CN115471016A - 一种基于cisso与daed的台风预测方法 - Google Patents
一种基于cisso与daed的台风预测方法 Download PDFInfo
- Publication number
- CN115471016A CN115471016A CN202211353950.3A CN202211353950A CN115471016A CN 115471016 A CN115471016 A CN 115471016A CN 202211353950 A CN202211353950 A CN 202211353950A CN 115471016 A CN115471016 A CN 115471016A
- Authority
- CN
- China
- Prior art keywords
- representing
- spider
- typhoon
- data
- spiders
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000007246 mechanism Effects 0.000 claims abstract description 45
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 7
- 241000239290 Araneae Species 0.000 claims description 155
- 230000006870 function Effects 0.000 claims description 31
- 238000011176 pooling Methods 0.000 claims description 30
- 230000000739 chaotic effect Effects 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000013011 mating Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 4
- 230000015654 memory Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 13
- 238000005457 optimization Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007850 degeneration Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Genetics & Genomics (AREA)
- Game Theory and Decision Science (AREA)
- Nonlinear Science (AREA)
- Physiology (AREA)
- Entrepreneurship & Innovation (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mathematical Analysis (AREA)
Abstract
本发明公开了一种基于CISSO与DAED的台风预测方法，涉及气象预测技术领域，首先获得台风数据集以及同区域同时刻的气象要素数据，在气象要素中，对风速要素进行CEEMD模态分解并且进行筛选，可以使风速信号更加平稳，实现信号尺度的分解降维，能够有效降低建模复杂度，降低原始数据带来的误差；经预处理的数据通过基于稠密注意力机制的编码器‑解码器模型和CISSO‑BP模型进行预测，台风数据的基础上融合了其他气象要素数据；在结合CISSO‑BP模型的基础上提出DAED模型，在提升模型深度的同时，也能良好的保存数据的信息，经过二级数据融合即得到最终的台风预测值，可以很好的提高台风预测的精准性。
Description
技术领域
本发明涉及气象预测与气象灾害预报技术领域，特别是涉及一种基于CISSO与DAED的台风预测方法。
背景技术
我国拥有着广阔的海岸线，在我国东南部沿海地区台风频发，通常伴有次生灾害，例如洪涝、滑坡以及泥石流等，同时我国政治经济文化发达的地区都在东部沿海地区，台风已成为影响我国的主要自然灾害之一，所以实时掌握台风信息对于抗灾救灾来说至关重要。
现有技术中，动力学模型、统计学模型以及集合模型都被应用在台风预测上，其中很多气象学者利用预测因子建立了统计预测模型，提出了多种基于线性回归的统计预测模型，例如多元线性回归模型，多元线性回归模型虽然可以预测台风活动，但对于非线性活动预测，仍具有不可弥补的缺陷，同时上述方法需要利用大量的气象数据，而且也需要耗费大量的计算资源和计算时间。
近些年，很多机器学习算法和深度学习方法运用到台风预测上，但是在选择数据上是单一台风云图数据集或者台风轨迹、气象要素数据集，台风预测也仅仅是单一的台风强度或者台风轨迹预测。
发明内容
为了解决以上技术问题，本发明提供一种基于CISSO与DAED的台风预测方法，包括以下步骤
S1、确定待反演时刻台风中心的地理坐标信息，获取对应地理坐标的卫星云图数据，以及对应地理坐标的气象要素信息数据，气象要素信息数据包括风速信息数据和气压信息数据；
S2、对气象要素数据中的风速信息数据进行模态分解，对分解的分量进行相关性筛选；
S3、重构风速序列数据，并将重构后的风速序列数据与气压信息数据进行融合；
S4、建立CISSO-BP模型，将融合后的数据输入到CISSO-BP模型中，进行台风预测；
S5、将卫星云图数据与台风经纬度位置相对应，使得台风中心位置在卫星云图数据中心位置，以此构建矩阵数据；将矩阵数据输入到基于稠密注意力机制的编码器-解码器模型中，进行台风预测；
S6、对步骤S4和步骤S5中的输出结果，经过Xgboost融合模型后得到当前时刻最终的预测结果。
本发明进一步限定的技术方案是：
