一种基于深度学习的热带气旋尺度预测方法及系统技术方案

本发明专利技术涉及计算机和气象的交叉技术领域，提供了一种基于深度学习的热带气旋尺度预测方法及系统。该方法包括，获取输入热带气旋图像数据；基于输入热带气旋图像数据，采用时间卷积模型，提取热带气旋的多尺度时间序列特征；采用门控循环网络模型对多尺度时间序列特征，进行时间预测建模，得到热带气旋的高级语义特征；基于高级语义特征，采用全连接层，得到风半径预测值。风半径预测值。风半径预测值。

【技术实现步骤摘要】
一种基于深度学习的热带气旋尺度预测方法及系统


[0001]本专利技术涉及计算机和气象的交叉
，尤其涉及一种基于深度学习的热带气旋尺度预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]热带气旋(TC)，也被称为台风、飓风或气旋，是在温暖的热带海洋上形成和发展的恶劣天气系统。热带气旋登陆后会对生命和财产构成重大威胁。热带气旋的尺度与它的破坏区域范围直接相关。
[0004]目前对热带气旋风半径的预测主要分为三种：基于数值预报模型的方法、基于统计学风半径预测方法和基于共识的方法。基于数值预报模型的方法通过大气的物理背景场信息来计算相应流体动力学方程的解，从而预测热带气旋的未来状况。比较典型的方法有基于区域模式的飓风天气研究、预报模型和基于全球模式的全球预报系统。对于统计学风半径预测方法，该方法通过对大量风半径历史资料挖掘出风半径信息的统计特征，利用人工特征工程等方法提取出显著性的气象预报因子后，以线性回归的方式建立TC风半径预测方程。基于共识的方法对多个数值预报模型提供的风半径预测值进行加权平均，求得一个更为“稳妥”的预测值。
[0005]但上述方法的不足之处在于，基于数值预报模型的方法对于不同气候环境情况的参数和初始条件设置会有所不同，而这种区别对于风半径预测精度的影响较为严重。同时，数值模式因计算代价高昂、计算耗时较多，并不适合短期风半径预测；基于统计学风半径预测方法对于不同统计变量间的非线性联系挖掘能力不足，难以准确预测未来时间的风半径，且特征因子的选择也依赖人为挖掘。共识方法的共识成员主要是数值预报模型，与数值预报方法存在相同的限制。

