基于深度学习的台风路径预测多模型算法研究
发布时间：2021-10-16 09:50
过去几十年,台风频频袭击我国,对沿海地区人民的生命和财产带来了不可估量的损失。如何准确预测台风路径,减少沿海地区人民损失,已成为当下热门研究课题。由于影响台风轨迹走向的因素众多,特征提取难度大,传统方法需要结合众多相关领域的先验知识,不仅耗时耗力,而且预测精度不高。近年来,随着深度学习技术的在众多领域取得突破,越来越多研究人员开始尝试将深度学习技术引入台风轨迹预测,取得了许多不错的成果。基于此,本文通过深度学习的方法进行台风轨迹预测,并通过多模型融合技术,对序列数据和图像数据预测结果进行融合,旨在提高现下方法预测精度,具体研究成果如下:1)针对台风轨迹序列数据,使用基于注意力机制的Seq2seq模型,提高预测精度。首先针对卡尔曼滤波算法结果受异常观测值影响大的缺陷,创新性地提出了改进的卡尔曼滤波算法,有效剔除野值,提升轨迹质量;接着针对轨迹采样过于频繁的问题,使用最小扇形简化算法,提升训练速度;最后建立深度学习模型进行台风轨迹预测,使用编码器和解码器解决序列输入输出不等长的问题,使用注意力机制优化模型的时序依赖,只关注关键的部分时序,剔除掉无关紧要部分。实验结果表明该方法能很好的利用数...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
特征分布图
第三章基于Seq2seq模型台风轨迹预测293.2.2激活函数和优化策略在2.1节中，已经介绍过Seq2seq模型的演化过程及其基础知识，但对于使用深度学习模型进行台风轨迹识别来说，单单了解这些基础知识是不够的。要进一步去剖析模型内部结构和机制，熟悉其参数更新的过程。这就需要了解模型的激活函数选取以及参数的更新策略，而本小节，就基于这两个问题展开深入的研究。如前文所述，深度学习是一种表征学习，引入激活函数式为了让神经网络有更好的表达能力，激活函数层是神经网络的非线性变化层，用于对神经网络进行非线性变化，正是由于有了激活函数层的存在，才能使得是模型可以做得足够深。试想一下，如果不对深度学习做非线性变化，那所有变化都是线性的，再复杂的线性变化都是可以等效，无论模型做得再深，跟只做一层的模型是没有任何分别的。但是这种非线性设计不可避免的所带来的一系列副作用，研究人员不得不设计更多的激活函数来约束非线性的合理范围。主流的激活函数如图3-6所示：(a)(b)(c)图3-6激活函数图如上图所示，(a)为Sigmoid激活函数，(b)为tanh激活函数，(c)为ReLU激活函数。Sigmoid一般来说被用作神经网络的阈值函数，将变量映射到(0，1)之间，但是受限于梯度下降算法，Sigmoid函数在后期会出现梯度为0的一正一负两块“死区”。tanh激活函数，将期望均值平移到0这一理想状态，是Sigmoid的改进，
第三章基于Seq2seq模型台风轨迹预测353.3实验结果在本节中，主要就前面的研究内容进行实验结果的展示，并对实验的结果做出相应的分析。首先展示数据预处理部分，在数据预处理部分中，首先展示对轨迹数据的滤波结果，并对结果做出分析；然后会展示轨迹的简化，并对简化后的轨迹加以说明。在分析完预处理部分的实验结果之后，会进一步展示台风轨迹预测的实验结果，这也是本章的重点的内容。首先会展示训练过程中的Loss函数，保证训练过程的正确性，接着，通过饼状图直观展示基于注意力机制的Seq2seq模型预测结果分别和基于传统机器学习的Xgboost和基于深度学习的LSTM模型预测结果进行比较，并进行实验结果分析。最后还会用基于注意力机制的Seq2seq模型预测未来6h，12h，18h，24h的轨迹情况，并画出折线图分析其准确率。3.3.1台风轨迹清洗使用改进卡尔曼算法对台风轨迹进行滤波效果如图3-8所示：图3-8台风轨迹滤波效果图图中左边蓝色为原始轨迹，右边红色为经过滤波后的轨迹。从图中可以看出，使用改进的卡尔曼算法滤波之后，台风轨迹相比较原先更加平滑，剔除了一些由于采样误差产生的野值点，整个轨迹的时序状态也更加趋于稳定。在结合了影响台风轨迹走向的特征之后，改进卡尔曼滤波算法极大提高了训练数据集的质量，减少了采样误差对后续结果产生的影响，为后续的使用深度学习模型打下了坚实的基矗使用最小扇形简化算法简化轨迹后的结果如图3-9所示：
【参考文献】：
期刊论文
[1]对流参数化方案的改进对GRAPES模式台风预报的影响研究[J]. 徐道生,陈子通,戴光丰,钟水新,杨兆礼. 热带气象学报. 2014(02)
