CN116699731A - 一种热带气旋路径短期预报方法、系统及存储介质 - Google Patents
一种热带气旋路径短期预报方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116699731A CN116699731A CN202310993259.XA CN202310993259A CN116699731A CN 116699731 A CN116699731 A CN 116699731A CN 202310993259 A CN202310993259 A CN 202310993259A CN 116699731 A CN116699731 A CN 116699731A
- Authority
- CN
- China
- Prior art keywords
- tropical cyclone
- data set
- path
- sample data
- time sequence
- 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
- 238000013277 forecasting method Methods 0.000 title description 13
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000013135 deep learning Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000007246 mechanism Effects 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- JTJMJGYZQZDUJJ-UHFFFAOYSA-N phencyclidine Chemical class C1CCCCN1C1(C=2C=CC=CC=2)CCCCC1 JTJMJGYZQZDUJJ-UHFFFAOYSA-N 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 241001161843 Chandra Species 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 235000021110 pickles Nutrition 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V7/00—Measuring gravitational fields or waves; Gravimetric prospecting or detecting
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Atmospheric Sciences (AREA)
- Environmental Sciences (AREA)
- Geophysics (AREA)
- Biodiversity & Conservation Biology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Ecology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种热带气旋路径短期预报方法、系统及存储介质，涉及海洋气象领域，该方法包括获取热带气旋最佳路径数据集以及ERA5重力势数据；根据热带气旋最佳路径数据集以及ERA5重力势数据确定时序样本数据集；利用时序样本数据集训练Decoder‑Encoder结构，得到热带气旋深度学习路径预报模型；根据重力势数据集，采用热带气旋深度学习路径预报模型，得到未来6h、12h、18h和24h的热带气旋中心坐标。本发明能够提高深度学习路径预报的精度。
Description
技术领域
本发明涉及海洋气象领域，特别是涉及一种热带气旋路径短期预报方法、系统及存储介质。
背景技术
热带气旋是地球上最具破坏性的天气系统之一，登陆后可能导致大面积房屋被淹，交通电力瘫痪，对人们的生命和财产安全造成很大的危害。中国是世界上受热带气旋袭击最多、受灾最严重的国家之一，所以对热带气旋进行实时准确的预报具有重要意义。目前主要的热带气旋路径预报方法可以分为三种：第一种是数值预报法，它是基于动力学原理，建立大气动力学方程组求解得到热带气旋路径预报结果。由于目前对于热带气旋路径变化机制的认识仍有诸多不足，其物理建模并不完善。第二种是统计学预报法，其使用大量历史数据生成预报因子，用统计回归等方法预报热带气旋路径。第三种是统计动态预报技术，它将统计预报方法与数值预报技术相结合，产生最终的预报结果。
