CN117172372B - 一种台风路径预测的方法及系统 - Google Patents
一种台风路径预测的方法及系统 Download PDFInfo
- Publication number
- CN117172372B CN117172372B CN202311137799.4A CN202311137799A CN117172372B CN 117172372 B CN117172372 B CN 117172372B CN 202311137799 A CN202311137799 A CN 202311137799A CN 117172372 B CN117172372 B CN 117172372B
- Authority
- CN
- China
- Prior art keywords
- typhoon
- data
- path
- historical
- 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 59
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 239000002245 particle Substances 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 230000007613 environmental effect Effects 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- JTJMJGYZQZDUJJ-UHFFFAOYSA-N phencyclidine Chemical class C1CCCCN1C1(C=2C=CC=CC=2)CCCCC1 JTJMJGYZQZDUJJ-UHFFFAOYSA-N 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开提供了一种台风路径预测方法及系统，应用于气象科学技术领域，首先通过当前数据对台风的强度和台风眼进行预测；然后利用相似路径法匹配出一条与当前台风最接近的历史台风路径，并根据该路径确定台风路径簇；最后利用改进粒子群优化神经网络从台风路径簇中选出第二台风路径，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。
Description
技术领域
本发明涉及气象科学技术领域，更具体的说是涉及一种台风路径预测的方法及系统。
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。
台风是由海洋热带低压发展而成的强热带气旋。在进行台风路径预测时，需要先了解台风生成机理，以便更准确地预测其路径和强度。通常认为，海洋表面温度高于26℃，且水深超过50米时，就有可能产生热带低压。当热带低压受到足够的水汽供应和上升运动时，会逐渐发展成为台风。
台风路径，指台风形成后所运行的路径，大致可分为三类：西移型、登陆型、转向型。因为台风是流体，其路径受多方因素影响，且其动向多发生在海上，资料取得较难，所以不容易准确预测。目前可通过预警雷达和海洋资源卫星两者的运用,检测到台风发源和路径，还有台风等级,路径发生时间等；
台风路径的预测是是一个从生成开始到停止编号的整个运动过程的预测，所以对于台风路径的预测是一个极其复杂的过程，对于数据量、计算机算力等都是一种考验。
随着科学技术的发展，学者们将神经网络方法引入台风预报研究中。神经网络方法相对于数值预测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关键问题需要解决：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，如何提供一种考虑大气环境场的神经网络融合模型的台风路径预测方法和系统成为本领域技术人员急需解决的技术问题。
发明内容
有鉴于此，本发明提供了一种台风路径预测的方法及系统，以解决背景技术中的问题。
为了实现上述目的，本发明提供如下技术方案：
一方面，本发明公开了一种台风路径预测的方法，包括如下具体步骤：
通过遥感图像和气象雷达数据，同时获取大气三维环境场数据，对台风中心和台风强度进行预测；
建立台风路径预测模型，获取当前台风数据和多个历史台风数据，根据当前台风数据匹配历史台风路径作为第一台风路径，根据所述第一台风路径构建台风路径簇；
根据所述大气三维环境场数据，构建筛选模型，对所述第一台风路径进行筛选，得到第二台风路径。
优选的，在上述的一种台风路径预测的方法中，对台风中心进行预测具体步骤如下：
所述大气三维环境场数据包括：风场数据、高度数据以及气压数据；
