過去幾十年,臺風頻頻襲擊我國,對沿海地區(qū)人民的生命和財產(chǎn)帶來了不可估量的損失。如何準確預測臺風路徑,減少沿海地區(qū)人民損失,已成為當下熱門研究課題。由于影響臺風軌跡走向的因素眾多,特征提取難度大,傳統(tǒng)方法需要結(jié)合眾多相關(guān)領(lǐng)域的先驗知識,不僅耗時耗力,而且預測精度不高。近年來,隨著深度學習技術(shù)的在眾多領(lǐng)域取得突破,越來越多研究人員開始嘗試將深度學習技術(shù)引入臺風軌跡預測,取得了許多不錯的成果。基于此,本文通過深度學習的方法進行臺風軌跡預測,并通過多模型融合技術(shù),對序列數(shù)據(jù)和圖像數(shù)據(jù)預測結(jié)果進行融合,旨在提高現(xiàn)下方法預測精度,具體研究成果如下:1)針對臺風軌跡序列數(shù)據(jù),使用基于注意力機制的Seq2seq模型,提高預測精度。首先針對卡爾曼濾波算法結(jié)果受異常觀測值影響大的缺陷,創(chuàng)新性地提出了改進的卡爾曼濾波算法,有效剔除野值,提升軌跡質(zhì)量;接著針對軌跡采樣過于頻繁的問題,使用最小扇形簡化算法,提升訓練速度;最后建立深度學習模型進行臺風軌跡預測,使用編碼器和解碼器解決序列輸入輸出不等長的問題,使用注意力機制優(yōu)化模型的時序依賴,只關(guān)注關(guān)鍵的部分時序,剔除掉無關(guān)緊要部分。實驗結(jié)果表明該方法能很好的利用數(shù)... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【部分圖文】：

特征分布圖

第三章基于Seq2seq模型臺風軌跡預測293.2.2激活函數(shù)和優(yōu)化策略在2.1節(jié)中，已經(jīng)介紹過Seq2seq模型的演化過程及其基礎(chǔ)知識，但對于使用深度學習模型進行臺風軌跡識別來說，單單了解這些基礎(chǔ)知識是不夠的。要進一步去剖析模型內(nèi)部結(jié)構(gòu)和機制，熟悉其參數(shù)更新的過程。這就需要了解模型的激活函數(shù)選取以及參數(shù)的更新策略，而本小節(jié)，就基于這兩個問題展開深入的研究。如前文所述，深度學習是一種表征學習，引入激活函數(shù)式為了讓神經(jīng)網(wǎng)絡有更好的表達能力，激活函數(shù)層是神經(jīng)網(wǎng)絡的非線性變化層，用于對神經(jīng)網(wǎng)絡進行非線性變化，正是由于有了激活函數(shù)層的存在，才能使得是模型可以做得足夠深。試想一下，如果不對深度學習做非線性變化，那所有變化都是線性的，再復雜的線性變化都是可以等效，無論模型做得再深，跟只做一層的模型是沒有任何分別的。但是這種非線性設計不可避免的所帶來的一系列副作用，研究人員不得不設計更多的激活函數(shù)來約束非線性的合理范圍。主流的激活函數(shù)如圖3-6所示：(a)(b)(c)圖3-6激活函數(shù)圖如上圖所示，(a)為Sigmoid激活函數(shù)，(b)為tanh激活函數(shù)，(c)為ReLU激活函數(shù)。Sigmoid一般來說被用作神經(jīng)網(wǎng)絡的閾值函數(shù)，將變量映射到(0，1)之間，但是受限于梯度下降算法，Sigmoid函數(shù)在后期會出現(xiàn)梯度為0的一正一負兩塊“死區(qū)”。tanh激活函數(shù)，將期望均值平移到0這一理想狀態(tài)，是Sigmoid的改進，

第三章基于Seq2seq模型臺風軌跡預測353.3實驗結(jié)果在本節(jié)中，主要就前面的研究內(nèi)容進行實驗結(jié)果的展示，并對實驗的結(jié)果做出相應的分析。首先展示數(shù)據(jù)預處理部分，在數(shù)據(jù)預處理部分中，首先展示對軌跡數(shù)據(jù)的濾波結(jié)果，并對結(jié)果做出分析；然后會展示軌跡的簡化，并對簡化后的軌跡加以說明。在分析完預處理部分的實驗結(jié)果之后，會進一步展示臺風軌跡預測的實驗結(jié)果，這也是本章的重點的內(nèi)容。首先會展示訓練過程中的Loss函數(shù)，保證訓練過程的正確性，接著，通過餅狀圖直觀展示基于注意力機制的Seq2seq模型預測結(jié)果分別和基于傳統(tǒng)機器學習的Xgboost和基于深度學習的LSTM模型預測結(jié)果進行比較，并進行實驗結(jié)果分析。最后還會用基于注意力機制的Seq2seq模型預測未來6h，12h，18h，24h的軌跡情況，并畫出折線圖分析其準確率。3.3.1臺風軌跡清洗使用改進卡爾曼算法對臺風軌跡進行濾波效果如圖3-8所示：圖3-8臺風軌跡濾波效果圖圖中左邊藍色為原始軌跡，右邊紅色為經(jīng)過濾波后的軌跡。從圖中可以看出，使用改進的卡爾曼算法濾波之后，臺風軌跡相比較原先更加平滑，剔除了一些由于采樣誤差產(chǎn)生的野值點，整個軌跡的時序狀態(tài)也更加趨于穩(wěn)定。在結(jié)合了影響臺風軌跡走向的特征之后，改進卡爾曼濾波算法極大提高了訓練數(shù)據(jù)集的質(zhì)量，減少了采樣誤差對后續(xù)結(jié)果產(chǎn)生的影響，為后續(xù)的使用深度學習模型打下了堅實的基矗使用最小扇形簡化算法簡化軌跡后的結(jié)果如圖3-9所示：

【參考文獻】：
期刊論文
[1]對流參數(shù)化方案的改進對GRAPES模式臺風預報的影響研究[J]. 徐道生,陳子通,戴光豐,鐘水新,楊兆禮.  熱帶氣象學報. 2014(02)
[2]基于主成分分析的人工智能臺風路徑預報模型[J]. 黃小燕,金龍.  大氣科學. 2013(05)
[3]時間序列數(shù)據(jù)挖掘綜述[J]. 賈澎濤,何華燦,劉麗,孫濤.  計算機應用研究. 2007(11)
[4]基于上下文的自適應二進制算術(shù)編碼研究[J]. 謝林,虞露,仇佩亮.  浙江大學學報(工學版). 2005(06)
[5]用于圖像處理的自適應中值濾波[J]. 張旭明,徐濱士,董世運.  計算機輔助設計與圖形學學報. 2005(02)



本文編號：3439589