CN113222210B - 一种基于多模态生成对抗的台风短期预测方法及装置 - Google Patents

一种基于多模态生成对抗的台风短期预测方法及装置 Download PDF

Info

Publication number
CN113222210B
CN113222210B CN202110339724.9A CN202110339724A CN113222210B CN 113222210 B CN113222210 B CN 113222210B CN 202110339724 A CN202110339724 A CN 202110339724A CN 113222210 B CN113222210 B CN 113222210B
Authority
CN
China
Prior art keywords
typhoon
data
prediction
modal
network model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110339724.9A
Other languages
English (en)
Other versions
CN113222210A (zh
Inventor
白琮
黄诚
产思贤
丁维龙
张敬林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202110339724.9A priority Critical patent/CN113222210B/zh
Publication of CN113222210A publication Critical patent/CN113222210A/zh
Application granted granted Critical
Publication of CN113222210B publication Critical patent/CN113222210B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多模态生成对抗的台风短期预测方法及装置，将标准化处理后的台风经纬度数据和台风强度数据进行多模态融合，得到多模态台风数据，将多模态台风数据输入到构建好的预测网络模型中进行训练，采用最终预测网络模型进行台风预测。本发明构建了预测网络模型和判别模块，能够训练出有效的预测网络模型，准确进行台风预测。所训练的预测网络模型，能够同时预测台风的轨迹和强度。

