[发明专利]基于自编码器和GRU神经网络的热带气旋轨迹预测方法

说明书

本发明涉及一种基于自编码器和GRU神经网络的热带气旋轨迹预测方法，该方法具体为，获取待预测数据，并进行预处理，将预处理后的待预测数据载入预训练后的气旋轨迹预测模型中，获取气旋轨迹预测结果，所述气旋轨迹预测模型包括自编码器和GRU神经网络，所述自编码器的输出作为GRU神经网络的输入，所述待预测数据包括热带气旋位置数据和气象因子数据。与现有技术相比，本发明能有效处理和利用越来越大的气象数据，预测精度高，具有实际性的应用前景。

技术领域

本发明涉及大气科学技术领域，尤其是涉及一种基于自编码器和GRU神经网络的热带气旋轨迹预测方法。

背景技术

热带气旋是在热带和亚热带海洋表面产生的一种中尺度或天气暖性气旋，强热带气旋即台风(飓风)，是最具破坏性的不可预测的自然灾害之一，是造成生命和财产损失的原因。热带气旋每年都给沿海国家带来许多灾难性的影响。因此，为了更好地应对极端自然灾害，对热带气旋路径进行准确预测是非常重要的。然而，热带气旋的形成受到许多因素的影响，包括气象环境以及热带气旋系统的热力学和动力学因素。热带气旋登陆后，其轨迹也会受到复杂的海洋探测、沿海岸线和内陆地形的影响。这些复杂的问题使得热带气旋的轨迹预测成为一个巨大的挑战。因此，考虑到热带气旋对社会的影响和预测的复杂性，探索和应用新的技术来进行轨迹的预测是非常重要的。

目前国内外许多学者都对热带气旋轨迹预测进行了研究，大多使用的仍为传统的非深度学习方法。如Weber，Harry C等人构建了处理复杂动态方程的数值模型，生成一个网格系统对热带气旋内部结构进行建模，并进行实时仿真。DeMaria，Mark等从历史数据中构建了计算热带气旋行为模式的统计模型。张守峰等用多元线性回归、递归正权决策和算术平均方法，分别建立热带气旋路径和强度多模式集成预报方程，并用2004年西北太平洋和南海生成的热带气旋资料进行预报试验，同时对其他预报和集成预报方法进行了对比和分析。这些传统的方法曾在这类预测工作中有着突出的表现，但是随着越来越多的气象卫星、海洋站和地面站的建立，气象数据量越来越大，利用传统模型从海量时空数据中寻找热带气旋的非线性模式是一项困难的工作。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种能有效处理和利用越来越大的气象数据的基于自编码器和GRU神经网络的热带气旋轨迹预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于自编码器和GRU神经网络的热带气旋轨迹预测方法，该方法具体为，获取待预测数据，并进行预处理，将预处理后的待预测数据载入预训练后的气旋轨迹预测模型中，获取气旋轨迹预测结果，所述气旋轨迹预测模型包括自编码器和GRU神经网络，所述自编码器的输出作为GRU神经网络的输入，所述待预测数据包括热带气旋位置数据和气象因子数据。

模型以自编码器为底层，压缩和提取输入数据的重要特征。

GRU是一类专门处理时序数据样本的神经网络，它的每一层不仅输出给下一层，同时还输出一个隐藏态，能够考虑轨迹在时间上的关联性，提取时间序列特征，产生最终的预测结果。

进一步地，所述气旋轨迹预测模型的预训练过程包括以下步骤：

训练数据预处理步骤：获取训练数据，对训练数据进行预处理；

训练数据划分步骤：从预处理后的训练数据划分出训练集；

自编码器训练步骤：将训练集载入自编码器中，获取自编码器的输出，根据预建立的自编码器损失函数，对自编码器进行训练，直到满足预设的自编码器训练条件；

GRU神经网络训练步骤：将训练完成后的自编码器的输出转化为时序性的一维向量，作为GRU神经网络的输入，获取预测结果，根据预建立的GRU损失函数，对GRU神经网络进行训练，直到满足预设的GRU神经网络训练条件；

所述训练数据包括热带气旋位置数据和气象因子数据。