近几十年来，空天地海一体化气象综合探体系不断发展完善，使得热带气旋监测更加便捷高效，也累积了海量历史数据。与此同时深度学习、大数据等计算机技术高速发展。深度学习等算法具有从大量的高维时空分布气象数据中提取复杂时空特征的能力，且具备计算效率高,可迁移性强，协同性和灵活性优的特点。这些优势都使深度学习成为路径预报的热门研究方向，越来越多的学者将深度学习算法应用于热带气旋预报，并取得了不错的结果。Pickle首次使用非线性神经网络对太平洋西北地区的台风路径进行了24h的短期预报。实验结果表明，基于非线性神经网络的预报算法优于同期日本气象厅的气候持久性预报方法。Lee利用传统网络学习台风云层的模式，后来又提出了基于模糊神经网络的台风路径预报系统。Yang使用遗传学习神经网络进行热带气旋路径预报，其24h路径预报效果良好。俞善贤等人利用径向基函数选择合适的预报变量，对热带气旋进行路径预报。邵利民利用多元回归选择合适的预报因子，应用BP神经网络对热带气旋路径进行预报，与传统统计预报法相比路径预报的准确性有所提高。Huang等人利用主成分分析、逐步回归和遗传算法，创建了一种新的非线性神经网络预报模型。
使用传统的神经网络虽然能充分提取数据的深度非线性和空间变化特征，但不能很好的利用数据的时序特征，在各个时刻数据中间建立直接的联系。循环神经网络(Recurrent Neural Network, RNN)及其变体长短期记忆神经网络（long short-termmemory，LSTM）出现后，各位学者开始将RNN用于热带气旋路径预报。RNN是专门处理时间序列的模型，用RNN做路径预报的方式分为两种：一种是使用统计学方法将记录热带气旋特性的时间序列输入RNN模型；另一种是将RNN与CNN相结合，在ERA5等再分析数据集上提取热带气旋周围环境场数据的深度非线性特征，进行路径预报。GAO等人开始使用LSTM网络进行热带气旋路径预报，首次将时间序列引入神经网络热带气旋进行路径预报，提高了预报的准确性。Kordmahalleh等考虑了一系列热带气旋路径信息，提出了一种基于遗传算法优化的RNN网络来预报热带气旋路径。Chandra等人利用RNN的神经进化来预报南太平洋的气旋路径。2015年，孙海燕将GIS与小波神经网络相结合，对热带气旋路径进行预报。2018年，Seongchan Kim等人结合LSTM的时序性和CNN的图像识别能力，将ConvLSTM应用于热带气旋轨迹预报。但是该方法没有考虑到热带气旋周围丰富的空间信息，以至于它在6h和15h的预报误差分别达到了140.97 km和170.38 km，由此证明选择合适的数据范围对于路径预报有重要意义。Chen利用3DCNN和2DCNN来学习热带气旋区域大气海洋变量的特征关系，然后使用LSTM来预报台风路径变化。其模型结果很好，优于许多统计预报方法和机器学习模型。徐高扬利用序列数据相似度将待测热带气旋路径与历史热带气旋路径进行相似度计算，筛选出与待测热带气旋具有相似运动特征的热带气旋作为训练集，并比较了RNN、LSTM、门循环单元（Gate Recurrent Unit,GRU）三种预报模型的优劣。Xu对通过wind&deep框架将使用CLIPER方法得到的热带旋二维时序特征和使用Multi-ConvGRU得到的热带气旋三维时序特征进行融合，提升了24h热带气旋路径预报精度。耿逍懿使用再分析数据确定方向因子，以LSTM循环单元为基础构架模型进行台风路径集成预报，该方法24h路径预报精度110KM左右。
尽管许多学者已经开始运用热带气旋周围环境场进行路径预报，但是总的来讲，还不能更精确的挖掘环境场信息并预报热带气旋的路径变化。
发明内容
本发明的目的是提供一种热带气旋路径短期预报方法、系统及存储介质，能够提高深度学习路径预报的精度。
为实现上述目的，本发明提供了如下方案：
一种热带气旋路径短期预报方法，包括：
获取热带气旋最佳路径数据集以及ERA5重力势数据；
根据热带气旋最佳路径数据集以及ERA5重力势数据确定时序样本数据集；
利用时序样本数据集训练Decoder-Encoder结构，得到热带气旋深度学习路径预报模型；
根据重力势数据集，采用热带气旋深度学习路径预报模型，得到未来6h、12h、18h和24h的热带气旋中心坐标。
可选地，所述根据热带气旋最佳路径数据集以及ERA5重力势数据确定时序样本数据集，具体包括：
以6h时间间隔，对热带气旋最佳路径数据集和ERA5重力势数据进行时空匹配；
利用时空匹配后的热带气旋最佳路径数据集对时空匹配后的ERA5重力势数据进行中心位置校正；
以当前时刻热带气旋中心为中点，划定当前时刻和过去4个时刻校正后的ERA5重力势数据范围，作为一个样本数据；
对样本数据进行最大最小值归一化，得到时序样本数据集。
可选地，所述Decoder-Encoder结构包括：SE注意力机制层、卷积层、TrajGRU循环单元以及全连接层。
可选地，所述利用时序样本数据集训练Decoder-Encoder结构，得到热带气旋深度学习路径预报模型，具体包括：
S1.利用SE注意力机制提取时序样本数据集的空间特征；
S2.将空间特征进行卷积压缩特征图，得到深度特征；