Description

一种基于多模态生成对抗的台风短期预测方法及装置
技术领域
本发明属于气象灾害预报领域，尤其涉及一种基于多模态生成对抗的台风短期预测方法及装置。
背景技术
台风为一种复杂的天气***，它通常在温暖的海洋上生成以及发展，它的轨迹和强度的变化受到海洋表面温度、大气环流和大气层的影响。在海洋上，其表面的水分会蒸发变成水蒸气。水蒸气上升遇冷，凝结，并放出大量的能量，这就是台风能量的主要来源。随着大量水蒸气释放能量，台风的强度也不断变强，并伴随着大风、暴风潮、大雨等气象现象。当台风登陆沿海地区时，会造成更严重的大量的人员伤亡和财产损失。另外，随着全球气候变暖，强台风发生的概率也有所提高。因此，建立一个台风预报***去应对台风灾害是非常有必要的。
目前气象机构的台风预测主要方法有：动力学模型、统计学模型、集合模型。但是这些方法需要大量的气象数据，并且这些气象数据较难获取。这些方法也需要大量的计算资源和计算时间，这不利于台风的实时预测。
发明内容
本申请提出的一种基于多模态生成对抗的台风短期预测方法及装置，克服了现有技术台风预测所需资源巨大的问题，本申请提供了一个简单且有效的预测方法，预测所需要的数据仅为经纬度和台风风速和气压数据。
为了实现上述目的，本申请技术方案如下：
一种基于多模态生成对抗的台风短期预测方法，其特征在于，所述基于多模态生成对抗的台风短期预测方法，包括：
获取台风训练数据集，进行标准化处理，所述台风训练数据集包括台风经纬度数据和台风强度数据；
将标准化处理后的台风经纬度数据和台风强度数据进行多模态融合，得到多模态台风数据；
将多模态台风数据输入到构建好的预测网络模型中进行训练，设置输入的多模态台风数据序列长度为n，预测的台风序列长度为m，对于每一个多模态台风数据序列，训练过程如下：
步骤F1、将长度为n的多模态台风数据序列输入到预测网络模型中，输出预测台风数据，采用预测台风数据替换多模态台风数据序列中最早的一个多模态台风数据，生成新的多模态台风数据序列再次输入到预测网络模型中进行迭代，重复进行迭代直到得到长度为m的预测台风数据序列；
步骤F2、计算长度为m的预测台风数据序列的误差损失，调整预测网络模型的网络参数；
步骤F3、采用调整网络参数后的预测网络模型，重复步骤F1，得到新的长度为m的预测台风数据序列；
步骤F4、将长度为n的多模态台风数据序列和新的长度为m的预测台风数据序列输入到构建好的判别模块中，得到每条台风数据对应的概率值；
步骤F5、计算新的长度为m的预测台风数据序列的交叉熵损失，调整预测网络模型和判别模块的网络参数；
在所有台风训练数据集进行上述训练后，保留最优的预测网络模型作为训练得到的最终预测网络模型，采用最终预测网络模型进行台风预测。
进一步的，所述预测网络模型包括编码器和解码器，所述编码器包括一个全连接层和至少一个LSTM单元，所述解码器包括一个全连接层、至少一个LSTM单元和另一个全连接层；所述判别模块包括一个全连接层和至少一个LSTM单元，以及一个分类全连接层。
进一步的，所述获取台风训练数据集，进行标准化处理，包括：
对台风训练数据集中数据分别进行如下操作：
Figure GDA0003756486890000031
Figure GDA0003756486890000032
Figure GDA0003756486890000033
Figure GDA0003756486890000034
其中，LAT为纬度，LONG为经度，PRES为中心最低气压，WND为中心最大风速。xmean和xstd代表了经度的均值和方差，ymean和ystd 代表了纬度的均值和方差，vmean和vstd代表了风速的均值和方差， pmean和pstd代表了气压的均值和方差，x,y,p,v为标准化后的数据。
进一步的，所述预测网络模型中所有全连接层后接Relu激活函数。
本申请还提出了一种基于多模态生成对抗的台风短期预测装置，包括：
预处理模块，用于获取台风训练数据集，进行标准化处理，所述台风训练数据集包括台风经纬度数据和台风强度数据；
融合模块，用于将标准化处理后的台风经纬度数据和台风强度数据进行多模态融合，得到多模态台风数据；
训练模块，用于将多模态台风数据输入到构建好的预测网络模型中进行训练，设置输入的多模态台风数据序列长度为n，预测的台风序列长度为m，对于每一个多模态台风数据序列，训练过程如下：
步骤F1、将长度为n的多模态台风数据序列输入到预测网络模型中，输出预测台风数据，采用预测台风数据替换多模态台风数据序列中最早的一个多模态台风数据，生成新的多模态台风数据序列再次输入到预测网络模型中进行迭代，重复进行迭代直到得到长度为m的预测台风数据序列；
步骤F2、计算长度为m的预测台风数据序列的误差损失，调整预测网络模型的网络参数；