根据所述高度数据和气压数据对低压中心进行识别；根据所述风场数据对各底层风场的涡旋中心进行识别；
将外围最大风速大于或等于预设风速阈值、气压值小于预设气压阈值，且与一所述涡旋中心存在重叠区域的低压中心，作为台风中心候选点；
计算底层风速，并根据所述高度数据、气压数据以及底层风速，计算水平气压梯度、垂直气压梯度和风速切变；
若在所述台风中心候选点的预设范围内，水平气压梯度以所述台风中心候选点为对称中心，存在一个对称极值中心，且垂直方向气压梯度以台风中心候选点为对称中心，存在一个对称的极值中心，则判断所述台风中心候选点为台风中心。
优选的，在上述的一种台风路径预测的方法中，对所述台风强度进行预测具体步骤如下：
根据历史的数值天气预报数据及风场内的风机历史测得的风力数据，构建风力预测模型，其中，数值天气预报数据包括风速、气压、风向及空气密度；
根据数值天气预报的预测数据及所述风力预测模型，对风力进行预测；其中风力预测模型基于回归方法，以历史数值天气预报数据和已知对应的风力大小，构建风力预测模型。
优选的，在上述的一种台风路径预测的方法中，建立台风路径预测模型具体步骤如下：
获取当前台风数据和多个历史台风数据；
在多个历史台风数据中筛选出季节、地理相似的历史台风；
对所述历史台风根据相似路径法，对所述历史台风进行排序，确定第一台风路径；其中，所述相似路径法包括移向相似度和移速相似度计算；分别对移向相似度和移速相似度进行降序排列，并计算基于前n条路径的权值，进而得到第一台风路径。
优选的，在上述的一种台风路径预测的方法中，根据所述第一台风路径构建台风路径簇具体步骤如下：
获取所述第一台风路径对应的历史数据；
根据移向相似度求解第一包络线和第二包络线，在所述第一包络线与所述第二包络线内存在若干条以当前台风中心为起点的可能路径，多条可能路径构成台风路径簇。
优选的，在上述的一种台风路径预测的方法中，构建筛选模型具体步骤如下：
以大气三维环境场数据和当前台风数据为输入，台风中心的偏移量为输出构建多输入多输出的神经网络模型；
用改进粒子群优化神经网络对台风中心的偏移量寻优，获得与偏移量匹配的台风路径簇中的第二台风路径。
优选的，在上述的一种台风路径预测的方法中，获得与偏移量匹配的台风路径簇中的第二台风路径具体步骤如下：
构建神经网络和确定粒子群优化算法参数；
获取样本数据并进行归一化预处理，并划分训练数据和测试数据，同时初始化神经网络；
粒子群参数初始化设置，并将神经网络的输出误差值作为粒子适应度，然后计算初始种群的个体最优值与全局最优值；
按照粒子速度和位置的进行迭代运算，通过改进粒子群寻优获得种群的全局最优值，从而赋予神经网络的权值和阈值；
神经网络以最优权值和阈值进行模型训练和预测处理，得到最优的偏移量，通过最优的偏移量与每条台风路径的偏移量匹配得到第二台风路径。
另一方面，公开了一种台风路径预测的系统，包括：
获取模块，获取遥感图像和气象雷达数据，同时获取大气三维环境场数据；
强度与中心预测模块，通过遥感图像和气象雷达数据，同时获取大气三维环境场数据，对台风中心和台风强度进行预测；
第一路径预测模块，建立台风路径预测模型，获取当前台风数据和多个历史台风数据，根据当前台风数据匹配历史台风路径作为第一台风路径，根据所述第一台风路径构建台风路径簇；
第二路径预测模块，根据所述大气三维环境场数据，构建筛选模型，对所述第一台风路径进行筛选，得到第二台风路径。
优选的，在上述的一种台风路径预测系统中，第一路径预测模块包括：
第一获取单元，获取当前台风数据和多个历史台风数据；
筛选单元，在多个历史台风数据中筛选出季节、地理相似的历史台风；
确定单元，对所述历史台风根据相似路径法，对所述历史台风进行排序，确定第一台风路径；其中，所述确定单元包括移向相似度计算单元和移速相似度计算单元；根据向量标定进行移向相似度和移速相似度计算；分别对移向相似度和移速相似度进行降序排列，并计算基于前n条路径的权值，进而得到第一台风路径。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种台风路径预测方法及系统，首先通过当前数据对台风的强度和台风眼进行预测；然后利用相似路径法匹配出一条与当前台风最接近的历史台风路径，并根据该路径确定台风路径簇；最后利用改进粒子群优化神经网络从台风路径簇中选出第二台风路径，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。
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，还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程图；
图2为本发明的台风中心预测方法流程图；
图3为本发明的台风强度预测方法流程图；