S3.将深度特征输入TrajGRU循环单元计算当前时刻隐藏状态；
S4.循环S1、S2和S3三次得到各时刻最终隐藏状态，得到特征编码；
S5.将特征编码输入TrajGRU循环单元得到当前隐藏状态；
S6.对TrajGRU循环单元的输出依次进行卷积和全连接，输出为未来6h、12h、18h和24h热带气旋中心在时序样本数据集的相对位置；
S7.根据时序样本数据集的实际位置与相对位置计算最终预测结果。
一种热带气旋路径短期预报系统，包括：
数据集获取模块，用于获取热带气旋最佳路径数据集以及ERA5重力势数据；
时序样本数据集确定模块，用于根据热带气旋最佳路径数据集以及ERA5重力势数据确定时序样本数据集；
热带气旋深度学习路径预报模型确定模块，用于利用时序样本数据集训练Decoder-Encoder结构，得到热带气旋深度学习路径预报模型；
预报模块，用于根据重力势数据集，采用热带气旋深度学习路径预报模型，得到未来6h、12h、18h和24h的热带气旋中心坐标。
一种存储介质，其上存储有计算机程序指令，当所述计算机程序指令被处理器执行时实现所述的方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明所提供的一种热带气旋路径短期预报方法、系统及存储介质，根据热带气旋最佳路径数据集以及ERA5重力势数据确定时序样本数据集，利用两种数据构建时序样本数据集；基于Decoder-Encoder结构搭建热带气旋路径短期预报模型，高效提取热带气旋周围重力势场的深度非线性特征，最终预测出未来4个时刻热带气旋路径变化。本发明不仅可以用于热带气旋预报，还可以拓展到诸如涡旋识别定位和移动趋势等其它诸多海洋应用领域。
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附图。
图1为本发明所提供的一种热带气旋路径短期预报方法流程示意图；
图2为Decoder-Encoder流程图；
图3为重力势数据校正前后对比图；
图4为样本数据选取方式图；
图5为样本数据实例示意图；
图6为TrajGRU循环单元结构示意图；
图7为GRU细胞单元结构示意图；
图8为Decoder-Encoder框架结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种热带气旋路径短期预报方法、系统及存储介质，能够提高深度学习路径预报的精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明所提供的一种热带气旋路径短期预报方法，包括：
S101，获取热带气旋最佳路径数据集以及ERA5重力势数据。
S102，根据热带气旋最佳路径数据集以及ERA5重力势数据确定时序样本数据集。
S102具体包括：
以6h时间间隔，对热带气旋最佳路径数据集和ERA5重力势数据进行时空匹配。
利用时空匹配后的热带气旋最佳路径数据集对时空匹配后的ERA5重力势数据中心位置进行校正，校正实例如图3所示。
以当前时刻热带气旋中心为中点，划定当前时刻和过去4个时刻的校正后的重力势数据区域，范围为30°×30°。将路径预报问题转化为同一区域内重力势数据连续变化问题，样本数据选取实例如图4所示。
对样本数据进行最大最小值归一化，得到时序样本数据集。表达式为：
。
其中，z为样本数据，zmin为样本数据的最小值，zmax为样本数据的最大值，Z为归一化后的样本数据，即最后得到时序样本数据集，每个样本数据的长度为5，样本数据实例如图5所示。
S103，利用时序样本数据集训练Decoder-Encoder结构，得到热带气旋深度学习路径预报模型。
所述Decoder-Encoder结构包括：SE注意力机制层、卷积层、TrajGRU循环单元以及全连接层。
如图2所示，搭建热带气旋深度学习路径预报模型的主体结构，使用Decoder结构对输入数据进行特征提取，使用Encoder结构对特征编码进行解译，得到预报结果。
Decoder结构对输入数据进行编码，使用三层TrajGRU循环单元搭建而成，如图6和图7所示。
S103具体包括：
S1.利用SE注意力机制提取时序样本数据集的空间特征；SE注意力机制包括和。对于输入的特征/>，/>操作使用全局平均池化得到全局特征，池化后的特征由变为/>。/>计算公式下：
。
其中：、/>分别为/>的高和宽；/>为输入的多通道特征图；/>代表/>的第/>通道特征图。
操作得到了全局描述特征，接下来通过/>操作得到每个通道的权重。/>操作实际上是通过两次全连接、一次ReLu激活和一次Sigmoid激活得到的，/>计算公式如下：
。
经过过程得到每个通道的权重，最后将权重作用于最初的输入特征图，即将学习到的权重值乘以原始特征图，具体公式如下：
。
其中：代表/>操作得到的全局描述特征；/>代表/>操作得到的权重。
S2.将空间特征进行卷积压缩特征图，得到深度特征。
S3.将深度特征输入TrajGRU循环单元计算当前时刻隐藏状态；TrajGRU计算表达式如下：
