间一般为3-6小时，本方法可以缩短台风预报时间间隔，甚至可以缩短至半小时更新一次台风路径。传统的台风预报方法需要大量专业的气象资料，难以获得，本方法仅需台风历史路径资料，运用knn算法对历史台风路径进行分类，将新生台风按照台风特征进行分析，基于轨迹相似性，寻找与历史台风路径轨迹具有最佳相似度的台风路径，并按照一定的权重构建新的台风路径，并实时更新，保证台风路径预报的准确性。

发明内容

发明目的：传统的台风路径预报方法需要大量的专业气象资料，本方法仅基于台风路径历史资料，即可预报得到台风路径。为出海船只、近岸港口等提供台风路径预报，保障船只出行安全，能够及时、安全的回港躲避风浪。

技术方案：为实现上述目的，本发明提出一种台风路径智能预测方法，该方法包括如下步骤：

步骤1、建立台风路径数据集，将数据资料进行归一化处理，并根据台风特征整理分类；

步骤2、对于新生台风，使台风路径满足时间相似，限制时间属性，搜寻满足条件的历史台风路径数据；

步骤3、满足时间属性后，使台风路径满足地理相似，限制空间属性，进一步搜寻满足条件的历史台风路径数据；

步骤4、满足步骤2和步骤3的条件后，根据新生台风的中心气压和风速，搜寻满足条件的历史台风路径数据以得到的台风路径数据作为样本数据集；

步骤5、基于步骤4得到的样本数据集，寻找与新生台风具有最佳轨迹相似度的历史台风数据，根据轨迹相似性，构建权重系数，将满足条件的历史台风路径数据根据权重构建台风路径的下一个位置；

步骤6、判断此时台风是否登陆，若未登陆，重复上述步骤，实时更新台风路径。

进一步的，步骤1的具体方法如下：

步骤1-1收集台风路径资料数据集，并将数据资料进行归一化处理；

步骤1-2根据台风特征对各历史台风路径添加标签，分为日期、风速、中心气压、移速、移向、路径点中心位置经度坐标、路径点中心位置纬度坐标七个特征。

进一步的，步骤2的具体方法如下：当出现新生台风时，根据步骤1中划分的日期标签，以当前所在日期为基准，搜寻前后一个月的历史台风路径数据作为当前台风路径预测的数据集，确定满足时间相似条件的历史台风路径。

进一步的，步骤3的具体方法如下：

将新生台风轨迹点的空间坐标记为(X_j,Y_j)，j＝1，2，3……β，移向记为F_j，j＝1，2，3……β，移速记为v_j，j＝1，2，3……β，β为当前已知新生台风轨迹点的个数，在台风生成初期，监测得到前三个时刻的台风路径轨迹点，即β＝3；

对于步骤2中筛选出的满足时间相似条件的历史台风路径数据，将步骤1中台风中心点的经纬度转化为空间坐标，新生台风当前时刻的台风中心空间坐标为(X_β,Y_β)，以新生台风当前时刻实时路径台风中心为圆心建立一个半径为r的阈值圆，搜寻所有经过阈值圆内的历史台风路径；

距离度量方法取欧氏距离，将台风路径近似看成二维空间，则距离ρ为：

其中，(X_β,Y_β)为新生台风最新时刻的台风中心空间坐标，(x_t,y_t)为历史台风路径的任一时刻的台风中心空间坐标；

如果台风路径中有轨迹点在阈值圆内，即ρ＜r，则认为此台风路径满足地理相似条件，取所有在这个阀值圆内的台风路径数据，阀值圆外的数据舍去，由此共得到k条满足地理相似的台风路径；

对于上述满足地理相似条件的每一条台风路径，分别取这条路径上距离新生台风阈值圆心最近的点，记录下这个点的风速、中心气压、移速和移向，该点空间坐标记为(x_i,y_i)，i＝1，2，3……k，该点的前两个时刻点记为(x_i1,y_i1)和(x_i2,y_i2)，重复上述步骤以得到满足条件的k个最短距离点及其上时刻的2k个点。

进一步的，步骤4的具体方法如下：将新生台风最新时刻点的风速和中心气压作为基准，记为V₀和P₀，对于步骤3得到的k个最短距离点，将其风速和中心气压记为V_i和P_i，i＝1，2，……，k，若V₀＝V_i，P₀＝P_i，则认为这个点的风速气压特征与新生台风相似，将满足中心气压和风速要求的点的个数记为α，每个点的移速记为v_i，i＝1，2，……，α，移向记为F_i，i＝1，2，……，α。