步骤F3、采用调整网络参数后的预测网络模型，重复步骤F1，得到新的长度为m的预测台风数据序列；
步骤F4、将长度为n的多模态台风数据序列和新的长度为m的预测台风数据序列输入到构建好的判别模块中，得到每条台风数据对应的概率值；
步骤F5、计算新的长度为m的预测台风数据序列的交叉熵损失，调整预测网络模型和判别模块的网络参数；
预测模块，用于在所有台风训练数据集进行上述训练后，保留最优的预测网络模型作为训练得到的最终预测网络模型，采用最终预测网络模型进行台风预测。
进一步的，所述预测网络模型包括编码器和解码器，所述编码器包括一个全连接层和至少一个LSTM单元，所述解码器包括一个全连接层、至少一个LSTM单元和另一个全连接层；所述判别模块包括一个全连接层和至少一个LSTM单元，以及一个分类全连接层。
进一步的，所述预处理模块获取台风训练数据集，进行标准化处理，包括：
对台风训练数据集中数据分别进行如下操作：
Figure GDA0003756486890000041
Figure GDA0003756486890000042
Figure GDA0003756486890000043
Figure GDA0003756486890000044
其中，LAT为纬度，LONG为经度，PRES为中心最低气压，WND为中心最大风速。xmean和xstd代表了经度的均值和方差，ymean和ystd 代表了纬度的均值和方差，vmean和vstd代表了风速的均值和方差， pmean和pstd代表了气压的均值和方差，x,y,p,v为标准化后的数据。
进一步的，所述预测网络模型中所有全连接层后接Relu激活函数。
本申请提出的一种基于多模态生成对抗的台风短期预测方法及装置，融合了多个模态的数据，进行台风的预测，能够同时预测台风的轨迹和强度。所构建的预测网络模型和判别模块，能够训练出有效的预测网络模型，准确进行台风预测。
附图说明
图1为本申请台风短期预测方法流程图；
图2为本申请网络模型训练示意图。
具体实施方式
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。
在一个实施例中，如图1所示，提供了一种基于多模态生成对抗的台风短期预测方法，包括：
步骤S1、获取台风训练数据集，进行标准化处理，所述台风训练数据集包括台风经纬度数据和台风强度数据。
本申请将数据集划分为训练集、验证集和测试集三部分。测试集包含了2019年发生在西太平洋和中国南海海域 的29个台风数据。训练集和验证集包含了1949-2018年的台风数据。按照80％和20％比例随机划分。训练集共包含1358个台风数据，验证集包含335个台风数据。其中训练集用来对预测网络模型进行训练，验证集和测试集用来进行验证和测试。
台风数据包括台风经纬度数据和台风强度数据，经纬度数据就是台风轨迹信息，表示每个时刻台风所处的位置。台风强度数据包括台风的中心气压和中心风速等。
本申请将数据集中的数据进行标准化处理，使得数据更有利于模型的训练。根据数据集里面的数据类型，分别进行如下操作：
Figure GDA0003756486890000051
Figure GDA0003756486890000052
Figure GDA0003756486890000053
Figure GDA0003756486890000054
其中，LAT为纬度，LONG为经度，PRES为中心最低气压，WND为中心最大风速。xmean和xstd代表了经度的均值和方差，ymean和ystd 代表了纬度的均值和方差，vmean和vstd代表了风速的均值和方差， pmean和pstd代表了气压的均值和方差，x,y,p,v为标准化后的数据。
步骤S2、将标准化处理后的台风经纬度数据和台风强度数据进行多模态融合，得到多模态台风数据。
如图2所示，本申请将台风轨迹和台风强度这两个模态的数据进行融合，得到多模态台风数据。本实施例将台风轨迹和台风强度这两个模态的数据进行融合，将台风轨迹和台风强度这两个模态的数据组合成一维向量。本申请采用多模态台风数据来训练网络模型，提高了台风预测的准确性，也降低了训练样本的复杂性。
步骤S3、将多模态台风数据输入到构建好的预测网络模型中进行训练，设置输入的多模态台风数据序列长度为n，预测的台风序列长度为m。
如图2所示，图2中生成模块即为本申请预测网络模型，而判别模块则是用来训练预测网络模型的辅助网络。生成模型包括编码器和解码器，判别模块包括解码器和一个分类全连接层，编码器包括一个全连接层和至少一个LSTM单元，解码器包括一个全连接层、至少一个LSTM单元和另一个全连接层。