图4为本发明的神经网络模型示意图；
图5为本发明的结构框图。
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。
本发明实施例公开了一种台风路径预测的方法，如图1所示，包括如下具体步骤：
S101通过遥感图像和气象雷达数据，同时获取大气三维环境场数据，对台风中心和台风强度进行预测；
S102建立台风路径预测模型，获取当前台风数据和多个历史台风数据，根据当前台风数据匹配历史台风路径作为第一台风路径，根据所述第一台风路径构建台风路径簇；
S103根据所述大气三维环境场数据，构建筛选模型，对所述第一台风路径进行筛选，得到第二台风路径。
具体地，在S101中，如图2所示，对台风中心进行预测具体步骤如下：
S1011所述大气三维环境场数据包括：风场数据、高度数据以及气压数据；
S1012根据所述高度数据和气压数据对低压中心进行识别；根据所述风场数据对各底层风场的涡旋中心进行识别；
S1013将外围最大风速大于或等于预设风速阈值、气压值小于预设气压阈值，且与一所述涡旋中心存在重叠区域的低压中心，作为台风中心候选点；
S1014计算底层风速，并根据所述高度数据、气压数据以及底层风速，计算水平气压梯度、垂直气压梯度和风速切变；
S1015若在所述台风中心候选点的预设范围内，水平气压梯度以所述台风中心候选点为对称中心，存在一个对称极值中心，且垂直方向气压梯度以台风中心候选点为对称中心，存在一个对称的极值中心，则判断所述台风中心候选点为台风中心。
进一步，通过实施本发明的实施例能够在通过实况云图观测到成型的台风之前对台风中心进行定位，继而检测实时的台风路径，解决现有台风中心定位技术存在滞后性的问题。
为了进一步优化上述技术方案，在S101中，如图3所示，对所述台风强度进行预测具体步骤如下：
S1016根据历史的数值天气预报数据及风场内的风机历史测得的风力数据，构建风力预测模型，其中，数值天气预报数据包括风速、气压、风向及空气密度；
S1017根据数值天气预报的预测数据及所述风力预测模型，对风力进行预测；其中风力预测模型基于回归方法，以历史数值天气预报数据和已知对应的风力大小，构建风力预测模型。
也可以利用现有的风力预测：混合模型VMD-EFD-DE-BP；对数值天气预报数据进行VMD分解，VMD分解的主要思想是通过优化问题来获取信号的IMFs。具体步骤如下：
步骤1将原始信号进行预处理，例如去除均值、归一化等。
步骤2定义一个正则化参数，用于平衡信号的平滑性和稀疏性。
步骤3构建一个优化问题，将信号表示为一组基函数的线性组合，并通过最小化目标函数来获得IMFs。
步骤4使用优化算法(如迭代算法)来求解优化问题，得到每个IMF。
步骤5重复步骤3和步骤4，直到满足停止准则(例如IMFs的数量达到预设值或目标函数的变化小于阈值)为止。
步骤6将所有的IMFs相加，得到重构的原始信号。
然后对分解之后的残差进行EFD分解，将原始数据序列data进行均值滤波，得到均值序列。从均值序列中减去原始数据序列，得到一次内插序列。判断一次内插序列是否为IMF，如果满足IMF的定义，则将其作为第一个IMF；如果不满足，则将一次内插序列作为新的原始数据序列，重复步骤2和步骤3，直到得到所有的IMF。将所有的IMF相加，得到重构的原始数据序列。将重构的原始数据序列与原始数据序列相减，得到残差项。通过EFD分解，可以将原始的风速数据序列分解成多个不同时间尺度上的风速模式，从而更好地理解和分析风速数据。
DE-BP(Differential Evolution Backpropagation)是一种通过优化算法DE(Differential Evolution)改进BP(Backpropagation)神经网络的参数的方法，旨在提高预测精度并构建更准确的混合预测模型。
BP神经网络其在处理复杂问题和非线性数据时可能存在一些局限性。DE-BP通过引入DE优化算法来改进BP神经网络的参数，以期提高其性能和预测精度。
DE是一种基于进化算法的全局优化方法，通过模拟自然选择和遗传进化的过程，搜索参数空间中的最优解。DE通过维护一组候选解(称为种群)，通过交叉、变异和选择等操作来生成新的解，并通过适应度函数评估解的质量。这种进化过程不断迭代，直到找到最优解或达到停止准则。
在DE-BP中，BP神经网络的参数(如权重和阈值)被视为优化问题的变量，DE算法用于搜索参数空间中的最优解。DE算法生成的新解被用于更新BP神经网络的参数，从而改进网络的性能和预测精度。通过不断迭代DE和BP算法，DE-BP逐步优化神经网络的参数，并构建一个更准确的混合预测模型。
DE-BP方法的优点是能够充分利用DE算法的全局搜索能力，避免BP神经网络陷入局部最优解。通过优化BP神经网络的参数，DE-BP可以提高预测精度，并在实际应用中取得更好的性能。