进一步的，步骤5的具体方法如下：

新生台风轨迹取当前时刻的台风位置(X_β,Y_β)和前两个时刻的台风位置(X_β-1,Y_β-1)和(X_β-2,Y_β-2)的连线；

步骤4中得到的α个台风的位置点，所述α个台风的位置点空间坐标为(x_i,y_i)，i＝1，2，3……α，该点的前两个时刻的位置坐标为(x_i1,y_i1)和(x_i2,y_i2)，α个台风的位置点与新生台风初始轨迹的相似度分别记为q_i；

根据相似度从大到小，将α个台风路径数据的相似度q_i进行排序，根据相似度的反比计算权重系数，权重系数的计算方法为：

根据权重系数确定新生台风(X_β,Y_β)下一个时刻点(X_β+1,Y_β+1)的移速和移向：

根据移向F_β+1和移速v_β+1计算出新生台风的下一时刻点的空间坐标(X_β+1,Y_β+1)；

X_β+1＝X_β+cos F_β+1*v_β+1

Y_β+1＝Y_β+sin F_β+1*v_β+1

将(X_β+1,Y_β+1)作为一个新的当前时刻新生台风轨迹点(X_β,Y_β)带入步骤2中，β＝β+1，重复上述步骤，不断计算下一时刻的台风位置，实时得到一条完整的台风路径。

有益效果：与现有技术相比，本发明技术方案具有以下有益技术效果：

(1)数据库简单易得。只基于简单的历史台风路径资料，不需要卫星云图，气压分布等专业信息。

(2)在新生台风出现初期即可预报得到整条台风路径，且随着新生台风路径的不断更新调整预报路径，提高预报精度。

(3)传统台风路径轨迹的时间间隔一般是3-6小时，本方法可以将时间间隔缩短至一小时甚至更短，能够更精细地预报台风。

(4)将knn算法与台风路径预报结合，提出一种新的台风预报方法，是一种人工智能算法的实际应用。

附图说明

图1是本发明的方法流程图；

图2是根据此方法对2019年第9号台风“利奇马”的预报结果，已知前3个轨迹点，时间间隔为3小时；

图3是根据此方法对2019年第11号台风“白鹿”的预报结果，已知前3个轨迹点，时间间隔为3小时；

图4是根据此方法对2020年第4号台风“黑格比”的预报结果，已知前3个轨迹点，时间间隔为3小时；

图5是根据此方法对2020年第7号台风“海高斯”的预报结果，已知前3个轨迹点，时间间隔为3小时。

具体实施方法

如图1所示，本发明提出一种台风路径智能预测方法，该方法包括如下步骤：

步骤1、建立台风路径数据集，将数据资料进行归一化处理，并根据台风特征整理分类；如图1所示，可以收集1945～2022年西北太平洋海域影响中国近海的台风路径资料数据集；

步骤2、对于新生台风，使台风路径满足时间相似，限制时间属性，搜寻满足条件的历史台风路径数据；

步骤3、满足时间属性后，使台风路径满足地理相似，限制空间属性，进一步搜寻满足条件的历史台风路径数据；

步骤4、满足步骤2和步骤3的条件后，根据新生台风的中心气压和风速，搜寻满足条件的历史台风路径数据以得到的台风路径数据作为样本数据集；

步骤5、基于步骤4得到的样本数据集，寻找与新生台风具有最佳轨迹相似度的历史台风数据，根据轨迹相似性，构建权重系数，将满足条件的历史台风路径数据根据权重构建台风路径的下一个位置；

步骤6、判断此时台风是否登陆，若未登陆，重复上述步骤，实时更新台风路径。

进一步的，步骤1的具体方法如下：

步骤1-1收集台风路径资料数据集，并将数据资料进行归一化处理；

步骤1-2根据台风特征对各历史台风路径添加标签，分为日期、风速、中心气压、移速、移向、路径点中心位置经度坐标、路径点中心位置纬度坐标七个特征。

进一步的，步骤2的具体方法如下：当出现新生台风时，根据步骤1中划分的日期标签，以当前所在日期为基准，搜寻前后一个月的历史台风路径数据作为当前台风路径预测的数据集，确定满足时间相似条件的历史台风路径。