在一个具体的示例中，生成模型包括编码器和解码器。编码器由一个全连接层和多个相同的LSTM单元组成。全连接层神经元个数设为32个，权值为W_1，定义为浮点型变量，偏置为b_1，定义为浮点型变量；LSTM 单元的隐藏层神经元个数设置为64个，权值为W_L_1，定义为浮点型变量，无偏置；LSTM单元的数量设置为12个。解码器由一个全连接层和多个相同的LSTM单元以及另一个全连接层组成，第一个全连接层神经元个数设为32个，权值为W_2，定义为浮点型变量，偏置为b_2，定义为浮点型变量；LSTM单元的隐藏层神经元个数设置为64个，权值为W_L_2, 定义为浮点型变量，无偏置；LSTM单元的数量设置为12个；第二个全连接层神经元个数设为4个，权值为W_2，定义为浮点型变量，偏置为 b_2，定义为浮点型变量。生成模型中所有全连接层后接Relu激活函数。
判别模块由一个全连接层、多个LSTM单元和另一个全连接层组成。用于判断输入台风序列的真实性的概率值。第一个全连接层神经元个数设为32个，权值为W_3，定义为浮点型变量，偏置为b_3,定义为浮点型变量，后接Relu激活函数。LSTM单元的隐藏层神经元个数设置为128个，权值为W_L_3,定义为浮点型变量，无偏置。LSTM单元的数量设置为20 个。第二个全连接层(分类全连接层)神经元个数设为2个，权值为W_4，定义为浮点型变量，偏置为b_4,定义为浮点型变量。
在对预测网络模型进行训练时，依次从多模态台风数据中截取长度为 n的序列(该序列中包括n个多模态台风数据)进行训练，设置预测的台风序列长度为m，对于每一个多模态台风数据序列，训练过程如下：
步骤F1、将长度为n的多模态台风数据序列输入到预测网络模型中，输出预测台风数据，采用预测台风数据替换多模态台风数据序列中最早的一个多模态台风数据，生成新的多模态台风数据序列再次输入到预测网络模型中进行迭代，重复进行迭代直到得到长度为m的预测台风数据序列；
步骤F2、计算长度为m的预测台风数据序列的误差损失，调整预测网络模型的网络参数；
步骤F3、采用调整网络参数后的预测网络模型，重复步骤F1，得到新的长度为m的预测台风数据序列；
步骤F4、将长度为n的多模态台风数据序列和新的长度为m的预测台风数据序列输入到构建好的判别模块中，得到每条台风数据对应的概率值；
步骤F5、计算每条台风数据对应的交叉熵损失，调整预测网络模型和判别模块的网络参数。
具体地，生成模型在输入长度为n的多模态台风数据序列，输出一个预测的台风数据。每次预测后都会将预测得到的台风数据用来更新输入的训练数据序列，更新方法为将本次输入的多模态台风数据序列的第一个项进行出队列操作，预测得到的台风数据进行进队列操作。
例如，如图2所示，将第1～第n个台风序列输入到生成模型，生成第 n+1时刻的预测台风数据，然后进行输入台风序列更新，用第n+1时刻的预测台风数据替换第1个台风数据，新的输入台风序列为第2～第n、第n+1。
以此类推，直到预测出第n+m时刻的预测台风数据。
然后将所预测的台风数据(第n+1～第n+m)与台风的真实值进行误差的计算，得到L2损失，并将该误差反馈到生成模型中，调整生成的参数，优化预测性能。关于网络参数的调整，在本领域是比较成熟的技术，这里不再赘述。
随后采用调整网络参数后的预测网络模型，重复步骤F1，得到新的长度为m的预测台风数据序列，将长度为n的多模态台风数据序列和新的长度为m的预测台风数据序列输入到构建好的判别模块中，得到每条台风数据对应的概率值。
根据计算得到的每条台风数据的概率值，进行交叉熵损失的计算，用 Adam算法或其他神经网络优化算法来优化调整生成模型和判别模块的网络参数，关于具体的神经网络优化算法，这里不再赘述。
本实施例生成模型中的编码器用于对输入的数据进行特征的提取，而使用解码器对特征进行解码并预测出台风未来的趋势。
步骤S4、在所有台风训练数据集进行上述训练后，保留最优的预测网络模型作为训练得到的最终预测网络模型，采用最终预测网络模型进行台风预测。
本申请在对预测网络模型进行训练时，依次从多模态台风数据中截取长度为n的序列进行训练，然后将测试集的数据输入到训练后的预测网络模型，得出预测结果，将预测结果与真实的台风数据进行比较，判断训练后的预测网络模型的网络参数是否最优。最后选择最优网络参数的预测网络模型作为最终的预测网络模型。
在训练好预测网络模型之后，则可以将需要预测的台风数据进行预处理和多模态融合后，输入到预测网络模型中，来预测未来的台风趋势。
在一个实施例中，本申请还提供了一种基于多模态生成对抗的台风短期预测装置，包括：
预处理模块，用于获取台风训练数据集，进行标准化处理，所述台风训练数据集包括台风经纬度数据和台风强度数据；
融合模块，用于将标准化处理后的台风经纬度数据和台风强度数据进行多模态融合，得到多模态台风数据；
训练模块，用于将多模态台风数据输入到构建好的预测网络模型中进行训练，设置输入的多模态台风数据序列长度为n，预测的台风序列长度为m，对于每一个多模态台风数据序列，训练过程如下：
