[发明专利]基于融合神经网络的台风路径预报方法、系统、介质及终端

权利要求书

1.一种基于融合神经网络的台风路径预报方法，其特征在于，所述基于融合神经网络的台风路径预报方法包括：

获取台风经纬度、最大风速和最低气压数据；

提取任意时刻三维大气环境场数据；

输入台风路径预报模型；

获取融合神经网络预报的台风路径结果数据信息；

所述输入台风路径预报模型，包括：

将收集到的数据按步骤二全部处理，将处理好的数据整合成三个矩阵，一个存放气候持续因子的输入矩阵，矩阵大小是n*16；另一个存放大气环境场的输入矩阵，矩阵大小是n*x*y*z；第三个是存放未来台风中心经纬度的输出矩阵，矩阵大小是n*2，其中n是数据个数，x是经度范围，y是经度范围，z是垂向范围，并把所有数据按照一定比例分为训练组、验证组和测试组，其中训练组用于训练神经网络，确定神经网络中权重取值，验证组帮助在神经网络训练过程中优化参数，并防止神经网络过拟合，测试组用于进行最后的测试；所述获取融合神经网络预报的台风路径结果数据信息，包括：

使用python中keras工具包创建一个初始的融合神经网络，融合神经网络包括卷积层、池化层和全连接层，将处理好的训练组和验证组的两个矩阵输入，开始训练神经网络，待神经网络稳定后停止训练，保存对训练组效果最好的模型A和对验证组效果最好的模型B，利用测试组数据对模型A和模型B进行检验，取误差最小的模型作为最终模型，该模型输出的经纬度值为台风路径预报结果。

2.如权利要求1所述基于融合神经网络的台风路径预报方法，其特征在于，所述获取台风经纬度、最大风速和最低气压数据等气候持续因子数据，包括：确定要预报时刻t=0h和t=-6h、-12h、-18h的台风中心的经纬度、最大风速和最低气压数据，并准备要预报时刻（t=0h）和t=-6h的三维大气环境场数据。

3.如权利要求1所述基于融合神经网络的台风路径预报方法，其特征在于，所述提取任意时刻三维大气环境场数据，包括：

（1）将t=0h、-6h、-12h、-18h的经纬度、最大风速、最低气压按顺序排列，生成16*1大小的矩阵；

（2）以t=0h时刻的台风中心经纬度为中心，在t=0h和t=-6h的大气场中裁剪出x*y*z大小的矩阵，其中x是经度范围，y是经度范围，z是垂向范围，将以上两个矩阵作为输入矩阵；

（3）将t=+m时刻的经纬度提取出来，生成2*1大小的输出矩阵，其中m是未来第m时刻，为任意正整数。

4.一种基于融合神经网络的台风路径预报系统，其特征在于，所述基于融合神经网络的台风路径预报系统包括：

台风气候持续因子数据获取模块，用于获取台风经纬度、最大风速和最低气压数据；

大气环境场数据提取模块，用于提取任意时刻三维大气环境场数据；

预报模型输入模块，用于输入台风路径预报模型；

台风路径预报结果获取模块，用于获取融合神经网络预报台风路径结果数据信息；

所述输入台风路径预报模型，包括：

将收集到的数据按步骤二全部处理，将处理好的数据整合成三个矩阵，一个存放气候持续因子的输入矩阵，矩阵大小是n*16；另一个存放大气环境场的输入矩阵，矩阵大小是n*x*y*z；第三个是存放未来台风中心经纬度的输出矩阵，矩阵大小是n*2，其中n是数据个数，x是经度范围，y是经度范围，z是垂向范围，并把所有数据按照一定比例分为训练组、验证组和测试组，其中训练组用于训练神经网络，确定神经网络中权重取值，验证组帮助在神经网络训练过程中优化参数，并防止神经网络过拟合，测试组用于进行最后的测试;

所述获取融合神经网络预报的台风路径结果数据信息，包括：

使用python中keras工具包创建一个初始的融合神经网络，融合神经网络包括卷积层、池化层和全连接层，将处理好的训练组和验证组的两个矩阵输入，开始训练神经网络，待神经网络稳定后停止训练，保存对训练组效果最好的模型A和对验证组效果最好的模型B，利用测试组数据对模型A和模型B进行检验，取误差最小的模型作为最终模型，该模型输出的经纬度值为台风路径预报结果。