。
。
。
。
。
其中：L是允许链接的总数。是存储由结构生成网络/>产生的局部连接结构的流场。/>、/>、/>是投影通道的权重，通过1×1卷积实现。/>函数通过双线性采样核从/>中选择/>、/>锁定的位置。/>为激活函数；/>为/>时刻的输入；/>和/>均为权重；/>为/>时刻隐藏状态。
S4.循环S1、S2和S3三次得到各时刻最终隐藏状态，得到特征编码。
S5.将特征编码输入TrajGRU循环单元得到当前隐藏状态。
S6.对TrajGRU循环单元的输出依次进行卷积和全连接，输出为未来6h、12h、18h和24h热带气旋中心在时序样本数据集的相对位置。
S7.根据时序样本数据集的实际位置与相对位置计算最终预测结果。
Decoder-Encoder现在作为通用计算框架，适用于CNN、RNN、GRU、LSTM和ConvGRU等不同场景需求中。其应用范围不断扩大，从语音识别到文本生成，甚至是到后来的图像和视频的描述，该框架不断向各个领域扩展，现在在气象海洋领域同样广泛使用。该Decoder-Encoder框架由两部分组成，如图8所示，分别是编码器（Encoder）和解码器（Decoder）。编码器通过对读入的数据进行压缩，提取其主要特征进行编码，得到编码C；解码器是将编码C通过循环神经网络读取，并解压成为目标信息向后传递，得到目标结果。
Decoder-Encoder框架在具体应用时编码器和解码器都是不固定的，可以依据要求选取相应的神经网络自由组合，搭建适合自己的循环神经网络模型。
接下来以RNN为例具体阐述Decoder-Encoder结构。在RNN中当前时间隐藏状态为，计算过程如下式所示：
。
在获得了各个时间段的隐层状态后，生成编码C，下式为编码C的计算过程：
。
或者直接将最后一个隐藏状态作为编码C，如下式所示：
。
解码过程则是根据编码C和已生成的输出序列来预报下一个输出，下式为/>的计算表达式：
。
在RNN中可表示如下式：
。
其中，表示多层神经网络；/>表示上个时刻的输出；/>表示当前时刻的隐藏层；C是通过Decoder得到的编码。
S104，根据重力势数据集，采用热带气旋深度学习路径预报模型，得到未来6h、12h、18h和24h的热带气旋中心坐标。
本实施例使用的最佳路径数据集为中国科学院海洋科学数据中心发布的《中国近海台风路径集合数据集（1945-2020）》，记录了中国近海热带气旋真实路径信息，1945-2003年数据记录采用6h时间间隔，2004年及以后在热带气旋登录后进行加密观测，采用3h或1h时间间隔。本实施例使用的重力势数据为ERA5再分析数据，ERA5提供1950至今的大气、海洋和陆地的表面网格化数据，其水平分辨率为0.25°×0.25°，时间分辨率为1h。本实施例使用的数据时间跨度为1991年到2020年，共包括10841个训练和验证样本，1631个测试样本。
为验证本发明方法的有效性，使用均方根误差（Root Mean Square Error，RMSE）和球面距离误差（Dis）对本发明方法热带气旋路径预报结果进行评估，RMSE和Dis越小，效果越佳。RMSE和Dis的公式如下表示：
。
。
其中，R表示地球半径，一般取值为6371.009km，,/>分别表示预报纬度和真实纬度，/>,/>分别表示预报经度和真实经度。
为了检验本发明提出的基于TrajGRU基本循环单元和SE注意力机制算法的有效性，首先使用训练样本和验证样本对深度学习模型进行训练，得到权重最佳的模型，然后使用测试集测试算法预报效果。与此同时，使用基于TrajGRU的算法、主流的ConvLSTM+SE、ConvLSTM、ConvGRU+SE、ConvGRU和CNN+SE的预报模型设置对比试验。
表1 不同模型预报误差
由表1可知，在6h预报结果中，使用基于TrajGRU+SE、TrajGRU、ConvLSTM+SE、ConvLSTM、ConvGRU+SE、ConvGRU和CNN+SE的预报结果的RMSE和Dis分别为0.40°、0.43°、0.43°、0.43°、0.42°、0.43°和1.23°，35.24km、36.41km、36.59km、36.63km、36.04km、37.52km和109.80km。其中TrajGRU+SE模型的预报误差最小，但不加SE注意力机制的TrajGRU模型预报误差与加SE的基本相当，预报能力并没有降低。将TrajGRU循环单元换成ConvLSTM和ConvGRU后平均预报误差基本稍微增大，且加不加SE注意力机制结果无明显变化。但是用CNN+SE作为模型基本单元进行预报时误差明显增大，其6h预报误差达到109.80km。
