[发明专利]一种基于融合模型的快速预测台风路径的方法及其装置

权利要求书

1.一种基于融合模型的快速预测台风路径的方法，该方法包括：

将当前台风的一段观测路径数据输入至预先训练好的台风预测模型，得到当前台风在未来某一时刻的位置，记为路径预测点；

根据需要设定未来预测的观测时间段，在该观测时间段内，以预先设定的时间步长为单位，对按照时间顺序得到的当前台风的多段观测路径，重复上述过程，得到多个路径预测点，再将该多个路径预测点连接在一起，形成在未来预测的观测时间段内，台风的预测路径。

2.根据权利要求1所述的基于融合模型的快速预测台风路径的方法，其特征在于，所述台风预测模型包括：Att-LSTM组合模型、相似路径预测模型和二级融合模型；

将当前台风的一段观测路径数据输入至预先训练好的Att-LSTM组合模型，得到当前台风未来的台风路径第一预测结果；

将相同的当前台风的一段台风路径数据输入至相似路径预测模型，得到当前台风未来的台风路径第二预测结果；

将当前台风未来的台风路径第一预测结果和当前台风未来的台风路径第二预测结果输入至预先训练好的二级融合模型进行融合，得到当前台风在未来某一时刻的位置，记为路径预测点。

3.根据权利要求2所述的基于融合模型的快速预测台风路径的方法，其特征在于，所述Att-LSTM组合模型包括：第一Att-LSTM模型和第二Att-LSTM模型；第一Att-LSTM模型和第二Att-LSTM模型均为基于注意力机制的长短时记忆神经网络模型；

当前台风的一段观测路径数据包括：多个串联在一起的当前台风的观测点；每个观测点包括当前台风的经度和纬度；

所述第一Att-LSTM模型包括：一个输入层、三个LSTM层、一个注意力层和一个输出层；

三个LSTM层彼此串联连接后，再与注意力层串联连接；

将每个观测点的当前台风的经度输入至输入层，每一个观测点的当前台风的经度传入对应的LSTM层，将得到的隐层输出再传入下一个LSTM层，将得到的下一层的隐层输出传入最后一个LSTM层，将得到的最后一个LSTM层的隐层输出传入注意力层，分配注意力得到权重，然后再将其传入输出层，输出层输出当前台风在未来某个时刻的经度；

所述第二Att-LSTM模型包括：一个输入层、三个LSTM层，一个注意力层和一个输出层；

三个LSTM层彼此串联连接后，再与注意力层串联连接；

将每个观测点的当前台风的纬度输入至输入层，每一个观测点的当前台风的纬度传入对应的LSTM层，将得到的隐层输出再传入下一个LSTM层，将得到的下一层的隐层输出传入最后一个LSTM层，将得到的最后一个LSTM层的隐层输出传入注意力层，分配注意力得到权重，然后再将其传入输出层，输出层输出当前台风在未来某个时刻的纬度；

其中，两个Att-LSTM模型的输出层分别输出当前台风在未来某个时刻的经度和纬度，从而形成当前台风在未来某个时刻的位置，并将其作为当前台风未来的台风路径第一预测结果。

4.根据权利要求3所述的基于融合模型的快速预测台风路径的方法，其特征在于，所述第一Att-LSTM模型的训练步骤为：

建立训练数据；

将搜集的至少1000条历史台风的台风路径数据进行划分，将其中的至少700条历史台风的台风路径数据作为训练数据；该训练数据包括多个训练样本，每个训练样本为一条历史台风的一段台风路径，每个训练样本包括特征和标签；特征包括多个训练观测点，每个训练观测点包括历史台风的经度；标签是要预测位置的经度；

训练过程如下：

搭建Att-LSTM模型，将每个训练样本的特征输入该Att-LSTM模型，得到预测经度，计算预测经度和标签之间的mse损失，mse函数的表达式为：

其中，J表示计算得到的损失，m为训练样本数目；y⁽ⁱ⁾表示第i个训练样本的标签；p(x⁽ⁱ⁾)表示第i个训练样本得到的预测结果；

通过不断迭代，直至收敛于一个稳定值，训练结束；其中，设置初始迭代次数为epoch＝70，初始学习率设置为0.1，优化函数为Adam。