为了进一步优化上述技术方案，建立台风路径预测模型具体步骤如下：
获取当前台风数据和多个历史台风数据；
在多个历史台风数据中筛选出季节、地理相似的历史台风；
对所述历史台风根据相似路径法，对所述历史台风进行排序，确定第一台风路径；其中，所述相似路径法包括移向相似度和移速相似度计算；分别对移向相似度和移速相似度进行降序排列，并计算基于前n条路径的权值，进而得到第一台风路径。
具体地，计算移向相似度的一种常见方法是使用余弦相似度(CosineSimilarity)。余弦相似度可以衡量两个向量之间的夹角的相似程度，其值范围在-1到1之间，值越接近1表示越相似，值越接近-1表示越不相似。
以下是计算移向相似度的一般步骤：
首先，将两个向量标准化为单位向量，即将其长度归一化为1。这可以通过将向量除以其长度来实现。
然后，计算两个标准化后的向量之间的余弦相似度。余弦相似度的计算公式如下：A和B分别表示历史台风数据和当前台风数据在固定时间内移动，对应的向量；
最后，得到的余弦相似度即为移向相似度。
需要注意的是，移向相似度只关注向量的方向或趋势，而不考虑其大小或长度。
进一步，移速相似度计算具体步骤如下：
在卫星云图标定一点A，可以使台风眼；经过固定时长，根据时间移动的距离计算移速；这里移速相似度也就是与计算的当前台风移速相同或在同一预设范围内。
为了进一步优化上述技术方案，根据所述第一台风路径构建台风路径簇具体步骤如下：
获取所述第一台风路径对应的历史数据；
根据移向相似度求解第一包络线和第二包络线，在所述第一包络线与所述第二包络线内存在若干条以当前台风中心为起点的可能路径，多条可能路径构成台风路径簇。
具体地，台风路径构成的向量，根据无限分割的原理，为了保证预测的准确性，短时间内台风路径视为直线；转换到坐标系中台风路径簇中每一条可能路径都是一条与第一台风路径斜率和截距不同的直线；由于第一台风路径的选取，是从历史台风数据中选择最为接近的台风路径；为了加入大气三维环境场对于台风路径的影响；所以构建台风路径簇。
为了进一步优化上述技术方案，构建筛选模型具体步骤如下：
以大气三维环境场数据和当前台风数据为输入，台风中心的偏移量为输出构建多输入多输出的神经网络模型；
用改进粒子群优化神经网络对台风中心的偏移量寻优，获得与偏移量匹配的台风路径簇中的第二台风路径。
为了进一步优化上述技术方案，获得与偏移量匹配的台风路径簇中的第二台风路径具体步骤如下：
构建神经网络和确定粒子群优化算法参数；
获取样本数据并进行归一化预处理，并划分训练数据和测试数据，同时初始化神经网络；
粒子群参数初始化设置，并将神经网络的输出误差值作为粒子适应度，然后计算初始种群的个体最优值与全局最优值；
按照粒子速度和位置的进行迭代运算，通过改进粒子群寻优获得种群的全局最优值，从而赋予神经网络的权值和阈值；
神经网络以最优权值和阈值进行模型训练和预测处理，得到最优的偏移量，通过最优的偏移量与每条台风路径的偏移量匹配得到第二台风路径。
为了进一步优化上述技术方案，如图4所示，构建神经网络具体步骤如下：
神经网络的输入包括风场数据、高度数据、气压数据、空气密度、位置数据、风速数据；
输出包括：移速和移向；
其中，输入的风场数据包括同一时刻其他台风的风场数据，气压数据包括外围气流压力等；
根据输入和输出节点数选取6-N-2形式的3层模型结构，且隐含层节点数按式(11)进行初始化：
式中，Nh为隐含层节点数，Ni为输入层节点数，No为输出层节点数；
网络结构中隐含层计算值与输出层计算值分别为：
式中，f(X)为隐含层激励函数，δj为隐含层阈值，εk为输出层阈值。
所述隐含层激励函数选取sigmoid函数，在进行BP神经网络训练时，对数据进行归一化预处理，以消除量纲的影响并提高训练效率和数据的泛化能力，归一化关系如下：
式中，X',X分别为转换前后的值，Xmax,Xmin分别为样本的最大值和最小值。
本发明的另一实施例公开了一种台风路径预测的系统，如图5所示，包括：
获取模块，获取遥感图像和气象雷达数据，同时获取大气三维环境场数据；
强度与中心预测模块，通过遥感图像和气象雷达数据，同时获取大气三维环境场数据，对台风中心和台风强度进行预测；
第一路径预测模块，建立台风路径预测模型，获取当前台风数据和多个历史台风数据，根据当前台风数据匹配历史台风路径作为第一台风路径，根据所述第一台风路径构建台风路径簇；
第二路径预测模块，根据所述大气三维环境场数据，构建筛选模型，对所述第一台风路径进行筛选，得到第二台风路径。
优选的，在上述的一种台风路径预测系统中，第一路径预测模块包括：
第一获取单元，获取当前台风数据和多个历史台风数据；
筛选单元，在多个历史台风数据中筛选出季节、地理相似的历史台风；