[2]基于主成分分析的人工智能台风路径预报模型[J]. 黄小燕,金龙. 大气科学. 2013(05)
[3]时间序列数据挖掘综述[J]. 贾澎涛,何华灿,刘丽,孙涛. 计算机应用研究. 2007(11)
[4]基于上下文的自适应二进制算术编码研究[J]. 谢林,虞露,仇佩亮. 浙江大学学报(工学版). 2005(06)
[5]用于图像处理的自适应中值滤波[J]. 张旭明,徐滨士,董世运. 计算机辅助设计与图形学学报. 2005(02)
本文编号：3439589
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
特征分布图
第三章基于Seq2seq模型台风轨迹预测293.2.2激活函数和优化策略在2.1节中，已经介绍过Seq2seq模型的演化过程及其基础知识，但对于使用深度学习模型进行台风轨迹识别来说，单单了解这些基础知识是不够的。要进一步去剖析模型内部结构和机制，熟悉其参数更新的过程。这就需要了解模型的激活函数选取以及参数的更新策略，而本小节，就基于这两个问题展开深入的研究。如前文所述，深度学习是一种表征学习，引入激活函数式为了让神经网络有更好的表达能力，激活函数层是神经网络的非线性变化层，用于对神经网络进行非线性变化，正是由于有了激活函数层的存在，才能使得是模型可以做得足够深。试想一下，如果不对深度学习做非线性变化，那所有变化都是线性的，再复杂的线性变化都是可以等效，无论模型做得再深，跟只做一层的模型是没有任何分别的。但是这种非线性设计不可避免的所带来的一系列副作用，研究人员不得不设计更多的激活函数来约束非线性的合理范围。主流的激活函数如图3-6所示：(a)(b)(c)图3-6激活函数图如上图所示，(a)为Sigmoid激活函数，(b)为tanh激活函数，(c)为ReLU激活函数。Sigmoid一般来说被用作神经网络的阈值函数，将变量映射到(0，1)之间，但是受限于梯度下降算法，Sigmoid函数在后期会出现梯度为0的一正一负两块“死区”。tanh激活函数，将期望均值平移到0这一理想状态，是Sigmoid的改进，
第三章基于Seq2seq模型台风轨迹预测353.3实验结果在本节中，主要就前面的研究内容进行实验结果的展示，并对实验的结果做出相应的分析。首先展示数据预处理部分，在数据预处理部分中，首先展示对轨迹数据的滤波结果，并对结果做出分析；然后会展示轨迹的简化，并对简化后的轨迹加以说明。在分析完预处理部分的实验结果之后，会进一步展示台风轨迹预测的实验结果，这也是本章的重点的内容。首先会展示训练过程中的Loss函数，保证训练过程的正确性，接着，通过饼状图直观展示基于注意力机制的Seq2seq模型预测结果分别和基于传统机器学习的Xgboost和基于深度学习的LSTM模型预测结果进行比较，并进行实验结果分析。最后还会用基于注意力机制的Seq2seq模型预测未来6h，12h，18h，24h的轨迹情况，并画出折线图分析其准确率。3.3.1台风轨迹清洗使用改进卡尔曼算法对台风轨迹进行滤波效果如图3-8所示：图3-8台风轨迹滤波效果图图中左边蓝色为原始轨迹，右边红色为经过滤波后的轨迹。从图中可以看出，使用改进的卡尔曼算法滤波之后，台风轨迹相比较原先更加平滑，剔除了一些由于采样误差产生的野值点，整个轨迹的时序状态也更加趋于稳定。在结合了影响台风轨迹走向的特征之后，改进卡尔曼滤波算法极大提高了训练数据集的质量，减少了采样误差对后续结果产生的影响，为后续的使用深度学习模型打下了坚实的基矗使用最小扇形简化算法简化轨迹后的结果如图3-9所示：
【参考文献】：
期刊论文
[1]对流参数化方案的改进对GRAPES模式台风预报的影响研究[J]. 徐道生,陈子通,戴光丰,钟水新,杨兆礼. 热带气象学报. 2014(02)
[2]基于主成分分析的人工智能台风路径预报模型[J]. 黄小燕,金龙. 大气科学. 2013(05)
[3]时间序列数据挖掘综述[J]. 贾澎涛,何华灿,刘丽,孙涛. 计算机应用研究. 2007(11)
[4]基于上下文的自适应二进制算术编码研究[J]. 谢林,虞露,仇佩亮. 浙江大学学报(工学版). 2005(06)
[5]用于图像处理的自适应中值滤波[J]. 张旭明,徐滨士,董世运. 计算机辅助设计与图形学学报. 2005(02)
本文编号：3439589
本文链接：https://www.wllwen.com/projectlw/qxxlw/3439589.html