进一步的，步骤S1中，每次预测台风的序列数据与气象要素数据设置为同一时刻进行，并对气压信息数据进行归一化处理，公式如下，
其中，归一化使用Max-Min归一化，Xi表示数据中的值；Xmin、Xmax分别表示数据集中的最小值和最大值；
是归一化后的结果在[0,1]之间的值。
前所述的一种基于CISSO与DAED的台风预测方法，步骤S2中，模态分解设置为互补集合经验模态分解，包括以下步骤
S2.1、将k组正负成对的高斯白噪声加入原始时间序列数据中，得到2k个数据集合，
其中, B(t)表示原始时间序列；N表示辅助噪声；K1和K2表示添加了正负成对的高斯白噪声的时间序列，总计2k个信号；
S2.2、对集合中的序列进行经验模态分解，每个序列得到一组IMF，用IMFij表示第i阶的第j个IMF；
S2.3、对得到的混合信号进行经验模态分解，产生2k组IMF分量，其中第i个信号的第j个IMF分量表示为Cij，
其中，Res为原信号不满足分解条件时，停止分解后所剩的残余分量；
S2.4、利用皮尔逊积矩相关系数进行筛选，保留与台风预测相关系数大于0.3的IMF均值分量，并进行融合。
前所述的一种基于CISSO与DAED的台风预测方法，步骤S2.4中，剔除掉与台风预测相关系数小于等于0.3的IMF分量输入，构建优选过后风速分量序列，分析相关系数的公式如下，
其中，
、
分别表示时间序列Xi、Yi的平均值；n表示时间序列样本数量。
前所述的一种基于CISSO与DAED的台风预测方法，步骤S4中，CISSO-BP模型中的混沌免疫蜘蛛群算法包括以下步骤
S4.1、对蜘蛛个体进行初始化，初始化的内容包括雌性蜘蛛和雄性蜘蛛的个体数量、样本以及蜘蛛个体权重的初始化，
其中，Nf、Nm分别表示雌性蜘蛛和雄性蜘蛛的个体数量，N表示样本总数，floor表示实数到整数的映射；ub、lb分别表示分量取值的上下限，rand表示区间[0,1]的随机数；J(si)表示蜘蛛个体si的适应度；wi表示蜘蛛个体的权重；worsts表示最劣适应度值；bests表示最优的适应度值；
S4.2、雌性蜘蛛和雄性蜘蛛个体间的相互作用，
其中，Vibci表示个体i与个体c之间的信息交流；Vibbi表示个体i与个体b之间的信息交流；Vibfi表示个体i与个体f之间的信息交流；个体f是距离个体i最近的雌性个体；wmax和wmin分别表示全部权重因子中的最大值和最小值，t表示当前迭代次数，tmax表示最大迭代次数；
S4.3、雌性蜘蛛和雄性蜘蛛对外界的振动作出反应；
S4.4、雌性蜘蛛会与雄性蜘蛛在交配范围内发生繁殖行为，交配半径根据公式R计算，
其中，
、
分别表示第j维雌性蜘蛛的变量上下限；
雌性蜘蛛在半径范围R中与雄性蜘蛛发生交配的过程中，以每个个体重量定义交配概率，蜘蛛个体越重，获得繁育后代概率越大，用轮盘赌机制来产生新蛛体的位置，概率为父代蜘蛛的权重占总权重的比例；
新生成蜘蛛与原有蜘蛛种群进行适应度比较，适应度高的新生成蜘蛛取代适应度低的原有蜘蛛，若新生成蜘蛛的适应度低于原有蜘蛛，则不采用该新生成蜘蛛，使蜘蛛群体向优势蜘蛛发展；
S4.5、将基准值设为蜘蛛种群的适应度方差，基准值用于判断SSO算法是否达到局部最优，混沌算法基于此适应度方差进行蜘蛛种群修正，预设适应度阈值FT，当蜘蛛种群的适应度方差大于适应度阈值时，混沌算法介入进行修正，适应度方差公式、混沌映射与混沌处理公式如下，
其中，N表示总个体数；
表示蜘蛛种群适应值；ji表示第i个个体的适应度值；javg表示种群平均适应度值；j表示用于限制方差的约束因子；
z(t)是随机数且属于[0，1]；α和β表示混沌因子，当β∈(2.3,3)时，Cubic映射是混沌的；当α=1时，Cubic映射序列值在(-2,2)之间；当α=2时，序列值在(−1,1)之间；xmin和xmax分别表示迭代过程中权重最小值和最大值对应蛛体的位置；
S4.6、通过加入新的免疫升级方式对SSO算法进行优化，公式如下，
其中，xij(t)表示蛛体实时位置；r1和r2是定义在[0,1]的随机数；cauchy是标准柯西分布。
前所述的一种基于CISSO与DAED的台风预测方法，步骤S4.3中，雌性蜘蛛和雄性蜘蛛对外界的振动作出反应，包括以下步骤
S4.3.1、根据协作机制移动雌性蜘蛛，判别阈值PF与随机数rm的大小，雌性蜘蛛对外界反应的数学模拟如下式，
其中，α、β、δ以及rand均为[0,1]上的随机数；k为当前迭代次数；sc表示距离个体i的蜘蛛最近且权重比其大的蜘蛛；sb表示当前种群最优的蜘蛛个体；
S4.3.2、根据协作机制移动雄性蜘蛛，雄蜘蛛对外界的反应，即蜘蛛个体的进化运动过程，由下式模拟，
其中, 
表示排位在中间的雄性蜘蛛；sf表示距离雄蜘蛛i最近的雌蜘蛛。
前所述的一种基于CISSO与DAED的台风预测方法，步骤S5中，基于稠密注意力机制的编码器-解码器模型进行台风预测，包括以下步骤
S5.1、对于基于稠密注意力机制的编码器-解码器模型结构，特征为稠密连接思想，稠密连接中第l层的输出用下式表示，
其中，xl表示第l层的输出，Hl()表示第l层的特征变换，x0，x1，...，xl-1表示前面l-1层的输出；
S5.2、通过通道注意力机制模块，对于输入特征H×W×C，分别通过两个通道，两个通道分别进行平均池化和最大池化；对最大池化得到的通道进行倍率为m的下采样，再将结果进行相同倍率的上采样；最后将两个特征向量进行拼接，再使用卷积对其进行融合以及参数学习，得到一张1×1×C的特征图；最后经过一个Sigmoid函数，得到通道注意力矩阵，与原始输入特征逐元素相乘，得到输出特征，对应的数学表达式如下，
其中，FC表示经过了通道注意力机制模块后的特征输出；XC表示输入特征；σ(∙)表示ReLU函数；W0、W1、W2分别表示卷积核的权重；δ(∙)表示Sigmoid函数；Xmp、Xap分别表示输入特征经过平均池化和最大池化的特征；
S5.3、通过空间注意力机制模块，对于输入特征H×W×C，分别通过两个通道，两个通道分别进行平均池化和最大池化；对平均池化得到的通道进行BatchNorm和卷积；最后将两个特征向量进行拼接，再使用卷积对其进行融合以及参数学习，得到一张H×W×1的特征图；最后经过一个Sigmoid函数，得到空间注意力矩阵，与原始输入特征逐元素相乘，得到输出特征，对应的数学表达式如下，
