(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111430414.4 (22)申请日 2021.11.29 (71)申请人 中国科学院国家空间科 学中心 地址 100190 北京市海淀区中关村南 二条1 号 (72)发明人 夏传坤　何杰颖　张升伟　 (74)专利代理 机构 北京方安思达知识产权代理 有限公司 1 1472 代理人 武玥　张红生 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/26(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G01W 1/10(2006.01) (54)发明名称 一种基于融合模型的快速预测台风路径的 方法及其装置 (57)摘要 本发明属于气象科学防灾减灾和气象预测 技术领域， 具体地说， 涉及一种基于融合模型的 快速预测台风路径的方法， 该方法包括： 将当前 台风的一段观测路径数据输入至预先训练好的 台风预测模 型， 得到当前台风在未来某一时刻的 位置， 记为路径预测点； 根据需要设定未来预测 的观测时间段， 在该观测时间段内， 以预先设定 的时间步长为单位， 对按照时间顺序得到的当前 台风的多段观测路径， 重复上述过程， 得到多个 路径预测点， 再将该多个路径预测点连接在一 起， 形成在未来预测的观测时间段内， 台风的预 测路径。 权利要求书4页 说明书12页 附图3页 CN 114266384 A 2022.04.01 CN 114266384 A 1.一种基于融合模型的快速预测台风路径的方法， 该 方法包括： 将当前台风的一段观测路径数据输入至预先训练好的台风预测模型， 得到当前台风在 未来某一时刻的位置， 记为路径预测点； 根据需要设定未来预测的观测时间段， 在该观测时间段内， 以预先设定的时间步长为 单位， 对按照时间顺序得到的当前台风的多段观测路径， 重复上述过程， 得到多个路径预测 点， 再将该多个路径预测点连接在一起， 形成在未来预测的观测时间段内， 台风的预测路 径。 2.根据权利要求1所述的基于融合模型的快速预测台风路径的方法， 其特征在于， 所述 台风预测模型包括： A tt‑LSTM组合模型、 相似路径预测模型和二级融合模型； 将当前台风的一段观测路径数据输入至预先训练好的Att ‑LSTM组合模型， 得到当前台 风未来的台风路径第一预测结果； 将相同的当前台风的一段台风路径数据输入至相似路径预测模型， 得到当前台风未来 的台风路径第二预测结果； 将当前台风未来的台风路径第一预测结果和当前台风未来的台风路径第二预测结果 输入至预先训练好的二级融合模型进行融合， 得到当前台风在未来某一时刻的位置， 记为 路径预测点。 3.根据权利要求2所述的基于融合模型的快速预测台风路径的方法， 其特征在于， 所述 Att‑LSTM组合模型包括： 第 一Att‑LSTM模型和第 二Att‑LSTM模型； 第 一Att‑LSTM模型和第 二Att‑LSTM模型均为基于注意力机制的长短时记 忆神经网络模型； 当前台风的一段观测路径数据包括： 多个串联在一起的当前台风的观测点； 每个观测 点包括当前台风的经度和 纬度； 所述第一A tt‑LSTM模型包括： 一个输入层、 三个LSTM层、 一个注意力层和一个输出层； 三个LSTM层 彼此串联 连接后， 再与注意力层串联 连接； 将每个观测点的当前台风的经度输入至输入层， 每一个观测点的当前台风的经度传入 对应的LSTM层， 将得到的隐层输出再传入下一个LSTM层， 将得到的下一层的隐层输出传入 最后一个LSTM层， 将得到的最后一个LSTM层的隐层输出传入注意力层， 分配注意力 得到权 重， 然后再将其传入输出层， 输出层输出当前台风在未来某个时刻的经度； 所述第二A tt‑LSTM模型包括： 一个输入层、 三个LSTM层， 一个注意力层和一个输出层； 三个LSTM层 彼此串联 连接后， 再与注意力层串联 连接； 将每个观测点的当前台风的纬度输入至输入层， 每一个观测点的当前台风的纬度传入 对应的LSTM层， 将得到的隐层输出再传入下一个LSTM层， 将得到的下一层的隐层输出传入 最后一个LSTM层， 将得到的最后一个LSTM层的隐层输出传入注意力层， 分配注意力 得到权 重， 然后再将其传入输出层， 输出层输出当前台风在未来某个时刻的纬度； 其中， 两个Att ‑LSTM模型的输出层分别输出当前台风在未来某个时刻的经度和纬度， 从而形成当前台风在未来某个时刻的位置， 并将其作为当前台风未来的台风路径第一预测 结果。 4.根据权利要求3所述的基于融合模型的快速预测台风路径的方法， 其特征在于， 所述 第一Att‑LSTM模型的训练步骤为： 建立训练数据；权　利　要　求　书 1/4 页 2 CN 114266384 A 2将搜集的至少1000条历史台风的台风路径数据进行划分， 将其中的至少700条历史台 风的台风路径数据作为训练数据； 该训练数据包括多个训练样本， 每个训练样本为一条历 史台风的一段台风路径， 每个训练样本包括特征和标签； 特征包括多个训练观测点， 每个训 练观测点包括历史台风的经度； 标签是要预测位置的经度； 训练过程如下： 搭建Att‑LSTM模型， 将每个训练样本的特征输入该Att ‑LSTM模型， 得到预测经度， 计算 预测经度和标签之间的m se损失， m se函数的表达式为： 其中， J表示计算得到的损失， m为训练样本数目； y(i)表示第i个训练样本的标签； p(x (i))表示第i个训练样本得到的预测结果； 通过不断迭代， 直至收敛于一个稳定值， 训练结束； 其中， 设置初始迭代次数为epoch＝ 70， 初始学习率设置为0.1， 优化 函数为Adam。 5.根据权利要求2所述的基于融合模型的快速预测台风路径的方法， 其特征在于， 所述 将相同的当前台风的一段台风路径数据输入至相似路径预测模型， 得到当前台风未来的台 风路径第二预测结果； 其具体过程 为： 利用当前台风的一段台风路径数据， 选取当前台风的一段台风路径上的四个关键点， 记为A， B， C， D， 作为对应的观测点； 以两两观测点之间的距离为半径， 以每个观测点为圆心， 得到多个圆形区域， 多个圆形 区域彼此相交， 得到相交区域， 并将其作为缓冲区； 从预先建立的历史台风数据库中， 对每条历史台风路径进行判断； 如果某条历史台风路径不经 过该缓冲区， 则不作任何 处理； 如果某条历史台风路径在缓冲区内， 则 计算该条历史台风的在该缓冲区内的一段台风 路径与当前台风的一段路径的相似度： 假设第i条历史台风的一段台风路径上的多个观测点分别为A',B',C',D'， 且该观测点 A',B',C',D'在该缓冲区内； 其中， SIi为第i条历史台风的一段台风路径与当前台风的一段路径的相似度； r为缓冲 区半径； di为第i条历史台风和当前台风的平均距离； 其中， 其中， dAA'为观测点A和观测点A'之间距离； dBB'为观测点B和观测点B'之间距离， dCC'为 观测点C和观测点C'之间距离， dDD'为观测点D和观测点D'之间距离， dAB为观测点A和观测点B 之间距离， dBC为观测点B和观测点C之间距离， dCD为观测点C和观测点D之间距离；权　利　要　求　书 2/4 页 3 CN 114266384 A 3