一种基于多元特征的台风轨迹预测方法，属于台风预报技术领域。本发明专利技术包括输入影响台风轨迹的各种特征，其中包括气象特征、海洋特征、地理特征、物理特征，对于不同特征，基于其输入的数据类型用不同的网络来进行特征提取，对不同特征提取之后，采用特征加权方式进行特征融合，将其融合为带权的多维向量，然后作为LSTM神经网络的输入，使其输出结果为下一时间点台风的位置，并用PyTorch的分布式训练框架DistributedDataParallel来训练模型。本发明专利技术基于多元特征对台风轨迹进行预测，可以很大程度提高台风轨迹预测的准确性，使台风对人民正常生活的损害性降低。常生活的损害性降低。
A typhoon track prediction method based on multivariate characteristics
【技术实现步骤摘要】
一种基于多元特征的台风轨迹预测方法
[0001]本专利技术涉及一种台风轨迹预测方法，尤其涉及一种基于多元特征的台风轨迹预测方法，属于台风预报
技术介绍
[0002][0003]传统的台风路径预报方法包括数值预报、统计预报、回归预报和综合预报。而传统的台风轨迹预测方法有以下缺点:1.难以分析历史数据中的长期时空依赖性，导致长期预测性能降低。2.建模方法复杂且需要消耗大量的计算资源和时间成本，经常需要更新建模方法。近年来，深度学习和参数优化得到了迅速发展，科学家们提出了一种基于RNN和LSTM的台风路径预报方法，研究表明，该模型能够提前6
ー
24小时预报台风路径，预报精度较高。虽然现有的研究应用了深度学习的方法，结合了位势高度，大气压力，风场等特征对台风轨迹进行预测，但他们考虑的影响台风路径的因素太过简单了，并不全面，对台风轨迹预测的准确性并不高。
[0004]因此，我们设计了一种基于多元特征的台风轨迹预测方法，综合考虑了包含位势高度、相对湿度、东西向风速、南北向风速、气温的气象特征和包含海表面温度、海水26℃等温线相关的物理量、海洋混合层相关的物理量、温跃层相关的物理量、海水三维温度、海水三维盐度、海水三维密度的海洋特征以及包含地形、地转力的地理特征和包含台风的位置和方向、速度、强度的物理特征，综合多元特征作为LSTM 网络的输入，提高台风轨迹预测的准确率，具有现实意义和良好的应用背景。
技术实现思路
[0005]针对现有技术中存在的对影响台风轨迹的因素的考虑过于简单的问题，本专利技术提供了一种基于多元特征的台风轨迹预测方法。
[0006]本专利技术是通过以下技术方案实现的：
[0007]S1.输入影响台风轨迹的各种特征，其中包括气象特征、海洋特征、地理特征、物理特征，对于不同特征，基于其输入的数据类型用不同的网络来进行特征提取,其中，数据主要采集自0
°
N到60
°
N纬度和100
°ꢀ
E到180
°
E经度之间的区域；
[0008]S2.对不同特征提取之后，采用特征加权方式进行特征融合，将其融合为带权的70维的特征向量，然后作为预测器的输入；
[0009]S3.由于循环神经网络RNN在处理时间序列数据上具有巨大的优势，且神经网络LSTM改善了RNN 中存在的长期依赖问题，故选择LSTM神经网络来作为预测器，对LSTM输入指定时间序列的多维向量，使其输出结果为下一时间点台风的位置；
[0010]S4.使用PyTorch的分布式训练框架DistributedDataParallel来减少模型收敛所需要的时间，加快训练速度，更好的处理大量数据。
[0011]其中，所述步骤S1中气象特征如：位势高度、相对湿度、东西向风速、南北向风速、
气温，对于每一个特征，分别在200hPa、500hPa、700hPa、850hPa、1000hPa采集数据，每隔一段时间采集一次数据并制成二维三通道图片其格式为3
×
25
×
33，用最新的RegNet网络来处理这些图像，并根据输入的大小，将填充设置为7
×
7，将200hPa、500hPa、700hPa、850hPa、1000hPa看作五个影响台风轨迹的因子，故将网络的最后的全连接层的输出维度设为五即输出结果为五维向量。
[0012]其中，所述步骤S1中海洋特征如：海表面温度、海水26℃等温线相关的物理量、海洋混合层相关的物理量、温跃层相关的物理量、海水三维温度、海水三维盐度、海水三维密度，其中海表面温度的输入是一个二维三通道图片，其格式为3
×
242
×
326，用最新的RegNet网络来处理且填充设置为7
×
7，其中海水26℃等温线相关的物理量包含海水26℃等温线的深度和海水26℃等温线以上的热含量，海洋混合层相关的物理量包含混合层厚度和混合层的热含量，温跃层相关的物理量包含温跃层的深度、温跃层以上的热含量、温跃层强度，他们的输入都是二维三通道图片，且格式都为3
×
63
×