其中，Fs表示经过了空间注意力机制模块后的特征输出，Xs表示输入特征，σ(∙)表示ReLU函数，W1表示卷积核的权重，δ(∙)表示Sigmoid函数，τ(∙)表示BatchNorm&ReLU，Xmp、Xap分别表示输入特征经过平均池化和最大池化的特征；
S5.4、通过编码器-解码器网络，再经过一个全连接层输出预测结果；编码器-解码器网络中，编码器使用双向长短期记忆网络，解码器使用长短期记忆网络。
前所述的一种基于CISSO与DAED的台风预测方法，步骤S5中，将卫星云图数据分为训练集、测试集以及验证集，训练集、测试集以及验证集的比例设置为7:2:1。
前所述的一种基于CISSO与DAED的台风预测方法，步骤S5中，基于稠密注意力机制的编码器-解码器模型中，对于给定的第k个输入序列信息，注意力机制权重分配函数如下，
其中，
分别表示编码器的先前隐藏状态和cell状态的拼接向量；Vf T、Wf、Uf以及bf为学习参数；
表示第k个输入序列信息的注意力分配权重。
本发明的有益效果是：
（1）本发明中，使用CISSO模型与DAED模型分别拟合台风云图数据与台风轨迹-气象要素数据，拟合的数据集分别为台风云图图片数据与台风CSV数据两种类别，通过提升数据的丰富性与预测的准确性，在最后使用二级融合模型Xgboost，结果相比以上任何一个单个模型都有更好的效果；
（2）本发明中，在台风云图数据的基础上融合了多个气象要素数据，并且结合BP网络使用了CISSO算法，提出最值自适应策略改进震动因子，并且加入混沌免疫算法，对于传统SSO算法的导致局部最优和收敛速度慢的问题做出针对性改善，可以很好的避免算法陷入局部最优，同时也提升了算法的收敛速度，具有更大的性能优势；
（3）本发明中，使用了时序问题编码器-解码器模型，将通道与时空注意力机制与稠密结构的思想融合，在这基础上又使用注意力编码解码器进行特征分析；其中稠密结构的融入，能够很好的克服特征提取过程中台风数据特征难提取的问题，并且这个结构的加入在最终效果上，使得模型体现出更好的泛化能力，在不同台风数据样例上都有很好的表现。
附图说明
图1为本发明实施例中的整体流程示意图；
图2为本发明实施例中CISSO算法的流程示意图；
图3为本发明实施例中通道注意力机制模块的示意图；
图4为本发明实施例中空间注意力机制模块的示意图；
图5为本发明实施例中基于稠密注意力机制的编码器-解码器模型示意图。
具体实施方式
本实施例提供的一种基于CISSO与DAED的台风预测方法，如图1至图5所示，包括以下步骤
步骤一、确定待反演时刻台风中心的地理坐标信息，获取对应地理坐标的卫星云图数据，以及对应地理坐标的气象要素信息数据，气象要素信息数据包括风速信息数据和气压信息数据；
获得台风数据集，一部分为台风训练数据集，包括台风经纬度数据和台风强度数据；另一部分数据集使用台风卫星云图；然后具体数据使用西北太平洋以及南海台风卫星云图；西太平洋和中国南海海域的台风数据，包含了1949-2019年的台风数据，共17252台风数据；
每次预测台风的序列数据与气象要素数据设置为同一时刻进行，并对气压信息数据进行归一化处理，公式如下，
其中，归一化使用Max-Min归一化，Xi表示数据中的值；Xmin、Xmax分别表示数据集中的最小值和最大值；
是归一化后的结果在[0,1]之间的值。
步骤二、对气象要素数据中的风速信息数据进行模态分解，对分解的分量进行相关性筛选；
模态分解设置为互补集合经验模态分解（CEEMD），由于频率为均匀分布，故通过向原始时间序列加入高斯白噪声的方式，在不同的尺度上使信号连续，不同的子信号能够自动找到其相应的尺度，最终将这些子信号求和平均便可以使噪声相互抵消，从而在一定程度上克服了 EMD 算法中模态混叠的缺点，互补集合经验模态分解（CEEMD）包括以下步骤
第一步、原始气象要素风速数据序列表示为B(t)，将n组正负成对的高斯白噪声加入原始时间序列数据中，得到2k个数据集合，
其中,N表示辅助噪声；K1和K2表示添加了正负成对的高斯白噪声的时间序列；
第二步、对得到的混合信号分别进行分解，产生m个IMF分量，每组分量记为
和
，其中i=1,...,n；j=1,...,m；
第三步、对每组IMF分量的
和
取平均值，得到第j个IMF的值，
第四步、将得到的IMF值作为最终分解结果，原始序列分解为：
其中，R(t)为残留趋势项；
第五步、利用皮尔逊积矩相关系数进行筛选，保留与台风预测相关系数大于0.3的IMF均值分量，剔除掉与台风预测相关系数小于等于0.3的IMF分量输入，构建优选过后风速分量序列，分析相关系数的公式如下，
其中，
、
分别表示时间序列Xi、Yi的平均值；n表示时间序列样本数量；当Mp>0时，表明两个变量正相关，即一个变量值越大则另一个变量值也会越大；当Mp<0时，表明两个变量负相关，即一个变量值越大则另一个变量值反而会越小；当Mp=0时，表明两个变量不是线性相关的。
步骤三、将经过步骤二处理的数据与CMA 台风最佳路径数据集，输入到CISSO-BP模型当中，进行台风预测，混沌免疫蜘蛛群算法（CISSO）是在真实模拟群居蜘蛛群体内不同协作行为的基础上，引入新的混沌免疫算法，极大的提升了算法的全局搜索能力与收敛能力，
在遗传算法中，种群中的个体更新和迭代策略是影响整个算法收敛速度和收敛精度的关键，而对于社会蜘蛛蜘蛛优化算法来说，其种群个体更新的主要方式体现在个体之间的相互协作过程，蛛体的位置与权重由蜘蛛的个体历史最优和种群的全局最优而决定，即使群集蜘蛛算法在解决大多数复杂的优化问题已经表现的很好，但是算法在收敛速度和收敛精度方面还稍有欠缺，这是由于算法在学习能力部分和种群的多样性方面的缺陷所造成的，从而会陷入局部最优，还导致收敛速度慢的问题，所以进一步的提出使用混沌免疫算法，来对传统的群集蜘蛛优化算法进行针对性的改善；
混沌免疫蜘蛛群算法（CISSO）包括以下步骤
S4.1、对蜘蛛个体进行初始化，初始化的内容包括雌性蜘蛛和雄性蜘蛛的个体数量、样本以及蜘蛛个体权重的初始化，
