[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

说明书

本发明属于台风预测技术领域，公开了一种基于融合神经网络的台风路径预报方法、系统、介质及终端，获取台风经纬度、最大风速和最低气压数据等大气环境场数据；提取任意时刻大气环境场数据；输入台风路径预报模型，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，验证组帮助我们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；创建融合神经网络台风路径预报模型。本发明利用融合神经网络，在传统只使用气候持续因子的神经网络模型中引入了大气环境场，利用迁移学习的思想，有效的解决了台风数据量少的问题。

技术领域

本发明属于台风预测技术领域，尤其涉及一种基于融合神经网络的台风路径预报方法、系统、介质及终端。

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。

台风路径预报的客观方法主有三种，一种是通过数值模型模拟大气场，进而预报台风路径；一种是利用动力统计模型预报台风路径；还有一种是利用神经网络等人工智能方法预报台风路径。

第一种方法通过运行数值模型模拟未来大气环境场进而预报台风路径，该方法需要消耗大量的计算机资源和时间。第二种方法是基于台风路径与大气场之间的关联关系，采用具有固定形式的统计模型开展台风路径预报，受模型中所考虑的预报因子的限制，该模型的预报精度相对来说往往较低。近年来，学者们将神经网络方法引入台风预报研究中。该算法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一些关键问题需要解决：第一是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，如何在神经网络中引入大气场变量仍是一个很大的挑战。第二是台风数据往往存在数据量少的问题，使得神经网络难以从少量数据中学习到台风变化的规律，以往的研究往往通过GAN神经网络生成仿真台风数据来扩充数据量，然而生成的台风数据质量无法保证，因此需要提供更有效的解决方法。

通过上述分析，现有台风路径客观预报技术存在的问题及缺陷为：(1)台风路径的数值模拟预报需要消耗大量的计算机资源和时间，难以快速给出预报结果；(2)受模型中所考虑的预报因子及其与台风路径关联关系表达形式的限制，台风路径动力统计预报模型的预报精度整体上偏低。(3)受模型中所考虑的预报因子及台风数据量少的限制，目前基于神经网络方法的台风路径预报模型的精度偏低。

解决以上问题及缺陷的难度为：

(1)已有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台风气候持续因子建立模型对台风路径进行预报，没有考虑对台风影响最大的大气环境场因子。其根本原因是已有的神经网络框架无法同时兼顾具有不同表达形式的气候持续因子和大气环境场数据，因此需要对神经网络框架进行较大的修改，难度较大。

(2)相比传统方法，神经网络可以模拟更加复杂的非线性关系，但是需要从大量的数据中学习这种非线性关系。当数据量偏少的情况下，神经网络方法往往性能较差，所以需要从源头上增加样本数据量，难度较大。

解决以上问题及缺陷的意义为：

(1)使用本发明提出的融合神经网络，使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。

(2)不同区域发生的台风的移动规律往往具有一定的相似性，通过迁移学习的方法，将其它区域的台风数据补充进来，能够大大提升台风样本库数据量，满足神经网络所需的学习条件，从而得到更准确、更具有普适性的台风路径预报模型。

发明内容

针对现有技术存在的问题，本发明提供了一种基于融合神经网络的台风路径预报方法、系统、介质及终端。