[发明专利]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

权利要求书

1.一种基于注意力机制的双向GRU台风轨迹预测预报系统，其特征在于，包括带有注意力机制的双向GRU模型，所述模型建立包括以下流程：构建台风轨迹历史数据集、对数据进行预处理、搭建台风轨迹预测模型以及进行模型训练。首先，构建包含台风轨迹经纬度的用于模型训练和测试的数据集，包括联合台风警报中心(JTWC)提供的历史最佳轨迹数据集；然后对数据进行预处理，包括缺失值填补、数值归一化；然后对搭建网络，包括输入层、双向RGU层、注意力机制模块和全连接层；最后对模型进行训练，确定最优参数，得到台风轨迹的预测经纬度输出值。

2.如权利1所述的系统，其特征在于，构建包含台风轨迹经纬度的用于模型训练和测试的数据集，其比例为8∶2。

3.如权利1所述的系统，其特征在于，所述对数据进行缺失值填补、数值归一化以及对数据进行切分，整合成可以输入到神经网络的形式，具体包括：通过python中pandas库的isnull函数检索海洋历史数据中的缺省值，并将其填补为0；通过离差标准化的方法，对数据进行线性变化，将其映射到[0，1]之间。

4.如权利1所述的系统，其特征在于，所述搭建台风轨迹预测模型主要包括：输入层、隐含层和输出层。

(1)输入层

输入层是把台风历史数据处理成神经网络所能够接收并处理的张量形式。具体分割算法如下所示：

输入：海平面高度时间序列T＝{x₁，x₂，…，x_n}

输出：H＝{(X₁，Y₁)，(X₂，Y₂)，…，(X_n-L，Y_n-L)}＝{x₁，x₂，…，x_n}

a：置i＝1，

b：如果i＞n-L，则停止循环，否则输出先前序列X_i＝{x_i，x_i+1，…，x_i+L}以及先前序列X_i对应目标值Y_i，

c：置i＝i+1转b。

(2)隐含层

隐含层主要包括一个双向GRU层和一个注意力机制模块。

双向GRU的当前隐含层状态由当前的输入x_t、t-1时刻前向隐层状态的输出值和t-1时刻反向隐层状态的输出值共同决定。因此双向GRU可以看作是两个方向相反的GRU的结合体，其在t时刻的隐含层状态h_t可以由和加权求和决定：

RGU()表示对非线性激活函数，u_t、v_t分别表示t时刻前向隐藏状态和反向隐藏状态所对应的权重参数，b_t表示t时刻隐含层所对应的偏置。

引入注意力机制模块后，隐含层状态会进行改变。初始隐含层状态到新的隐含层状态g是各个隐含层状态在新的隐含层状态所占的比重系数ω_i和初始隐含层的输入h_i的乘积的累加和，通过以下公式可以实现从输入的初始状态到新的注意力机制的转换。

e_i＝α_iATT(β_ih_i+c_i) (6)

其中e_i分别是第i时刻隐含层h_i的能量值，α_i、β_i是权重系数矩阵，c_i是偏置系数，ATT()表示的是激活函数。

(3)输出层

输出层是一层全连接层。全连接层起到将学到的特征表示映射到样本的标记空间的作用，可以转变张量维度，得到模型想要的输出预测的的维度。

5.如权利4所述的系统，其特征在于，所述激活函数选用RELU，损失函数选择MSE，隐含层初始参数为随机确定。