其中，Nf、Nm分别表示雌性蜘蛛和雄性蜘蛛的个体数量，N表示样本总数，floor表示实数到整数的映射；ub、lb分别表示分量取值的上下限，rand表示区间[0,1]的随机数；J(si)表示蜘蛛个体si的适应度；wi表示蜘蛛个体的权重；worsts表示最劣适应度值；bests表示最优的适应度值；
S4.2、在传统SSO算法中，震动因子的大小，会影响算法找到最优值的能力，所以需要合理的调整震动因子，从而使得算法在早期就具有很强的全局搜索能力，并且在后期也拥有很强的局部搜索能力；改进的的震动因子更新公式如下，
其中，Vibci表示个体i与个体c之间的信息交流；Vibbi表示个体i与个体b之间的信息交流；Vibfi表示个体i与个体f之间的信息交流；个体f是距离个体i最近的雌性个体；wmax和wmin分别表示全部权重因子中的最大值和最小值，t表示当前迭代次数，tmax表示最大迭代次数；
从上述震动因子权重系数来看，在种群进化初期，迭代次数化t使得个体在本代的权重系数较大；依照上述分析，当权重系数变大时，震动感知因子能为以及学习权重都很大，这样会使得种群在进化的初期，在全局范围的捜索能力得以加强，也加强了较差的个体对优秀个体的学习程度，从而提高种群的收敛速度；迭代的后期，权重系数变小时，学习权重降低，个体保留了大部分自身的特点，加上迭代分配权重欧式距离策略增强效果，大大加大了算法搜索到全局最优解的概率；
S4.3、雌性蜘蛛和雄性蜘蛛对外界的振动作出反应，包括以下步骤
S4.3.1、根据协作机制移动雌性蜘蛛，判别阈值PF与随机数rm的大小，雌性蜘蛛对外界反应的数学模拟如下式，
其中，α、β、δ以及rand均为[0,1]上的随机数；k为当前迭代次数；sc表示距离个体i的蜘蛛最近且权重比其大的蜘蛛；sb表示当前种群最优的蜘蛛个体；
S4.3.2、根据协作机制移动雄性蜘蛛，雄蜘蛛对外界的反应，即蜘蛛个体的进化运动过程，由下式模拟，
其中, 
表示排位在中间的雄性蜘蛛；sf表示距离雄蜘蛛i最近的雌蜘蛛；
S4.4、雌性蜘蛛会与雄性蜘蛛在交配范围内发生繁殖行为，交配半径根据公式R计算，
其中，
、
分别表示第j维雌性蜘蛛的变量上下限；
雌性蜘蛛在半径范围R中与雄性蜘蛛发生交配的过程中，以每个个体重量定义交配概率，蜘蛛个体越重，获得繁育后代概率越大，用轮盘赌机制来产生新蛛体的位置，概率为父代蜘蛛的权重占总权重的比例；
新生成蜘蛛与原有蜘蛛种群进行适应度比较，适应度高的新生成蜘蛛取代适应度低的原有蜘蛛，若新生成蜘蛛的适应度低于原有蜘蛛，则不采用该新生成蜘蛛，使蜘蛛群体向优势蜘蛛发展；
S4.5、将基准值设为蜘蛛种群的适应度方差，基准值用于判断SSO算法是否达到局部最优，混沌算法基于此适应度方差进行蜘蛛种群修正，适应度方差的大小决定了当前全部种群的收敛状况，预设适应度阈值FT，当蜘蛛种群的适应度方差大于适应度阈值时，混沌算法介入进行修正，否则不介入进行修正；
混沌算法的核心是混沌映射，在混沌映射中，通过 HASH 散列将密钥散列为迭代初值，多次迭代后的混沌序列值映射为 ASCII 码并与数据异或；混沌序列作为混沌算法的核心，用来优化SSO算法，使算法在使用中拥有更好的优化效果；混沌序列可以由不同的混沌映射产生，本文经过实验测定多个映射，采用Cubic映射；适应度方差公式、混沌映射与混沌处理公式如下，
其中，N表示总个体数；
表示蜘蛛种群适应值；ji表示第i个个体的适应度值；javg表示种群平均适应度值；j表示用于限制方差的约束因子；方差的大小决定了当前全部种群的收敛状况，方差越大，种群的波动越大，说明越不容易收敛；反之则越容易收敛；
z(t)是随机数且属于[0，1]；α和β表示混沌因子，当β∈(2.3,3)时，Cubic映射是混沌的；当α=1时，Cubic映射序列值在(-2,2)之间；当α=2时，序列值在(−1,1)之间；xmin和xmax分别表示迭代过程中权重最小值和最大值对应蛛体的位置；
S4.6、算法的目的是为了迭代出优良的个体，如果存在退化的情况可能会使实验脱离最初的目的，虽然在传统SSO算法中，会剔除一半劣质个体来保证算法迭代的有效性，但是不能够避免在算法迭代更新的子代中还会产生劣质个体，从而极大的降低了算法的收敛速度，这就需要在SSO算法中运用免疫算法来抑制退化现象；
免疫算法是一种以保留原算法部分特性为前提，有选择性的利用所求问题的一些信息会抑制算法在迭代过程中发生的退化问题；在很多情况下，免疫算法可以应用于辅助优化的遗传算法，在一定几率下，遗传算子可以进行随机的迭代搜索，所有处于群体中的个体可以发生进化和退化的情况；
在传统SSO算法中运用免疫算法抑制退化现象，提升种群的多样性，也在很大程度上提升了整体算法的收敛速度和种群的多样性，通过加入新的免疫升级方式对SSO算法进行优化，公式如下，
其中，xij(t)表示蛛体实时位置；r1和r2是定义在[0,1]的随机数；cauchy是标准柯西分布。
使用CISSO算法来结合BP神经网络，BP神经网络是一种多层前馈网络，一般大于3层，它按照误差逆传播进行算法训练，网络拓扑结构由输入层、隐含层以及输出层组成；由于待优化的 BP神经网络参数的维度往往达到数十维，甚至更高，传统GA等智能算法在收敛速度和收敛精度方面很难达到要求，传统社会蜘蛛群算法（SSO）也有陷入局部最优和收敛速度慢的问题，所以CISSO相比SSO具有更好的效果，也在与 PSO算法、ABC算法众多函数极值寻优的方法中，显示出更大的性能优势。
基于混沌免疫蜘蛛群算法（CISSO）的优化，包括以下步骤：
步骤1、初始化混沌免疫蜘蛛群算法（CISSO）的控制参数，如α、β、δ参数，并初始化种群个体数目、雌雄种群以及混沌免疫算法参数；
步骤2、根据公式（6）对雌雄蜘蛛进行操作，另外根据公式（7）初始化蜘蛛的个体位置，并开始迭代操作；
步骤3、根据目标条件计算每一个个体的自身适应度，根据公式（8）对每个个体分配初始权重；
步骤4、根据每个个体蜘蛛与雌蜘蛛之间距离最小的条件上，自身权重最高的个体，找到全局最优个体，根据公式（9）、公式（10）以及公式（11）分别计算他们的震动因子；
