一种基于多生成器的环境因素引导的台风多趋势预测方法技术

本发明专利技术公开了一种基于多生成器的环境因素引导的台风多趋势预测方法，构建台风多趋势预测模型，所述台风多趋势预测模型包括生成网络和判别网络，所述生成网络包括编码模块和解码模块，所述编码模块包括二维数据编码器、一维数据编码器和环境数据编码器，分别对台风二维数据、一维数据和环境数据进行特征提取，所述解码模块包括生成器选择器和若干个相同的生成器，所述生成器选择器根据编码模块所提取的特征，预测出每个生成器被选择的概率序列，根据所得到的概率序列选择生成器进行台风预测，输出预测的台风序列。本发明专利技术从多种异构的气象数据提取特征并给出合理的多可能的台风趋势，为气象预报提供了更多的参考。为气象预报提供了更多的参考。为气象预报提供了更多的参考。

【技术实现步骤摘要】
一种基于多生成器的环境因素引导的台风多趋势预测方法


[0001]本申请属于气象灾害预报
，尤其涉及一种基于多生成器的环境因素引导的台风多趋势预测方法。

技术介绍

[0002]台风是一种强大且复杂的天气系统，也被称之为热带气旋，飓风或者热带风暴。它通常在热带，亚热带和温带地区发展，并且会带来大量的降水以及平衡全球的热量。但是强台风会给海上的船只和工作平台造成致命的危险。当其登陆时，它也会带来许多自然灾害，如: 大风，风暴潮，洪水等。这些自然灾害会造成严重的经济损失和人员伤亡。为了抵御台风带来的自然灾害，提前且准确的预测出台风轨迹和强度的未来趋势是非常必要的。由于台风的发展会受到大量因素的影响，台风的预测是一个非常困难的任务，建立一个能够捕获台风的环境信息并且能够给出合理预测趋势的台风系统是非常有必要的。
[0003]目前权威的气象机构通常使用数值预测的方法来预测台风的发展，该方法会模拟台风发展过程可能会受到的各种影响因素来保证自身预测的准确性。但是台风是一个非常复杂的天气系统，台风数值预测的模拟过程不仅需要超级计算机的支持也需要花费大量的时间。因此只需要数块GPU深度学习台风预测方法就受到了大家的广泛关注，目前基于多数深度学习的方法都只能给出一条确定的预测趋势，这就不符合台风的复杂性和不确定性。单给出一个确定预测的台风预测方法是不被气象学家所接受的，因为其预测结果的参考意义太小。另外，目前基于深度学习的台风预测方法并没有关注到台风的环境因素的特征提取对台风预测的重要性。