确定单元，对所述历史台风根据相似路径法，对所述历史台风进行排序，确定第一台风路径；其中，所述确定单元包括移向相似度计算单元和移速相似度计算单元；根据向量标定进行移向相似度和移速相似度计算；分别对移向相似度和移速相似度进行降序排列，并计算基于前n条路径的权值，进而得到第一台风路径。
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。对于实施例公开的装置而言，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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种台风路径预测的方法，其特征在于，包括如下具体步骤：
通过遥感图像和气象雷达数据，同时获取大气三维环境场数据，对台风中心和台风强度进行预测；
建立台风路径预测模型，获取当前台风数据和多个历史台风数据，根据当前台风数据匹配历史台风路径作为第一台风路径，根据所述第一台风路径构建台风路径簇；
根据所述大气三维环境场数据，构建筛选模型，对所述第一台风路径进行筛选，得到第二台风路径；
构建筛选模型具体步骤如下：
以大气三维环境场数据和当前台风数据为输入，台风中心的偏移量为输出构建多输入多输出的神经网络模型；
用改进粒子群优化神经网络对台风中心的偏移量寻优，获得与偏移量匹配的台风路径簇中的第二台风路径；
构建神经网络和确定粒子群优化算法参数；
获取样本数据并进行归一化预处理，并划分训练数据和测试数据，同时初始化神经网络；
粒子群参数初始化设置，并将神经网络的输出误差值作为粒子适应度，然后计算初始种群的个体最优值与全局最优值；
按照粒子速度和位置的进行迭代运算，通过改进粒子群寻优获得种群的全局最优值，从而赋予神经网络的权值和阈值；
神经网络以最优权值和阈值进行模型训练和预测处理，得到最优的偏移量，通过最优的偏移量与每条台风路径的偏移量匹配得到第二台风路径。
2.根据权利要求1所述的一种台风路径预测的方法，其特征在于，对台风中心进行预测具体步骤如下：
所述大气三维环境场数据包括：风场数据、高度数据以及气压数据；
根据所述高度数据和气压数据对低压中心进行识别；根据所述风场数据对各底层风场的涡旋中心进行识别；
将外围最大风速大于或等于预设风速阈值、气压值小于预设气压阈值，且与一所述涡旋中心存在重叠区域的低压中心，作为台风中心候选点；
计算底层风速，并根据所述高度数据、气压数据以及底层风速，计算水平气压梯度、垂直气压梯度和风速切变；
若在所述台风中心候选点的预设范围内，水平气压梯度以所述台风中心候选点为对称中心，存在一个对称极值中心，且垂直方向气压梯度以台风中心候选点为对称中心，存在一个对称的极值中心，则判断所述台风中心候选点为台风中心。
3.根据权利要求1所述的一种台风路径预测的方法，其特征在于，对所述台风强度进行预测具体步骤如下：
根据历史的数值天气预报数据及风场内的风机历史测得的风力数据，构建风力预测模型，其中，数值天气预报数据包括风速、气压、风向及空气密度；
根据数值天气预报的预测数据及所述风力预测模型，对风力进行预测；其中风力预测模型基于回归方法，以历史数值天气预报数据和已知对应的风力大小，构建风力预测模型。
4.根据权利要求1所述的一种台风路径预测的方法，其特征在于，建立台风路径预测模型具体步骤如下：
获取当前台风数据和多个历史台风数据；
在多个历史台风数据中筛选出季节、地理相似的历史台风；
对所述历史台风根据相似路径法，对所述历史台风进行排序，确定第一台风路径；其中，所述相似路径法包括移向相似度和移速相似度计算；分别对移向相似度和移速相似度进行降序排列，并计算基于前n条路径的权值，进而得到第一台风路径。
5.根据权利要求4所述的一种台风路径预测的方法，其特征在于，根据所述第一台风路径构建台风路径簇具体步骤如下：
获取所述第一台风路径对应的历史数据；
根据移向相似度求解第一包络线和第二包络线，在所述第一包络线与所述第二包络线内存在若干条以当前台风中心为起点的可能路径，多条可能路径构成台风路径簇。
6.一种利用所述权利要求1-5任一项的方法的台风路径预测的系统，其特征在于，包括：
获取模块，获取遥感图像和气象雷达数据，同时获取大气三维环境场数据；
强度与中心预测模块，通过遥感图像和气象雷达数据，同时获取大气三维环境场数据，对台风中心和台风强度进行预测；
第一路径预测模块，建立台风路径预测模型，获取当前台风数据和多个历史台风数据，根据当前台风数据匹配历史台风路径作为第一台风路径，根据所述第一台风路径构建台风路径簇；
第二路径预测模块，根据所述大气三维环境场数据，构建筛选模型，对所述第一台风路径进行筛选，得到第二台风路径。
7.根据权利要求6所述的一种台风路径预测的系统，其特征在于，第一路径预测模块包括：
第一获取单元，获取当前台风数据和多个历史台风数据；
筛选单元，在多个历史台风数据中筛选出季节、地理相似的历史台风；