步骤5、根据公式（12）和公式（13）更新循环雌雄蜘蛛个体的位置，在范围内的雌雄蜘蛛使用轮盘赌机制生成新的位置；
步骤6、在新的个体蜘蛛产生过后，将新的个体加入，并且将群体中最差的个体淘汰；
步骤7、在新产生的群体中，根据公式（15）判断是否进行混沌化处理，如果进行混沌化处理转到步骤8，否则转到步骤9；
步骤8、使用公式（16）和公式（17）进行混沌化处理，然后转到步骤2；
步骤9、使用公式（18）免疫处理，来更新雌雄蜘蛛的位置；
步骤10、判断是否满足结束条件，若满足，则直接输出最优结果，算法结束；如不满足，则跳转到步骤2。
CISSO-BP神经网络采用多层前馈网络，按照误差逆传播进行算法训练，网络拓扑结构由输入层、隐含层以及输出层组成；对于这种算法，不用知道输入输出间的映射关系，自适应性和组织能力很强，CISSO在传统的SSO算法上，应用混沌免疫算法进行跟新迭代，良好的提升了收敛速度与避免局部最优解情况。
步骤四、使用步骤一中处理后的西北太平洋以及南海台风卫星云图数据，基于稠密注意力机制的编码器-解码器模型（DAED）进行台风预测，具体步骤如下：
第1步、将台风卫星云图数据与台风经纬度位置对应，使得台风中心位置在卫星云图数据中心位置来构建成矩阵数据；
第2步、网络结构中，特征提取的卷积使用Conv3x3卷积核，共使用了五层卷积网络，还加入了稠密连接结构，在稠密结构中，每一个稠密层都使用维度拼接，而非残差相加；对于基于稠密注意力机制的编码器-解码器模型结构，特征为稠密连接思想，输出不是像ResNet那样直接两个数据相加输出，而是在维度上连结，这样前面模块的输出可以直接传入到后面模块中后面的层；稠密连接中第l层的输出用下式表示，
其中，xl表示第l层的输出，Hl()表示第l层的特征变换，x0，x1，...，xl-1表示前面l-1层的输出；
第3步、通过通道注意力机制模块，对于输入特征H×W×C，分别通过两个通道，两个通道分别进行平均池化和最大池化，两者从不同角度捕捉特征，相互补充；对最大池化得到的通道进行倍率为m的下采样，再将结果进行相同倍率的上采样；最后将两个特征向量进行拼接，再使用卷积对其进行融合以及参数学习，得到一张1×1×C的特征图；最后经过一个Sigmoid函数，得到通道注意力矩阵，与原始输入特征逐元素相乘，得到输出特征，对应的数学表达式如下，
其中，FC表示经过了通道注意力机制模块后的特征输出；XC表示输入特征；σ(∙)表示ReLU函数；W0、W1、W2分别表示卷积核的权重；δ(∙)表示Sigmoid函数；Xmp、Xap分别表示输入特征经过平均池化和最大池化的特征；
第4步、通过空间注意力机制模块，对于输入特征H×W×C，分别通过两个通道，两个通道分别进行平均池化和最大池化，两者从不同角度捕捉特征，相互补充；对平均池化得到的通道进行BatchNorm和卷积；最后将两个特征向量进行拼接，再使用卷积对其进行融合以及参数学习，得到一张H×W×1的特征图；最后经过一个Sigmoid函数，得到空间注意力矩阵，与原始输入特征逐元素相乘，得到输出特征，对应的数学表达式如下，
其中，Fs表示经过了空间注意力机制模块后的特征输出，Xs表示输入特征，σ(∙)表示ReLU函数，W1表示卷积核的权重，δ(∙)表示Sigmoid函数，τ(∙)表示BatchNorm&ReLU，Xmp、Xap分别表示输入特征经过平均池化和最大池化的特征；
第5步、通过编码器-解码器网络，再经过一个全连接层输出预测结果；编码器-解码器网络中，编码器使用双向长短期记忆网络（LSTM），解码器使用长短期记忆网络（LSTM）。
基于稠密注意力机制的编码器-解码器模型（DAED）使用通道注意力机制与空间注意力机制进行特征提取；对于空间注意力来说，由于将每个通道中的特征都做同等处理，忽略了通道间的信息交互；而通道注意力则是将一个通道内的信息直接进行全局处理，容易忽略空间内的信息交互；两个模块对于特征提取的侧重点不同，所以通道与空间并行的方式对于初始输入特征的提取更有优势，能够减小随着结构网络加深所带来的的影响。
另一方面，对于串行连接的方式，虽然能够加深网络结构，但是连接在后面的模块就不能够直接对特征丰富的初始特征进行处理，而是对已经损失了一部分的数据进行处理；虽然神经网络的层数越深，其表达能力越强，越能提取更深的非线性特征，但是会出现梯度消失或梯度爆炸问题、过拟合问题以及退化问题，在串行连接的基础上融入稠密连接的思想，既能够维持网络的深度，提升结构的泛化性，也避免了串行连接中特征损失的不足。
在解码器中，解码器的每个时刻使用不同的背景向量，每个背景向量相当于对输入序列的不同部分分配了不同的注意力，在输出时能够更好的关注到高特征向量，对于低特征向量给与少的权重，帮助模型更好的拟合函数；对于给定的第k个输入序列信息，注意力机制权重分配函数如下，
其中，
分别表示编码器的先前隐藏状态和cell状态的拼接向量；Vf T、Wf、Uf以及bf为学习参数；
表示第k个输入序列信息的注意力分配权重。
使用稠密注意力机制的编码器-解码器网络训练时，将西北太平洋以及南海台风卫星云图数据和CMA 台风最佳路径数据集，分为训练集、测试集以及验证集，训练集、测试集以及验证集的比例设置为7:2:1，训练集占比最高，用来进行网络模型内部参数的训练；验证集用于验证模型在训练过程中是否出现梯度消失梯度爆炸，以便能够及时修改超参数；测试组用于验证模型性能。
稠密注意力机制的编码器-解码器模型训练时，设置初始迭代次数epoch＝1200，初始批次大小batchsize＝256，初始学习率为0.002，设置损失函数为MSE，优化函数为Adam，每迭代200 次输入一次结果，然后提前设置学习率增减，当迭代100次，学习率衰减30%，
其中，n为样本数，yi为真实值，
为预测值。
步骤五、对步骤三和步骤四中的输出结果，进行数据结构融合，基于数据集间隔的记录数据，所以预报的时间步长间隔与之匹配；然后将两个模型都连接Xgboost融合模型，经过Xgboost融合模型融合得到当前时刻最终的预测结果；依照此上步骤，一一产生时序间隔的全部预测结果。