进一步的，步骤3的具体方法如下：

将新生台风轨迹点的空间坐标记为(X_j,Y_j)，j＝1，2，3……β，移向记为F_j，j＝1，2，3……β，移速记为v_j，j＝1，2，3……β，β为当前已知新生台风轨迹点的个数，在台风生成初期，监测得到前三个时刻的台风路径轨迹点，即β＝3；

对于步骤2中筛选出的满足时间相似条件的历史台风路径数据，将步骤1中台风中心点的经纬度转化为空间坐标，新生台风当前时刻的台风中心空间坐标为(X_β,Y_β)，以新生台风当前时刻实时路径台风中心为圆心建立一个半径为r的阈值圆，搜寻所有经过阈值圆内的历史台风路径；

距离度量方法取欧氏距离，将台风路径近似看成二维空间，则距离ρ为：

其中，(X_β,Y_β)为新生台风最新时刻的台风中心空间坐标，(x_t,y_t)为历史台风路径的任一时刻的台风中心空间坐标；

如果台风路径中有轨迹点在阈值圆内，即ρ＜r，则认为此台风路径满足地理相似条件，取所有在这个阀值圆内的台风路径数据，阀值圆外的数据舍去，由此共得到k条满足地理相似的台风路径；

对于上述满足地理相似条件的每一条台风路径，分别取这条路径上距离新生台风阈值圆心最近的点，记录下这个点的风速、中心气压、移速和移向，该点空间坐标记为(x_i,y_i)，i＝1，2，3……k，该点的前两个时刻点记为(x_i1,y_i1)和(x_i2,y_i2)，重复上述步骤以得到满足条件的k个最短距离点及其上时刻的2k个点。

进一步的，步骤4的具体方法如下：将新生台风最新时刻点的风速和中心气压作为基准，记为V₀和P₀，对于步骤3得到的k个最短距离点，将其风速和中心气压记为V_i和P_i，i＝1，2，……，k，若V₀＝V_i，P₀＝P_i，则认为这个点的风速气压特征与新生台风相似，将满足中心气压和风速要求的点的个数记为α，每个点的移速记为v_i，i＝1，2，……，α，移向记为F_i，i＝1，2，……，α。

进一步的，步骤5的具体方法如下：

新生台风轨迹取当前时刻的台风位置(X_β,Y_β)和前两个时刻的台风位置(X_β-1,Y_β-1)和(X_β-2,Y_β-2)的连线；

步骤4中得到的α个台风的位置点，所述α个台风的位置点空间坐标为(x_i,y_i)，i＝1，2，3……α，该点的前两个时刻的位置坐标为(x_i1,y_i1)和(x_i2,y_i2)，α个台风的位置点与新生台风初始轨迹的相似度分别记为q_i；

根据相似度从大到小，将α个台风路径数据的相似度q_i进行排序，根据相似度的反比计算权重系数，权重系数的计算方法为：

根据权重系数确定新生台风(X_β,Y_β)下一个时刻点(X_β+1,Y_β+1)的移速和移向：

根据移向F_β+1和移速v_β+1计算出新生台风的下一时刻点的空间坐标(X_β+1，Y_β+1)；

X_β+1＝X_β+cos F_β+1*v_β+1

Y_β+1＝Y_β+sin F_β+1*v_β+1

将(X_β+1，Y_β+1)作为一个新的当前时刻新生台风轨迹点(X_β，Y_β)带入步骤2中，β＝β+1，重复上述步骤，不断计算下一时刻的台风位置，实时得到一条完整的台风路径。

Claims (6)

1.一种台风路径智能预测方法，其特征在于，该方法包括如下步骤：

步骤1、建立台风路径数据集，将数据资料进行归一化处理，并根据台风特征整理分类；

步骤2、对于新生台风，使台风路径满足时间相似，限制时间属性，搜寻满足条件的历史台风路径数据；

步骤3、满足时间属性后，使台风路径满足地理相似，限制空间属性，进一步搜寻满足条件的历史台风路径数据；

步骤4、满足步骤2和步骤3的条件后，根据新生台风的中心气压和风速，搜寻满足条件的历史台风路径数据以得到的台风路径数据作为样本数据集；

步骤5、基于步骤4得到的样本数据集，寻找与新生台风具有最佳轨迹相似度的历史台风数据，根据轨迹相似性，构建权重系数，将满足条件的历史台风路径数据根据权重构建台风路径的下一个位置；