步骤F1、将长度为n的多模态台风数据序列输入到预测网络模型中，输出预测台风数据，采用预测台风数据替换多模态台风数据序列中最早的一个多模态台风数据，生成新的多模态台风数据序列再次输入到预测网络模型中进行迭代，重复进行迭代直到得到长度为m的预测台风数据序列；
步骤F2、计算长度为m的预测台风数据序列的误差损失，调整预测网络模型的网络参数；
步骤F3、采用调整网络参数后的预测网络模型，重复步骤F1，得到新的长度为m的预测台风数据序列；
步骤F4、将长度为n的多模态台风数据序列和新的长度为m的预测台风数据序列输入到构建好的判别模块中，得到每条台风数据对应的概率值；
步骤F5、计算新的长度为m的预测台风数据序列的交叉熵损失，调整预测网络模型和判别模块的网络参数；
预测模块，用于在所有台风训练数据集进行上述训练后，保留最优的预测网络模型作为训练得到的最终预测网络模型，采用最终预测网络模型进行台风预测。
在一个具体的示例中，所述预测网络模型包括编码器和解码器，所述编码器包括一个全连接层和至少一个LSTM单元，所述解码器包括一个全连接层、至少一个LSTM单元和另一个全连接层；所述判别模块包括一个全连接层和至少一个LSTM单元，以及一个分类全连接层。
在一个具体的示例中，所述预处理模块获取台风训练数据集，进行标准化处理，包括：
对台风训练数据集中数据分别进行如下操作：
Figure GDA0003756486890000101
Figure GDA0003756486890000102
Figure GDA0003756486890000103
Figure GDA0003756486890000104
其中，LAT为纬度，LONG为经度，PRES为中心最低气压，WND为中心最大风速。xmean和xstd代表了经度的均值和方差，ymean和ystd 代表了纬度的均值和方差，vmean和vstd代表了风速的均值和方差， pmean和pstd代表了气压的均值和方差，x,y,p,v为标准化后的数据。
在一个具体的示例中，所述预测网络模型中所有全连接层后接Relu激活函数。
关于基于多模态生成对抗的台风短期预测装置的具体限定可以参见上文中对于基于多模态生成对抗的台风短期预测方法的限定，在此不再赘述。上述基于多模态生成对抗的台风短期预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件互相之间可以通过一条或多条通讯总线或信号线实现电性连接。存储器中存储有可在处理器上运行的计算机程序，所述处理器通过运行存储在存储器内的计算机程序，从而实现本发明实施例中的网络拓扑布局方法。
其中，所述存储器可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器 (Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器用于存储程序，所述处理器在接收到执行指令后，执行所述程序。
所述处理器可能是一种集成电路芯片，具有数据的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等。可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种基于多模态生成对抗的台风短期预测方法，其特征在于，所述基于多模态生成对抗的台风短期预测方法，包括：
获取台风训练数据集，进行标准化处理，所述台风训练数据集包括台风经纬度数据和台风强度数据；
将标准化处理后的台风经纬度数据和台风强度数据进行多模态融合，得到多模态台风数据；
将多模态台风数据输入到构建好的预测网络模型中进行训练，设置输入的多模态台风数据序列长度为n，预测的台风序列长度为m，对于每一个多模态台风数据序列，训练过程如下：
步骤F1、将长度为n的多模态台风数据序列输入到预测网络模型中，所述多模态台风数据序列包括第1至第n个多模态台风数据，生成第n+1时刻的预测台风数据，用第n+1时刻的预测台风数据替换第1个多模态台风数据，生成新的多模态台风数据序列再次输入到预测网络模型中进行迭代，重复进行迭代直到得到长度为m的预测台风数据序列；
步骤F2、计算长度为m的预测台风数据序列的误差损失，调整预测网络模型的网络参数；
步骤F3、采用调整网络参数后的预测网络模型，重复步骤F1，得到新的长度为m的预测台风数据序列；
步骤F4、将长度为n的多模态台风数据序列和新的长度为m的预测台风数据序列输入到构建好的判别模块中，得到每条台风数据对应的概率值；
步骤F5、计算新的长度为m的预测台风数据序列的交叉熵损失，调整预测网络模型和判别模块的网络参数；
在所有台风训练数据集进行上述训练后，保留最优的预测网络模型作为训练得到的最终预测网络模型，采用最终预测网络模型进行台风预测；