除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。
Claims (9)
1.一种基于CISSO与DAED的台风预测方法，其特征在于：包括以下步骤
S1、确定待反演时刻台风中心的地理坐标信息，获取对应地理坐标的卫星云图数据，以及对应地理坐标的气象要素信息数据，气象要素信息数据包括风速信息数据和气压信息数据；
S2、对气象要素数据中的风速信息数据进行模态分解，对分解的分量进行相关性筛选；
S3、重构风速序列数据，并将重构后的风速序列数据与气压信息数据进行融合；
S4、建立CISSO-BP模型，将融合后的数据输入到CISSO-BP模型中，进行台风预测；
S5、将卫星云图数据与台风经纬度位置相对应，使得台风中心位置在卫星云图数据中心位置，以此构建矩阵数据；将矩阵数据输入到基于稠密注意力机制的编码器-解码器模型中，进行台风预测；
S6、对步骤S4和步骤S5中的输出结果，经过Xgboost融合模型后得到当前时刻最终的预测结果。
2.根据权利要求1所述的一种基于CISSO与DAED的台风预测方法，其特征在于：所述步骤S1中，每次预测台风的序列数据与气象要素数据设置为同一时刻进行，并对气压信息数据进行归一化处理，公式如下，
其中，归一化使用Max-Min归一化，Xi表示数据中的值；Xmin、Xmax分别表示数据集中的最小值和最大值；
是归一化后的结果在[0,1]之间的值。
3.根据权利要求1所述的一种基于CISSO与DAED的台风预测方法，其特征在于：所述步骤S2中，模态分解设置为互补集合经验模态分解，包括以下步骤
S2.1、将k组正负成对的高斯白噪声加入原始时间序列数据中，得到2k个数据集合，
其中, B(t)表示原始时间序列；N表示辅助噪声；K1和K2表示添加了正负成对的高斯白噪声的时间序列，总计2k个信号；
S2.2、对集合中的序列进行经验模态分解，每个序列得到一组IMF，用IMFij表示第i阶的第j个IMF；
S2.3、对得到的混合信号进行经验模态分解，产生2k组IMF分量，其中第i个信号的第j个IMF分量表示为Cij，
其中，Res为原信号不满足分解条件时，停止分解后所剩的残余分量；
S2.4、利用皮尔逊积矩相关系数进行筛选，保留与台风预测相关系数大于0.3的IMF均值分量，并进行融合。
4.根据权利要求3所述的一种基于CISSO与DAED的台风预测方法，其特征在于：所述步骤S2.4中，剔除掉与台风预测相关系数小于等于0.3的IMF分量输入，构建优选过后风速分量序列，分析相关系数的公式如下，
其中，
、
分别表示时间序列Xi、Yi的平均值；n表示时间序列样本数量。
5.根据权利要求1所述的一种基于CISSO与DAED的台风预测方法，其特征在于：所述步骤S4中，CISSO-BP模型中的混沌免疫蜘蛛群算法包括以下步骤
S4.1、对蜘蛛个体进行初始化，初始化的内容包括雌性蜘蛛和雄性蜘蛛的个体数量、样本以及蜘蛛个体权重的初始化，
其中，Nf、Nm分别表示雌性蜘蛛和雄性蜘蛛的个体数量，N表示样本总数，floor表示实数到整数的映射；ub、lb分别表示分量取值的上下限，rand表示区间[0,1]的随机数；J(si)表示蜘蛛个体si的适应度；wi表示蜘蛛个体的权重；worsts表示最劣适应度值；bests表示最优的适应度值；
S4.2、雌性蜘蛛和雄性蜘蛛个体间的相互作用，
其中，Vibci表示个体i与个体c之间的信息交流；Vibbi表示个体i与个体b之间的信息交流；Vibfi表示个体i与个体f之间的信息交流；个体f是距离个体i最近的雌性个体；wmax和wmin分别表示全部权重因子中的最大值和最小值，t表示当前迭代次数，tmax表示最大迭代次数；
S4.3、雌性蜘蛛和雄性蜘蛛对外界的振动作出反应；
S4.4、雌性蜘蛛会与雄性蜘蛛在交配范围内发生繁殖行为，交配半径根据公式R计算，
其中，
、
分别表示第j维雌性蜘蛛的变量上下限；
雌性蜘蛛在半径范围R中与雄性蜘蛛发生交配的过程中，以每个个体重量定义交配概率，蜘蛛个体越重，获得繁育后代概率越大，用轮盘赌机制来产生新蛛体的位置，概率为父代蜘蛛的权重占总权重的比例；
新生成蜘蛛与原有蜘蛛种群进行适应度比较，适应度高的新生成蜘蛛取代适应度低的原有蜘蛛，若新生成蜘蛛的适应度低于原有蜘蛛，则不采用该新生成蜘蛛，使蜘蛛群体向优势蜘蛛发展；
S4.5、将基准值设为蜘蛛种群的适应度方差，基准值用于判断SSO算法是否达到局部最优，混沌算法基于此适应度方差进行蜘蛛种群修正，预设适应度阈值FT，当蜘蛛种群的适应度方差大于适应度阈值时，混沌算法介入进行修正，适应度方差公式、混沌映射与混沌处理公式如下，
其中，N表示总个体数；
表示蜘蛛种群适应值；ji表示第i个个体的适应度值；javg表示种群平均适应度值；j表示用于限制方差的约束因子；
z(t)是随机数且属于[0，1]；α和β表示混沌因子，当β∈(2.3,3)时，Cubic映射是混沌的；当α=1时，Cubic映射序列值在(-2,2)之间；当α=2时，序列值在(−1,1)之间；xmin和xmax分别表示迭代过程中权重最小值和最大值对应蛛体的位置；
S4.6、通过加入新的免疫升级方式对SSO算法进行优化，公式如下，
其中，xij(t)表示蛛体实时位置；r1和r2是定义在[0,1]的随机数；cauchy是标准柯西分布。
6.根据权利要求5所述的一种基于CISSO与DAED的台风预测方法，其特征在于：所述步骤S4.3中，雌性蜘蛛和雄性蜘蛛对外界的振动作出反应，包括以下步骤
S4.3.1、根据协作机制移动雌性蜘蛛，判别阈值PF与随机数rm的大小，雌性蜘蛛对外界反应的数学模拟如下式，
其中，α、β、δ以及rand均为[0,1]上的随机数；k为当前迭代次数；sc表示距离个体i的蜘蛛最近且权重比其大的蜘蛛；sb表示当前种群最优的蜘蛛个体；
S4.3.2、根据协作机制移动雄性蜘蛛，雄蜘蛛对外界的反应，即蜘蛛个体的进化运动过程，由下式模拟，
其中, 
表示排位在中间的雄性蜘蛛；sf表示距离雄蜘蛛i最近的雌蜘蛛。