确定单元，对所述历史台风根据相似路径法，对所述历史台风进行排序，确定第一台风路径；其中，所述确定单元包括移向相似度计算单元和移速相似度计算单元；根据向量标定进行移向相似度和移速相似度计算；分别对移向相似度和移速相似度进行降序排列，并计算基于前n条路径的权值，进而得到第一台风路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311137799.4A CN117172372B (zh) | 2023-09-04 | 2023-09-04 | 一种台风路径预测的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311137799.4A CN117172372B (zh) | 2023-09-04 | 2023-09-04 | 一种台风路径预测的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117172372A CN117172372A (zh) | 2023-12-05 |
| CN117172372B true CN117172372B (zh) | 2024-03-15 |
Family
ID=88940717
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311137799.4A Active CN117172372B (zh) | 2023-09-04 | 2023-09-04 | 一种台风路径预测的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117172372B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117991254B (zh) * | 2024-04-07 | 2024-06-21 | 南京信息工程大学 | 一种基于合成孔径雷达准实时监测台风移动速度矢量的估算方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107562840A (zh) * | 2017-08-25 | 2018-01-09 | 北京科技大学 | 一种基于gis的台风路径快速预测方法 |
| CN108280793A (zh) * | 2018-02-12 | 2018-07-13 | 北京应用气象研究所 | 气象要素变化对台风影响评估技术 |
| CN109297470A (zh) * | 2018-10-19 | 2019-02-01 | 中国计量大学 | 一种基于动力因素与路径信息的相似台风匹配算法 |
| CN112785034A (zh) * | 2020-12-22 | 2021-05-11 | 河海大学 | 基于融合神经网络的台风路径预报方法、系统、介质及终端 |
| CN113434998A (zh) * | 2021-04-28 | 2021-09-24 | 中国气象局上海台风研究所(上海市气象科学研究所) | 一种基于隐式马尔科夫补充模型的随机台风生成方法 |
-
2023
- 2023-09-04 CN CN202311137799.4A patent/CN117172372B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107562840A (zh) * | 2017-08-25 | 2018-01-09 | 北京科技大学 | 一种基于gis的台风路径快速预测方法 |
| CN108280793A (zh) * | 2018-02-12 | 2018-07-13 | 北京应用气象研究所 | 气象要素变化对台风影响评估技术 |
| CN109297470A (zh) * | 2018-10-19 | 2019-02-01 | 中国计量大学 | 一种基于动力因素与路径信息的相似台风匹配算法 |
| CN112785034A (zh) * | 2020-12-22 | 2021-05-11 | 河海大学 | 基于融合神经网络的台风路径预报方法、系统、介质及终端 |
| CN113434998A (zh) * | 2021-04-28 | 2021-09-24 | 中国气象局上海台风研究所(上海市气象科学研究所) | 一种基于隐式马尔科夫补充模型的随机台风生成方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117172372A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | A hybrid approach for forecasting ship motion using CNN–GRU–AM and GCWOA | |
