過去幾十年,臺風(fēng)頻頻襲擊我國,對沿海地區(qū)人民的生命和財(cái)產(chǎn)帶來了不可估量的損失。如何準(zhǔn)確預(yù)測臺風(fēng)路徑,減少沿海地區(qū)人民損失,已成為當(dāng)下熱門研究課題。由于影響臺風(fēng)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(yàn)知識,不僅耗時耗力,而且預(yù)測精度不高。近年來,隨著深度學(xué)習(xí)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(xué)習(xí)技術(shù)引入臺風(fēng)軌跡預(yù)測,取得了許多不錯的成果�；诖�,本文通過深度學(xué)習(xí)的方法進(jìn)行臺風(fēng)軌跡預(yù)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(yù)測結(jié)果進(jìn)行融合,旨在提高現(xiàn)下方法預(yù)測精度,具體研究成果如下:1)針對臺風(fēng)軌跡序列數(shù)據(jù),使用基于注意力機(jī)制的Seq2seq模型,提高預(yù)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(jìn)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(xùn)練速度;最后建立深度學(xué)習(xí)模型進(jìn)行臺風(fēng)軌跡預(yù)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(jī)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(shí)驗(yàn)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(xué)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(xué)位級別】：碩士

【部分圖文】：

特征分布圖

第三章基于Seq2seq模型臺風(fēng)軌跡預(yù)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(xué)習(xí)模型進(jìn)行臺風(fēng)軌跡識別來說，單單了解這些基礎(chǔ)知識是不夠的。要進(jìn)一步去剖析模型內(nèi)部結(jié)構(gòu)和機(jī)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(xué)習(xí)是一種表征學(xué)習(xí)，引入激活函數(shù)式為了讓神經(jīng)網(wǎng)絡(luò)有更好的表達(dá)能力，激活函數(shù)層是神經(jīng)網(wǎng)絡(luò)的非線性變化層，用于對神經(jīng)網(wǎng)絡(luò)進(jìn)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(xué)習(xí)做非線性變化，那所有變化都是線性的，再復(fù)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(shè)計(jì)不可避免的所帶來的一系列副作用，研究人員不得不設(shè)計(jì)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(luò)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(fù)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(jìn)，

第三章基于Seq2seq模型臺風(fēng)軌跡預(yù)測353.3實(shí)驗(yàn)結(jié)果在本節(jié)中，主要就前面的研究內(nèi)容進(jìn)行實(shí)驗(yàn)結(jié)果的展示，并對實(shí)驗(yàn)的結(jié)果做出相應(yīng)的分析。首先展示數(shù)據(jù)預(yù)處理部分，在數(shù)據(jù)預(yù)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(yù)處理部分的實(shí)驗(yàn)結(jié)果之后，會進(jìn)一步展示臺風(fēng)軌跡預(yù)測的實(shí)驗(yàn)結(jié)果，這也是本章的重點(diǎn)的內(nèi)容。首先會展示訓(xùn)練過程中的Loss函數(shù)，保證訓(xùn)練過程的正確性，接著，通過餅狀圖直觀展示基于注意力機(jī)制的Seq2seq模型預(yù)測結(jié)果分別和基于傳統(tǒng)機(jī)器學(xué)習(xí)的Xgboost和基于深度學(xué)習(xí)的LSTM模型預(yù)測結(jié)果進(jìn)行比較，并進(jìn)行實(shí)驗(yàn)結(jié)果分析。最后還會用基于注意力機(jī)制的Seq2seq模型預(yù)測未來6h，12h，18h，24h的軌跡情況，并畫出折線圖分析其準(zhǔn)確率。3.3.1臺風(fēng)軌跡清洗使用改進(jìn)卡爾曼算法對臺風(fēng)軌跡進(jìn)行濾波效果如圖3-8所示：圖3-8臺風(fēng)軌跡濾波效果圖圖中左邊藍(lán)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(jìn)的卡爾曼算法濾波之后，臺風(fēng)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(diǎn)，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(fēng)軌跡走向的特征之后，改進(jìn)卡爾曼濾波算法極大提高了訓(xùn)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(xué)習(xí)模型打下了堅(jiān)實(shí)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(xiàn)】：
期刊論文
[1]對流參數(shù)化方案的改進(jìn)對GRAPES模式臺風(fēng)預(yù)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(xué)報. 2014(02)
[2]基于主成分分析的人工智能臺風(fēng)路徑預(yù)報模型[J]. 黃小燕,金龍.  大氣科學(xué). 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(jì)算機(jī)應(yīng)用研究. 2007(11)
[4]基于上下文的自適應(yīng)二進(jìn)制算術(shù)編碼研究[J]. 謝林,虞露,仇佩亮.  浙江大學(xué)學(xué)報(工學(xué)版). 2005(06)
[5]用于圖像處理的自適應(yīng)中值濾波[J]. 張旭明,徐濱士,董世運(yùn).  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報. 2005(02)



本文編號：3439589