在12h预报结果中，使用基于TrajGRU+SE、TrajGRU、ConvLSTM+SE、ConvLSTM、ConvGRU+SE、ConvGRU和CNN+SE的预报结果的RMSE和Dis分别为0.57°、0.62°、0.62°、0.62°、0.62°、0.62°和1.31°，49.34km、51.21km、52.23km、52.57km、52.32km、54.22km和118.72km。其中TrajGRU+SE模型的平均预报误差最小，仅为49.34km。不加SE注意力机制的TrajGRU模型预报误差与加SE的相比预报误差略有上升，预报能力基本没有降低。将TrajGRU循环单元换成ConvLSTM和ConvGRU后平均预报误差均增大了3km左右，且加不加SE注意力机制结果无明显变化。但是用CNN+SE作为模型基本单元进行预报时误差明显增大，平均预报误差分别为达到118.72km，比其它模型的预报误差大了一倍多。
在18h预报结果中，使用基于TrajGRU+SE、TrajGRU、ConvLSTM+SE、ConvLSTM、ConvGRU+SE、ConvGRU和CNN+SE的预报结果的RMSE和Dis分别为0.81°、0.87°、0.88°、0.88°、0.89°、0.89°和1.62°，67.65km、70.28km、71.18km、71.44km、72.64km、75.95km和143.11km。其中TrajGRU+SE模型的平均预报误差最小，仅为67.65km。不加SE注意力机制的TrajGRU模型预报误差与加SE的相比略有上升。将TrajGRU循环单元换成ConvLSTM和ConvGRU后平均预报误差均增大了5km左右，且加不加SE注意力机制结果无明显变化。但是用CNN+SE作为模型基本单元进行预报时误差明显增大，平均预报误差达到143.11km，比其它模型的预报误差大了一倍左右。
在24h预报结果中，使用基于TrajGRU+SE、TrajGRU、ConvLSTM+SE、ConvLSTM、ConvGRU+SE、ConvGRU和CNN+SE的预报结果的RMSE和Dis分别为1.13°、1.17°、1.18°、1.17°、1.23°、1.23°和1.93°，92.93km、96.46km、97.90km、96.75km、99.92km、104.42km和164.71km。其中TrajGRU+SE模型的平均预报误差最小，仅为92.93km。不加SE注意力机制的TrajGRU模型预报精度与加SE的相比明显降低，加入SE注意力机制使模型预报精度提升3.63%。将TrajGRU循环单元换成ConvLSTM和ConvGRU后预报精度明显降低，加不加SE注意力机制结果变化不大。用CNN+SE作为模型基本单元进行预报时误差明显增大，平均预报误差达到164.71km，比其它模型的预报误差大了很多。
表1中所有的最小值均在基于TrajGRU+SE的模型上取到。综上所述，本发明优于基于ConvLSTM、ConvGRU和CNN的算法，使用本发明可以有效提升热带气旋路径预报的精度。
对应上述方法，本发明还提供一种热带气旋路径短期预报系统，包括：
数据集获取模块，用于获取热带气旋最佳路径数据集以及ERA5重力势数据。
时序样本数据集确定模块，用于根据热带气旋最佳路径数据集以及ERA5重力势数据确定时序样本数据集。
热带气旋深度学习路径预报模型确定模块，用于利用时序样本数据集训练Decoder-Encoder结构，得到热带气旋深度学习路径预报模型。
预报模块，用于根据重力势数据集，采用热带气旋深度学习路径预报模型，得到未来6h、12h、18h和24h的热带气旋中心坐标。
为了执行上述实施例对应的方法，以实现相应的功能和技术效果，本发明还提供一种存储介质，其上存储有计算机程序指令，当所述计算机程序指令被处理器执行时实现所述的方法。
基于上述描述，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。而前述的计算机存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种热带气旋路径短期预报方法，其特征在于，包括：
获取热带气旋最佳路径数据集以及ERA5重力势数据；
根据热带气旋最佳路径数据集以及ERA5重力势数据确定时序样本数据集；
利用时序样本数据集训练Decoder-Encoder结构，得到热带气旋深度学习路径预报模型；
根据重力势数据集，采用热带气旋深度学习路径预报模型，得到未来6h、12h、18h和24h的热带气旋中心坐标。
2.根据权利要求1所述的一种热带气旋路径短期预报方法，其特征在于，所述根据热带气旋最佳路径数据集以及ERA5重力势数据确定时序样本数据集，具体包括：
以6h时间间隔，对热带气旋最佳路径数据集和ERA5重力势数据进行时空匹配；
利用时空匹配后的热带气旋最佳路径数据集对时空匹配后的ERA5重力势数据进行中心位置校正；
以当前时刻热带气旋中心为中点，划定当前时刻和过去4个时刻校正后的ERA5重力势数据范围，作为一个样本数据；
对样本数据进行最大最小值归一化，得到时序样本数据集。
3.根据权利要求1所述的一种热带气旋路径短期预报方法，其特征在于，所述Decoder-Encoder结构包括：SE注意力机制层、卷积层、TrajGRU循环单元以及全连接层。