| Khajavi et al. | Predicting the carbon dioxide emission caused by road transport using a Random Forest (RF) model combined by Meta-Heuristic Algorithms | |
| US11874640B2 (en) | Wind power prediction method and system for optimizing deep transformer network | |
| CN101354757B (zh) | 一种精细尺度下的动态风险及易损性预测方法 | |
| CN117172372B (zh) | 一种台风路径预测的方法及系统 | |
| CN109581339B (zh) | 一种基于头脑风暴自动调整自编码网络的声呐识别方法 | |
| Gou et al. | DeepOcean: A general deep learning framework for spatio-temporal ocean sensing data prediction | |
| CN113469470B (zh) | 基于电力大脑中枢的用能数据与碳排放量关联分析方法 | |
| CN114565124A (zh) | 一种基于改进图卷积神经网络的船舶交通流预测方法 | |
| CN106600041A (zh) | 基于受限玻尔兹曼机的光伏发电短期功率概率预测方法 | |
| Zhao et al. | An evaporation duct height prediction model based on a long short-term memory neural network | |
| Yao et al. | Wave height forecast method with multi-step training set extension LSTM neural network | |
| CN118332937B (zh) | 一种新能源气象大模型构建方法、装置及功率预测方法 | |
| Abdalla et al. | Deep learning weather forecasting techniques: literature survey | |
| CN116662468A (zh) | 基于地理对象空间模式特征的城市功能区识别方法及系统 | |
| Wei et al. | An ensemble multi-step forecasting model for ship roll motion under different external conditions: A case study on the South China Sea | |
| Tang et al. | Prediction about the vessel’s heave motion under different sea states based on hybrid PSO_ARMA model | |
| Hu et al. | Adaptive environmental sampling for underwater vehicles based on ant colony optimization algorithm | |
| Wu et al. | Efficient Identification of water conveyance tunnels siltation based on ensemble deep learning | |
| CN117290673A (zh) | 一种基于多模型融合的船舶能耗高精度预测系统 | |
| CN115540832A (zh) | 基于VGGNet的卫星测高海底地形校正方法及系统 | |
| CN115423091A (zh) | 一种条件对抗神经网络训练方法、场景生成方法和系统 | |
| CN108960406B (zh) | 一种基于bfo小波神经网络的mems陀螺随机误差预测方法 | |
| KR20220071038A (ko) | 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법 | |
| CN118330787B (zh) | 一种基于多模态域变换和自适应融合的台风生成预报方法 |
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 |