技术实现思路

[0004]本申请的目的是提供一种基于多生成器的环境因素引导的台风多趋势预测方法，以克服现存的基于深度学习的台风预测方法存在的多个问题，如：无法给出可靠的多趋势台风预测结果的问题，无法较好的提取台风环境信息特征的问题等。
[0005]为了实现上述目的，本申请技术方案如下：一种基于多生成器的环境因素引导的台风多趋势预测方法，包括：构建台风多趋势预测模型，所述台风多趋势预测模型包括生成网络和判别网络，所述生成网络包括编码模块和解码模块，所述编码模块包括二维数据编码器、一维数据编码器和环境数据编码器，分别对台风二维数据、一维数据和环境数据进行特征提取，所述解码模块包括生成器选择器和若干个相同的生成器，所述生成器选择器根据编码模块所提取的特征，预测出每个生成器被选择的概率序列，根据所得到的概率序列选择生成器进行台风预测，输出预测的台风序列；所述判别网络用于判断输入台风序列的真实性的概率值；获取训练数据集，训练所述台风多趋势预测模型，采用训练好的台风多趋势预测模型进行台风预测。
[0006]进一步的，所述二维数据编码器包括3D U
‑
net卷积神经网络和一个全连接层，所
述一维数据编码器包括两个全连接层和若干个LSTM单元，所述环境数据编码器包括全连接层和卷积层；所述二维数据编码器用来提取二维数据的空间特征以及生成未来的预设时间点的二维数据，所述一维数据编码器用于提取一维和二维数据的时序特征，所述环境数据编码器用于提取环境数据特征；所述一维数据编码器的输入是一维数据与二维数据的空间特征的融合数据。
[0007]进一步的，所述一维数据包括台风经纬度和中心风速气压，所述二维数据包括预设等压面的位势高度数据。
[0008]进一步的，所述生成器选择器包括若干个全连接层，所述生成器包括全连接层和若干个相同的LSTM单元；所述环境数据编码器的输出、一维数据编码器的输出拼接融合后输入到生成器选择器，生成器选择器输出每个生成器被选择的概率；所述环境数据编码器的输出、一维数据编码器的输出以及二维数据编码器的输出特征进行拼接，在拼接后输入到各个生成器。
[0009]进一步的，所述判别网络包括依次连接的两个全连接层、若干个LSTM单元和另一个全连接层。
[0010]本申请提出的一种基于多生成器的环境因素引导的台风多趋势预测方法，预测所需要的数据包含一维数据和二维网格数据以及额外的环境数据。一维数据为台风的经纬度，风速和气压数据。二维网格数据包含了代表台风气压结构的500 hPa的位势高度数据。环境数据包含了月份，台风移动速度，过去24小时的台风移动方向，过去24小时的台风强度变化，副热带高压的范围和台风所处的位置，能够从多种异构的气象数据提取特征并给出合理的多可能的台风趋势，为气象预报提供了更多的参考。本申请从异构的气象数据中提取中台风自身的特征以及台风的环境特征，并能利用这些特征选择出多个合理的生成器进行台风预测，最终给出多个多种可能的台风未来趋势。
附图说明
[0011]图1是本申请台风多趋势预测方法流程图；图2是本申请台风多趋势预测模型结构示意图。
具体实施方式
[0012]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。
[0013]在一个实施例中，如图1所示，提供了一种基于多生成器的环境因素引导的台风多趋势预测方法，包括：步骤S1、构建台风多趋势预测模型，所述台风多趋势预测模型包括生成网络和判别网络，所述生成网络包括编码模块和解码模块，所述编码模块包括二维数据编码器、一维数据编码器和环境数据编码器，分别对台风二维数据、一维数据和环境数据进行特征提取，所述解码模块包括生成器选择器和若干个相同的生成器，所述生成器选择器根据编码模块
所提取的特征，预测出每个生成器被选择的概率序列，根据所得到的概率序列选择生成器进行台风预测，输出预测的台风序列；所述判别网络用于计算预测的台风序列真实的概率值。
[0014]本实施例构建的台风多趋势预测模型，为包括生成网络和判别网络的生成对抗网络框架。其中，生成网络由两个模块组成：编码模块和解码模块。
[0015]编码模块由三个组件组成：二维数据编码器、一维数据编码器和环境数据编码器。
[0016]二维数据编码器包括一个3D
‑
Unet卷积神经网络和一个全连接层，用来提取二维数据的空间特征以及生成未来的预设时间点的二维数据。预设时间点的个数取决于预测时间的长度。3D
‑
Unet的输入通道数以及输出通道数均为1，整个3D
‑
Unet卷积神经网络的权值为W_U_1, 定义为浮点型变量，无偏置。3D
‑
Unet卷积神经网络输出的二维数据特征通过一个全连接层（Embeding）再次进行特征的提取，全连接层的神经元个数为32个，权值为W_2d，定义为浮点型变量，偏置为b_2d定义为浮点型变量。
[0017]本实施例3D
‑
Unet卷积神经网络有两个输出，图2中向上的箭头指的是3D
‑
Unet提取的二维数据的空间特征，向右的箭头输出的是生成未来的预设时间点的二维数据。关于3D
‑
Unet，是本领域比较成熟的技术，这里不再赘述。未来的预设时间点的二维数据（图2中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多生成器的环境因素引导的台风多趋势预测方法，其特征在于，所述基于多生成器的环境因素引导的台风多趋势预测方法，包括：构建台风多趋势预测模型，所述台风多趋势预测模型包括生成网络和判别网络，所述生成网络包括编码模块和解码模块，所述编码模块包括二维数据编码器、一维数据编码器和环境数据编码器，分别对台风二维数据、一维数据和环境数据进行特征提取，所述解码模块包括生成器选择器和若干个相同的生成器，所述生成器选择器根据编码模块所提取的特征，预测出每个生成器被选择的概率序列，根据所得到的概率序列选择生成器进行台风预测，输出预测的台风序列；所述判别网络用于判断输入台风序列的真实性的概率值；获取训练数据集，训练所述台风多趋势预测模型，采用训练好的台风多趋势预测模型进行台风预测。2.根据权利要求1所述的基于多生成器的环境因素引导的台风多趋势预测方法，其特征在于，所述二维数据编码器包括3D U
‑
net卷积神经网络和一个全连接层，所述一维数据编码器包括两个全连接层和若干个LSTM单元，所述环境数据编码器包括全连接层和卷积层；所述二维数据...

【专利技术属性】
技术研发人员：白琮，黄诚，产思贤，张敬林，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：