84，都采用最新的 RegNet网络来处理且填充设置为3
×
4，且将网络的最后的全连接层的输出维度设为五即输出结果为五维向量，使每个特征都可以输出一个五维向量，由于海水三维温度、海水三维盐度、海水三维密度三个特征的输入的维度是三维，故采用ResNet 3D来处理这些特征，由于这三个特征的输入格式都为3
×
17
×
63
×ꢀ
84，故填充设置为1
×3×
4，且将网络的最后的全连接层的输出维度设为五，使每个特征都可以对应一个五维向量。
[0013]其中，所述步骤S1中地理特征如：地形、地转力，物理特征如：台风的位置和方向、速度、强度，一般认为地形是不变的，即在所有时间上地形都是一样的，且由于海洋上几乎无地形影响，故对其设为0，地形数据的输入为3
×
121
×
161的二维三色通道，采用最新的RegNet网络来处理且填充设置为7
×
7，由地转力公式F＝2mvωsinθ，其中m是物体的质量、v是物体的速度、ω是地球自转的角速度、θ是物体开始运动前的纬度，考虑到台风的质量难以估计，我们使用地转力梯度来表示地转力对台风的影响，其大小等于2vωsinθ，台风的位置和方向用经纬度来表示，台风的速度用连续两个时刻的平均速度来表示，台风的强度取决于其最大风速，因此我们用台风的最大风速来表示其强度，将地转力、台风的位置、方向、速度、强度用一个全连接的网络来处理，使其输出为五维向量。
[0014]本专利技术具有以下有益效果：
[0015]相比于一般的利用深度学习预测台风轨迹的方法，本专利技术根据输入数据类型的不同，利用不同网络融合来预测台风轨迹，并且考虑了多种影响台风轨迹的因素，综合多元特征去预测台风轨迹，可以更加准确的预测台风的轨迹。
附图说明
[0016]图1是本专利技术的方法流程图
[0017]图2是本专利技术的网络结构图
具体实施方式
[0018]为使本专利技术的目的、技术方案和优点更加清楚明了，下面通过附图和实施例来描述本专利技术。
[0019]实施例1：参见图1，一种基于多元特征的台风轨迹预测方法，包括如下步骤：
[0020]S1.输入影响台风轨迹的各种特征，其中包括气象特征、海洋特征、地理特征、物理特征，对于不同特征，基于其输入的数据类型用不同的网络来进行特征提取,其中，数据主要采集自0
°
N到60
°
N纬度和100
°
E到180
°
E经度之间的区域；
[0021]S2.对不同特征提取之后，采用特征加权方式进行特征融合，将其融合为带权的70维的特征向量，然后作为预测器的输入；
...
【技术保护点】
【技术特征摘要】
1.一种基于多元特征的台风轨迹预测方法，其特征在于包括以下步骤：S1.输入影响台风轨迹的各种特征，其中包括气象特征、海洋特征、地理特征、物理特征，对于不同特征，基于其输入的数据类型用不同的网络来进行特征提取,其中，数据主要采集自0
°
N到60
°
N纬度和100
°
E到180
°
E经度之间的区域；S2.对不同特征提取之后，采用特征加权方式进行特征融合，将其融合为带权的70维的特征向量，然后作为预测器的输入；S3.由于循环神经网络RNN在处理时间序列数据上具有巨大的优势，且神经网络LSTM改善了RNN中存在的长期依赖问题，故选择LSTM神经网络来作为预测器，对LSTM输入指定时间序列的多维向量，使其输出结果为下一时间点台风的位置；S4.使用PyTorch的分布式训练框架DistributedDataParallel来减少模型收敛所需要的时间，加快训练速度，更好的处理大量数据。2.根据权利要求1所述的多元特征的台风轨迹预测方法，其特征在于：所述步骤S1中气象特征如：位势高度、相对湿度、东西向风速、南北向风速、气温，对于每一个特征，分别在200hPa、500hPa、700hPa、850hPa、1000hPa采集数据，每隔一段时间采集一次数据并制成二维三通道图片，其格式为3
×
25
×
33，用最新的RegNet网络来处理这些图像，并根据输入的大小，将填充设置为7
×
7，将200hPa、500hPa、700hPa、850hPa、1000hPa看作五个影响台风轨迹的因子，故将网络的最后的全连接层的输出维度设为五即输出结果为五维向量。3.根据权利要求1所述的多元特征的台风轨迹预测方法，其特征在于：所述步骤S1中海洋特征如：海表面温度、海水26℃等温线相关的物理量、海洋混合层相关的物理量、温跃层相关的物理量、海水三维温度、海水三维盐度、海水三维密度，其中海表面温度的输入是一个二维三通道图片，其格式为3
×
242
×
326，用最新的RegNe...
【专利技术属性】
技术研发人员：夏新宇，高忆博，王泽众，赵天畅，栗佳伟，乔百友，
申请(专利权)人：高忆博，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。