7.根据权利要求1所述的一种基于CISSO与DAED的台风预测方法，其特征在于：所述步骤S5中，基于稠密注意力机制的编码器-解码器模型进行台风预测，包括以下步骤
S5.1、对于基于稠密注意力机制的编码器-解码器模型结构，特征为稠密连接思想，稠密连接中第l层的输出用下式表示，
其中，xl表示第l层的输出，Hl()表示第l层的特征变换，x0，x1，...，xl-1表示前面l-1层的输出；
S5.2、通过通道注意力机制模块，对于输入特征H×W×C，分别通过两个通道，两个通道分别进行平均池化和最大池化；对最大池化得到的通道进行倍率为m的下采样，再将结果进行相同倍率的上采样；最后将两个特征向量进行拼接，再使用卷积对其进行融合以及参数学习，得到一张1×1×C的特征图；最后经过一个Sigmoid函数，得到通道注意力矩阵，与原始输入特征逐元素相乘，得到输出特征，对应的数学表达式如下，
其中，FC表示经过了通道注意力机制模块后的特征输出；XC表示输入特征；σ(∙)表示ReLU函数；W0、W1、W2分别表示卷积核的权重；δ(∙)表示Sigmoid函数；Xmp、Xap分别表示输入特征经过平均池化和最大池化的特征；
S5.3、通过空间注意力机制模块，对于输入特征H×W×C，分别通过两个通道，两个通道分别进行平均池化和最大池化；对平均池化得到的通道进行BatchNorm和卷积；最后将两个特征向量进行拼接，再使用卷积对其进行融合以及参数学习，得到一张H×W×1的特征图；最后经过一个Sigmoid函数，得到空间注意力矩阵，与原始输入特征逐元素相乘，得到输出特征，对应的数学表达式如下，
其中，Fs表示经过了空间注意力机制模块后的特征输出，Xs表示输入特征，σ(∙)表示ReLU函数，W1表示卷积核的权重，δ(∙)表示Sigmoid函数，τ(∙)表示BatchNorm&ReLU，Xmp、Xap分别表示输入特征经过平均池化和最大池化的特征；
S5.4、通过编码器-解码器网络，再经过一个全连接层输出预测结果；编码器-解码器网络中，编码器使用双向长短期记忆网络，解码器使用长短期记忆网络。
8.根据权利要求1所述的一种基于CISSO与DAED的台风预测方法，其特征在于：所述步骤S5中，将卫星云图数据分为训练集、测试集以及验证集，训练集、测试集以及验证集的比例设置为7:2:1。
9.根据权利要求1所述的一种基于CISSO与DAED的台风预测方法，其特征在于：所述步骤S5中，基于稠密注意力机制的编码器-解码器模型中，对于给定的第k个输入序列信息，注意力机制权重分配函数如下，
其中，
分别表示编码器的先前隐藏状态和cell状态的拼接向量；Vf T、Wf、Uf以及bf为学习参数；
表示第k个输入序列信息的注意力分配权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211353950.3A CN115471016B (zh) | 2022-11-01 | 2022-11-01 | 一种基于cisso与daed的台风预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211353950.3A CN115471016B (zh) | 2022-11-01 | 2022-11-01 | 一种基于cisso与daed的台风预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115471016A true CN115471016A (zh) | 2022-12-13 |
| CN115471016B CN115471016B (zh) | 2023-02-21 |
Family
ID=84337829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211353950.3A Active CN115471016B (zh) | 2022-11-01 | 2022-11-01 | 一种基于cisso与daed的台风预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115471016B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776921A (zh) * | 2023-06-09 | 2023-09-19 | 淮阴工学院 | 一种基于改进patch-informer的太阳辐射预测方法及装置 |
| CN117388953A (zh) * | 2023-12-13 | 2024-01-12 | 南京信息工程大学 | 一种基于大数据框架的SADBO改进MIM-rwkv的气象预报方法 |
| CN117494573A (zh) * | 2023-11-16 | 2024-02-02 | 中山大学 | 一种风速预测方法、系统及电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113222210A (zh) * | 2021-03-30 | 2021-08-06 | 浙江工业大学 | 一种基于多模态生成对抗的台风短期预测方法及装置 |
| CN114091741A (zh) * | 2021-11-10 | 2022-02-25 | 朱新国 | 一种台风预报预测方法和装置 |
| CN114218870A (zh) * | 2021-12-22 | 2022-03-22 | 大连理工大学 | 一种基于变分模态分解与注意力机制的风速预测方法 |
| CN114266384A (zh) * | 2021-11-29 | 2022-04-01 | 中国科学院国家空间科学中心 | 一种基于融合模型的快速预测台风路径的方法及其装置 |
| CN114862015A (zh) * | 2022-04-29 | 2022-08-05 | 中国科学院南海海洋研究所 | 一种基于FEN-ConvLSTM模型的台风风速智能预测方法 |
-
2022