技术实现思路

[0006]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种基于深度学习的热带气旋尺度预测方法及系统，提出了一种热带气旋风半径预测模型，TC
‑
HTG，该模型集成了时间卷积网络模块(TCN)与门控循环网络模型(GRU)，先利用时间卷积网络模块提取热带气旋的多尺度时间序列特征，随后提取出的多尺度特征被馈送给门控循环网络模型进行时间预测建模，以输出高级语义特征，然后在门控循环网络模型后面设置全连接层对语义特征进行最终决策，从而得到风半径(R34)预测值。
[0007]为了实现上述目的，本专利技术采用如下技术方案：
[0008]本专利技术的第一个方面提供一种深度学习的热带气旋尺度预测方法。
[0009]一种深度学习的热带气旋尺度预测方法，包括：
[0010]获取输入热带气旋图像数据；
[0011]基于输入热带气旋图像数据，采用时间卷积模型，提取热带气旋的多尺度时间序列特征；
[0012]采用门控循环网络模型对多尺度时间序列特征，进行时间预测建模，得到热带气旋的高级语义特征；
[0013]基于高级语义特征，采用全连接层，得到风半径预测值。
[0014]进一步地，所述时间卷积模型包括若干个残差膨胀因果卷积单元，每个残差膨胀因果卷积单元包括膨胀卷积、因果卷积和残差连接。
[0015]进一步地，所述膨胀卷积和因果卷积相结合，用于提取多尺度时间序列特征；所述残差连接，用于加速模型收敛。
[0016]更进一步地，每个所述残差膨胀因果卷积单元包括多轮具有相同膨胀因子的膨胀因果卷积层、WeightNorm层、激活函数、Dropout层和通过直接映射输入形成的残差连接。
[0017]进一步地，当输入热带气旋图像数据为热带气旋图像历史数据时，构建训练集和测试集，以训练热带气旋风半径预测模型；其中，所述热带气旋风半径预测模型为时间卷积模型、门控循环网络模型和全连接层构成的模型。
[0018]更进一步地，在热带气旋风半径预测模型训练过程中，采用均方误差作为损失函数，优化热带气旋风半径预测模型的超参数。
[0019]更进一步地，在超参数优化后，采用随机搜索法选择最优超参数，得到训练好的热带气旋风半径预测模型。
[0020]本专利技术的第二个方面提供一种深度学习的热带气旋尺度预测系统。
[0021]一种深度学习的热带气旋尺度预测系统，包括：
[0022]数据获取模块，其被配置为：获取输入热带气旋图像数据；
[0023]时间卷积模块，其被配置为：基于输入热带气旋图像数据，采用时间卷积模型，提取热带气旋的多尺度时间序列特征；
[0024]门控循环网络模块，其被配置为：采用门控循环网络模型对多尺度时间序列特征，进行时间预测建模，得到热带气旋的高级语义特征；
[0025]预测模块，其被配置为：基于高级语义特征，采用全连接层，得到风半径预测值。
[0026]本专利技术的第三个方面提供一种计算机可读存储介质。
[0027]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的深度学习的热带气旋尺度预测方法中的步骤。
[0028]本专利技术的第四个方面提供一种计算机设备。
[0029]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的深度学习的热带气旋尺度预测方法中的步骤。
[0030]与现有技术相比，本专利技术的有益效果是：
[0031]本专利技术先利用时间卷积网络模型提取热带气旋的多尺度时间序列特征，随后提取出的多尺度特征被馈送给门控循环网络模型以进行时间预测建模以输出高级语义特征，然后在门控循环网络模型后面设置全连接层对语义特征进行最终决策，从而得到风半径预测值。本专利技术的设计的方案减少了计算量和计算成本，提高了风半径的计算速度，明显减少了计算耗时，通过从热带气旋历史多变量数据中学习到更多的与风半径相关的变化规律，提
高了风半径预测的精度。
附图说明
[0032]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0033]图1为本专利技术示出的一个实施例中时间序列数据预测示意图；
[0034]图2为本专利技术示出的一个TCN结构示意图；
[0035]图3为本专利技术示出的一个GRU单元示意图；
[0036]图4为本专利技术示出的TC
‑
HTG模型结构参数图；
[0037]图5为本专利技术示出的TC
‑
HTG模型的整体结构图；
[0038]图6为本专利技术示出的深度学习的热带气旋尺度预测方法的流程图；
[0039]图7为本专利技术示出的一个实施例中计算机设备的内部结构图。
具体实施方式
[0040]下面结合附图与实施例对本专利技术作进一步说明。
[0041]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度学习的热带气旋尺度预测方法，其特征在于，包括：获取输入热带气旋图像数据；基于输入热带气旋图像数据，采用时间卷积模型，提取热带气旋的多尺度时间序列特征；采用门控循环网络模型对多尺度时间序列特征，进行时间预测建模，得到热带气旋的高级语义特征；基于高级语义特征，采用全连接层，得到风半径预测值。2.根据权利要求1所述的深度学习的热带气旋尺度预测方法，其特征在于，所述时间卷积模型包括若干个残差膨胀因果卷积单元，每个残差膨胀因果卷积单元包括膨胀卷积、因果卷积和残差连接。3.根据权利要求1所述的深度学习的热带气旋尺度预测方法，其特征在于，所述膨胀卷积和因果卷积相结合，用于提取多尺度时间序列特征；所述残差连接，用于加速模型收敛。4.根据权利要求2所述的深度学习的热带气旋尺度预测方法，其特征在于，每个所述残差膨胀因果卷积单元包括多轮具有相同膨胀因子的膨胀因果卷积层、WeightNorm层、激活函数、Dropout层和通过直接映射输入形成的残差连接。5.根据权利要求1所述的深度学习的热带气旋尺度预测方法，其特征在于，当输入热带气旋图像数据为热带气旋图像历史数据时，构建训练集和测试集，以训练热带气旋风半径预测模型；其中，所述热带气旋风半径预测模型为时间卷积模型、门控循环网络模型和全连接层构成的模型。6.根据权利要求5...

【专利技术属性】
技术研发人员：王海起，周啸宇，徐建波，单宇飞，闫峰，刘峰，李发东，曹元昊，李雪莹，欧雅玟，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：