步骤6、判断此时台风是否登陆，若未登陆，重复上述步骤，实时更新台风路径。

2.根据权利要求1所述的一种台风路径智能预测方法，其特征在于，步骤1的具体方法如下：

步骤1-1收集台风路径资料数据集，并将数据资料进行归一化处理；

步骤1-2根据台风特征对各历史台风路径添加标签，分为日期、风速、中心气压、移速、移向、路径点中心位置经度坐标、路径点中心位置纬度坐标七个特征。

3.根据权利要求2所述的一种台风路径智能预测方法，其特征在于，步骤2的具体方法如下：当出现新生台风时，根据步骤1中划分的日期标签，以当前所在日期为基准，搜寻前后一个月的历史台风路径数据作为当前台风路径预测的数据集，确定满足时间相似条件的历史台风路径。

4.根据权利要求1所述的一种台风路径智能预测方法，其特征在于，步骤3的具体方法如下：

将新生台风轨迹点的空间坐标记为(X_j,Y_j)，j＝1，2，3……β，移向记为F_j，j＝1，2，3……β，移速记为v_j，j＝1，2，3……β，β为当前已知新生台风轨迹点的个数，在台风生成初期，监测得到前三个时刻的台风路径轨迹点，即β＝3；

对于步骤2中筛选出的满足时间相似条件的历史台风路径数据，将步骤1中台风中心点的经纬度转化为空间坐标，新生台风当前时刻的台风中心空间坐标为(X_β,Y_β)，以新生台风当前时刻实时路径台风中心为圆心建立一个半径为r的阈值圆，搜寻所有经过阈值圆内的历史台风路径；

距离度量方法取欧氏距离，将台风路径近似看成二维空间，则距离ρ为：

其中，(X_β,Y_β)为新生台风最新时刻的台风中心空间坐标，(x_t,y_t)为历史台风路径的任一时刻的台风中心空间坐标；

如果台风路径中有轨迹点在阈值圆内，即ρ＜r，则认为此台风路径满足地理相似条件，取所有在这个阀值圆内的台风路径数据，阀值圆外的数据舍去，由此共得到k条满足地理相似的台风路径；

对于上述满足地理相似条件的每一条台风路径，分别取这条路径上距离新生台风阈值圆心最近的点，记录下这个点的风速、中心气压、移速和移向，该点空间坐标记为(x_i,y_i)，i＝1，2，3……k，该点的前两个时刻点记为(x_i1,y_i1)和(x_i2,y_i2)，重复上述步骤以得到满足条件的k个最短距离点及其上时刻的2k个点。

5.根据权利要求4所述的一种台风路径智能预测方法，其特征在于，步骤4的具体方法如下：将新生台风最新时刻点的风速和中心气压作为基准，记为V₀和P₀，对于步骤3得到的k个最短距离点，将其风速和中心气压记为V_i和P_i，i＝1，2，……，k，若V₀＝V_i，P₀＝P_i，则认为这个点的风速气压特征与新生台风相似，将满足中心气压和风速要求的点的个数记为α，每个点的移速记为v_i，i＝1，2，……，α，移向记为F_i，i＝1，2，……，α。

6.根据权利要求5所述的一种台风路径智能预测方法，其特征在于，步骤5的具体方法如下：

新生台风轨迹取当前时刻的台风位置(X_β,Y_β)和前两个时刻的台风位置(X_β-1,Y_β-1)和(X_β-2,Y_β-2)的连线；

步骤4中得到的α个台风的位置点，所述α个台风的位置点空间坐标为(x_i,y_i)，i＝1，2，3……α，该点的前两个时刻的位置坐标为(x_i1,y_i1)和(x_i2,y_i2)，α个台风的位置点与新生台风初始轨迹的相似度分别记为q_i；

根据相似度从大到小，将α个台风路径数据的相似度q_i进行排序，根据相似度的反比计算权重系数，权重系数的计算方法为：

根据权重系数确定新生台风(X_β，Y_β)下一个时刻点(X_β+1，Y_β+1)的移速和移向：

根据移向F_β+1和移速v_β+1计算出新生台风的下一时刻点的空间坐标(X_β+1，Y_β+1)；

X_β+1＝X_β+cosF_β+1*v_β+1

Y_β+1＝Y_β+sinF_β+1*v_β+1

将(X_β+1，Y_β+1)作为一个新的当前时刻新生台风轨迹点(X_β，Y_β)带入步骤2中，β＝β+1，重复上述步骤，不断计算下一时刻的台风位置，实时得到一条完整的台风路径。

Images