- 2022-11-01 CN CN202211353950.3A patent/CN115471016B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113222210A (zh) * | 2021-03-30 | 2021-08-06 | 浙江工业大学 | 一种基于多模态生成对抗的台风短期预测方法及装置 |
| CN114091741A (zh) * | 2021-11-10 | 2022-02-25 | 朱新国 | 一种台风预报预测方法和装置 |
| CN114266384A (zh) * | 2021-11-29 | 2022-04-01 | 中国科学院国家空间科学中心 | 一种基于融合模型的快速预测台风路径的方法及其装置 |
| CN114218870A (zh) * | 2021-12-22 | 2022-03-22 | 大连理工大学 | 一种基于变分模态分解与注意力机制的风速预测方法 |
| CN114862015A (zh) * | 2022-04-29 | 2022-08-05 | 中国科学院南海海洋研究所 | 一种基于FEN-ConvLSTM模型的台风风速智能预测方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776921A (zh) * | 2023-06-09 | 2023-09-19 | 淮阴工学院 | 一种基于改进patch-informer的太阳辐射预测方法及装置 |
| CN116776921B (zh) * | 2023-06-09 | 2024-04-19 | 淮阴工学院 | 一种基于改进patch-informer的太阳辐射预测方法及装置 |
| CN117494573A (zh) * | 2023-11-16 | 2024-02-02 | 中山大学 | 一种风速预测方法、系统及电子设备 |
| CN117494573B (zh) * | 2023-11-16 | 2024-06-11 | 中山大学 | 一种风速预测方法、系统及电子设备 |
| CN117388953A (zh) * | 2023-12-13 | 2024-01-12 | 南京信息工程大学 | 一种基于大数据框架的SADBO改进MIM-rwkv的气象预报方法 |
| CN117388953B (zh) * | 2023-12-13 | 2024-03-08 | 南京信息工程大学 | 一种基于大数据框架的SADBO改进MIM-rwkv的气象预报方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115471016B (zh) | 2023-02-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115471016B (zh) | 一种基于cisso与daed的台风预测方法 | |
| CN111476219B (zh) | 智能家居环境中图像目标检测方法 | |
| CN110059878B (zh) | 基于cnn lstm光伏发电功率预测模型及其构建方法 | |
| CN110427846B (zh) | 一种利用卷积神经网络对不平衡小样本的人脸识别方法 | |
| CN113190688A (zh) | 基于逻辑推理和图卷积的复杂网络链接预测方法及系统 | |
| CN117201122B (zh) | 基于视图级图对比学习的无监督属性网络异常检测方法及系统 | |
| CN111259917B (zh) | 一种基于局部近邻成分分析的图像特征提取方法 | |
| CN114693064B (zh) | 一种建筑群方案生成性能评价方法 | |
| CN114611608B (zh) | 基于深度学习模型的海表面高度数值预报偏差订正方法 | |
| CN113361803A (zh) | 基于生成对抗网络的超短期光伏功率预测方法 | |
| CN113435595A (zh) | 基于自然进化策略的极限学习机网络参数两阶段优化方法 | |
| CN115272774A (zh) | 基于改进自适应差分进化算法的对抗样本攻击方法及系统 | |
| CN114638408A (zh) | 一种基于时空信息的行人轨迹预测方法 | |
| CN118096922A (zh) | 一种基于风格迁移和遥感影像生成地图的方法 | |
| WO2021046681A1 (zh) | 面向复杂场景的多源目标跟踪方法 | |
| CN117056763A (zh) | 基于变分图嵌入的社区发现方法 | |
| CN116523001A (zh) | 电网薄弱线路识别模型构建方法、装置和计算机设备 | |
| CN113988189B (zh) | 一种跨风电机组的迁移故障诊断方法 | |
| CN114494284B (zh) | 一种基于显式监督区域关系的场景解析模型及方法 | |
| Lu et al. | Dynamic evolution analysis of desertification images based on BP neural network | |
| CN110569807B (zh) | 面向复杂场景的多源目标跟踪方法 | |
| CN115100599A (zh) | 基于掩码transformer的半监督人群场景异常检测方法 | |
| CN114265954A (zh) | 基于位置与结构信息的图表示学习方法 | |
| CN113706290A (zh) | 在区块链上采用神经架构搜索的信用评估模型构建方法、系统、设备及存储介质 | |
| Verdone et al. | Multi-site forecasting of energy time series with spatio-temporal graph neural networks |
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 |