所述预测网络模型包括编码器和解码器，所述编码器包括一个全连接层和至少一个LSTM单元，所述解码器包括一个全连接层、至少一个LSTM单元和另一个全连接层；所述判别模块包括一个全连接层和至少一个LSTM单元，以及一个分类全连接层。
2.根据权利要求1所述的基于多模态生成对抗的台风短期预测方法，其特征在于，所述获取台风训练数据集，进行标准化处理，包括：
对台风训练数据集中数据分别进行如下操作：
Figure FDA0003756486880000021
Figure FDA0003756486880000022
Figure FDA0003756486880000023
Figure FDA0003756486880000024
其中，LAT为纬度，LONG为经度，PRES为中心最低气压，WND为中心最大风速，xmean和xstd代表了经度的均值和方差，ymean和ystd代表了纬度的均值和方差，vmean和vstd代表了风速的均值和方差，pmean和pstd代表了气压的均值和方差，x,y,p,v为标准化后的数据。
3.根据权利要求1所述的基于多模态生成对抗的台风短期预测方法，其特征在于，所述预测网络模型中所有全连接层后接Relu激活函数。
4.一种基于多模态生成对抗的台风短期预测装置，其特征在于，所述基于多模态生成对抗的台风短期预测装置，包括：
预处理模块，用于获取台风训练数据集，进行标准化处理，所述台风训练数据集包括台风经纬度数据和台风强度数据；
融合模块，用于将标准化处理后的台风经纬度数据和台风强度数据进行多模态融合，得到多模态台风数据；
训练模块，用于将多模态台风数据输入到构建好的预测网络模型中进行训练，设置输入的多模态台风数据序列长度为n，预测的台风序列长度为m，对于每一个多模态台风数据序列，训练过程如下：
步骤F1、将长度为n的多模态台风数据序列输入到预测网络模型中，所述多模态台风数据序列包括第1至第n个多模态台风数据，生成第n+1时刻的预测台风数据，用第n+1时刻的预测台风数据替换第1个多模态台风数据，生成新的多模态台风数据序列再次输入到预测网络模型中进行迭代，重复进行迭代直到得到长度为m的预测台风数据序列；
步骤F2、计算长度为m的预测台风数据序列的误差损失，调整预测网络模型的网络参数；
步骤F3、采用调整网络参数后的预测网络模型，重复步骤F1，得到新的长度为m的预测台风数据序列；
步骤F4、将长度为n的多模态台风数据序列和新的长度为m的预测台风数据序列输入到构建好的判别模块中，得到每条台风数据对应的概率值；
步骤F5、计算新的长度为m的预测台风数据序列的交叉熵损失，调整预测网络模型和判别模块的网络参数；
预测模块，用于在所有台风训练数据集进行上述训练后，保留最优的预测网络模型作为训练得到的最终预测网络模型，采用最终预测网络模型进行台风预测；
所述预测网络模型包括编码器和解码器，所述编码器包括一个全连接层和至少一个LSTM单元，所述解码器包括一个全连接层、至少一个LSTM单元和另一个全连接层；所述判别模块包括一个全连接层和至少一个LSTM单元，以及一个分类全连接层。
5.根据权利要求4所述的基于多模态生成对抗的台风短期预测装置，其特征在于，所述预处理模块获取台风训练数据集，进行标准化处理，包括：
对台风训练数据集中数据分别进行如下操作：
Figure FDA0003756486880000031
Figure FDA0003756486880000032
Figure FDA0003756486880000033
Figure FDA0003756486880000034
其中，LAT为纬度，LONG为经度，PRES为中心最低气压，WND为中心最大风速，xmean和xstd代表了经度的均值和方差，ymean和ystd代表了纬度的均值和方差，vmean和vstd代表了风速的均值和方差，pmean和pstd代表了气压的均值和方差，x,y,p,v为标准化后的数据。
6.根据权利要求4所述的基于多模态生成对抗的台风短期预测装置，其特征在于，所述预测网络模型中所有全连接层后接Relu激活函数。
CN202110339724.9A 2021-03-30 2021-03-30 一种基于多模态生成对抗的台风短期预测方法及装置 Active CN113222210B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110339724.9A CN113222210B (zh) 2021-03-30 2021-03-30 一种基于多模态生成对抗的台风短期预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110339724.9A CN113222210B (zh) 2021-03-30 2021-03-30 一种基于多模态生成对抗的台风短期预测方法及装置