4.根据权利要求3所述的一种热带气旋路径短期预报方法，其特征在于，所述利用时序样本数据集训练Decoder-Encoder结构，得到热带气旋深度学习路径预报模型，具体包括：
S1.利用SE注意力机制提取时序样本数据集的空间特征；
S2.将空间特征进行卷积压缩特征图，得到深度特征；
S3.将深度特征输入TrajGRU循环单元计算当前时刻隐藏状态；
S4.循环S1、S2和S3三次得到各时刻最终隐藏状态，得到特征编码；
S5.将特征编码输入TrajGRU循环单元得到当前隐藏状态；
S6.对TrajGRU循环单元的输出依次进行卷积和全连接，输出未来6h、12h、18h和24h热带气旋中心在时序样本数据集的相对位置；
S7.根据时序样本数据集的实际位置与相对位置计算最终预测结果。
5.一种热带气旋路径短期预报系统，其特征在于，包括：
数据集获取模块，用于获取热带气旋最佳路径数据集以及ERA5重力势数据；
时序样本数据集确定模块，用于根据热带气旋最佳路径数据集以及ERA5重力势数据确定时序样本数据集；
热带气旋深度学习路径预报模型确定模块，用于利用时序样本数据集训练Decoder-Encoder结构，得到热带气旋深度学习路径预报模型；
预报模块，用于根据重力势数据集，采用热带气旋深度学习路径预报模型，得到未来6h、12h、18h和24h的热带气旋中心坐标。
6.一种存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310993259.XA CN116699731B (zh) | 2023-08-09 | 2023-08-09 | 一种热带气旋路径短期预报方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310993259.XA CN116699731B (zh) | 2023-08-09 | 2023-08-09 | 一种热带气旋路径短期预报方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116699731A true CN116699731A (zh) | 2023-09-05 |
| CN116699731B CN116699731B (zh) | 2023-09-29 |
Family
ID=87829748
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310993259.XA Active CN116699731B (zh) | 2023-08-09 | 2023-08-09 | 一种热带气旋路径短期预报方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116699731B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117036983A (zh) * | 2023-10-08 | 2023-11-10 | 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 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242351A (zh) * | 2019-12-31 | 2020-06-05 | 上海师范大学 | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 |
| CN112558185A (zh) * | 2020-11-19 | 2021-03-26 | 中国石油大学(华东) | 基于注意力机制的双向gru台风轨迹智能预测预报系统、计算机设备、存储介质 |
| CN114139760A (zh) * | 2021-09-29 | 2022-03-04 | 苏州浪潮智能科技有限公司 | 一种预测台风路径的方法、系统、存储介质及设备 |
| CN115877483A (zh) * | 2022-12-27 | 2023-03-31 | 中国人民解放军32027部队 | 一种基于随机森林和gru的台风路径预报方法 |
-
2023
- 2023-08-09 CN CN202310993259.XA patent/CN116699731B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242351A (zh) * | 2019-12-31 | 2020-06-05 | 上海师范大学 | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 |
| CN112558185A (zh) * | 2020-11-19 | 2021-03-26 | 中国石油大学(华东) | 基于注意力机制的双向gru台风轨迹智能预测预报系统、计算机设备、存储介质 |
| CN114139760A (zh) * | 2021-09-29 | 2022-03-04 | 苏州浪潮智能科技有限公司 | 一种预测台风路径的方法、系统、存储介质及设备 |
| CN115877483A (zh) * | 2022-12-27 | 2023-03-31 | 中国人民解放军32027部队 | 一种基于随机森林和gru的台风路径预报方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117036983A (zh) * | 2023-10-08 | 2023-11-10 | 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116699731B (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111400620B (zh) | 基于时空嵌入Self-Attention的用户轨迹位置预测方法 | |
| CN109142171B (zh) | 基于特征扩张的融合神经网络的城市pm10浓度预测方法 | |
| CN109376969A (zh) | 基于深度学习的城市精细化人口分布动态预测方法及装置 | |
| CN116699731B (zh) | 一种热带气旋路径短期预报方法、系统及存储介质 | |
| CN114372116B (zh) | 一种基于lstm和时空注意力机制的车辆轨迹预测方法 | |
| Xu et al. | HighAir: A hierarchical graph neural network-based air quality forecasting method | |
| CN113762338B (zh) | 一种基于多重图注意力机制的交通流预测方法、设备及介质 | |
| CN112766600B (zh) | 一种城市区域人群流量预测方法及系统 | |
| CN111242351A (zh) | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 | |
| CN112149887A (zh) | 一种基于数据时空特征的pm2.5浓度预测方法 | |
| Li et al. | Deep spatio-temporal wind power forecasting | |
| CN115859816A (zh) | 一种基于cnn-lstm算法的风功率分钟级预测方法及系统 | |
| Xu et al. | Short‐term traffic flow prediction based on whale optimization algorithm optimized BiLSTM_Attention | |
| CN114742206A (zh) | 综合多时空尺度多普勒雷达数据的降雨强度估计方法 | |
| CN115099328A (zh) | 基于对抗网络的交通流量预测方法、系统、设备及存储介质 | |
| 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 | |
| CN115392595B (zh) | 基于图卷积神经网络和Transformer的时空短期风速预测方法及系统 | |
| CN116720156A (zh) | 基于图神经网络多模态气象数据融合的气象要素预报方法 | |
| CN116106751A (zh) | 一种基于Informer的锂离子电池荷电状态估计方法 | |
| Li et al. | DeepPhysiNet: Bridging Deep Learning and Atmospheric Physics for Accurate and Continuous Weather Modeling | |
| Wang et al. | The prediction method of tropical cyclone intensity change based on deep learning | |
| Li et al. | A low-power water quality monitoring system and prediction model | |
| CN117424232B (zh) | 一种基于三维气象数据多源融合的短期光伏功率预测方法 | |
| CN117333587B (zh) | 基于视频水位计的城市淹没图像数据的生成方法及系统 | |
| Sun et al. | Distributed Typhoon Track Prediction Based on Complex Features and Multitask Learning |
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 |