Publications (2)

Publication Number Publication Date
CN113222210A CN113222210A (zh) 2021-08-06
CN113222210B true CN113222210B (zh) 2022-09-23

Family

ID=77084278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110339724.9A Active CN113222210B (zh) 2021-03-30 2021-03-30 一种基于多模态生成对抗的台风短期预测方法及装置

Country Status (1)

Country Link
CN (1) CN113222210B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114818860A (zh) * 2022-03-24 2022-07-29 夏新宇 一种基于多元特征的台风轨迹预测方法
CN115471016B (zh) * 2022-11-01 2023-02-21 南京信息工程大学 一种基于cisso与daed的台风预测方法
CN115587641B (zh) * 2022-11-25 2023-04-07 浙江工业大学 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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108364097A (zh) * 2018-02-07 2018-08-03 国家***北海预报中心 基于生成对抗网络的台风云系预测方法
CN109902885A (zh) * 2019-04-09 2019-06-18 中国人民解放军国防科技大学 基于深度学习混合cnn-lstm模型的台风预测方法
CN112215268A (zh) * 2020-09-27 2021-01-12 浙江工业大学 一种灾害天气卫星云图分类方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108364097A (zh) * 2018-02-07 2018-08-03 国家***北海预报中心 基于生成对抗网络的台风云系预测方法
CN109902885A (zh) * 2019-04-09 2019-06-18 中国人民解放军国防科技大学 基于深度学习混合cnn-lstm模型的台风预测方法
CN112215268A (zh) * 2020-09-27 2021-01-12 浙江工业大学 一种灾害天气卫星云图分类方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Hurricane Trajectory Prediction Via a Sparse Recurrent Neural Network;Mina Moradi Kordmahalleh deng;《5th international workshop on climate informatics》;20151124;第1-3页 *
LSTM网络在台风路径预测中的应用;徐高扬等;《计算机与现代化》;20190515(第05期);第64-68页 *
Prediction of typhoon tracks using a generative adversarial network with observational and meteorological data;Mario Ruttgers 等;《ARXIV》;20181205;第1-18页 *

Also Published As

Publication number Publication date
CN113222210A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN113222210B (zh) 一种基于多模态生成对抗的台风短期预测方法及装置
Zhang et al. Temperature Forecasting via Convolutional Recurrent Neural Networks Based on Time‐Series Data
CN110298663B (zh) 基于序列宽深学习的欺诈交易检测方法
CN110570030A (zh) 基于深度学习的风电集群功率区间预测的方法及***
CN111861023B (zh) 基于统计学的混合风电功率预测方法、装置
Li et al. Deep spatio-temporal wind power forecasting
US11830090B2 (en) Methods and systems for an enhanced energy grid system
CN114048468A (zh) 入侵检测的方法、入侵检测模型训练的方法、装置及介质
CN110674636A (zh) 一种用电行为分析方法
CN117556197B (zh) 一种基于人工智能的台风涡旋初始化方法
CN114139760A (zh) 一种预测台风路径的方法、***、存储介质及设备
CN114169445A (zh) 基于cae和gan混合网络的日前光伏功率预测方法、装置与***
CN117613883A (zh) 发电功率预测方法、装置、计算机设备及存储介质
Castellanos et al. Average hourly wind speed forecasting with ANFIS
CN116307287B (zh) 一种光伏发电有效时段的预测方法、***及预测终端
CN117096871A (zh) 一种基于时空分布的风电功率概率密度的预测方法
Dey et al. NeSDeepNet: A Fusion Framework for Multi-step Forecasting of Near-surface Air Pollutants
Lyu et al. A data-driven solar irradiance forecasting model with minimum data
Feng et al. Occlusion-perturbed deep learning for probabilistic solar forecasting via sky images
CN117394306B (zh) 基于新能源并网的风电功率预测模型建立方法及其应用
CN115587641B (zh) 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
CN115694937B (zh) 一种通过构造虚拟异常流量训练恶意流量检测***的方法
CN117688367B (zh) 一种基于即时学习的风力发电超短期功率预测方法及装置
CN117633456B (zh) 基于自适应焦点损失的海上风电天气事件辨识方法和装置
KR102478665B1 (ko) 통계 및 역학적 태풍 기후 예측 장치 및 방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant