论文部分内容阅读
台风是一种最具破坏性和毁灭性的极端自然灾害。中国位于西北太平洋西岸,是全球台风最活跃的地区,其中以南中国海海域及其沿岸地区为最。由于台风灾害的不可抗性,提前预测台风的转移路径为潜在受灾地区赢得充分的预警时间做好防灾准备工作是保护人民生命财产安全最重要和最有效的途径。随着人工神经网络技术的兴起和发展,基于神经网络技术的台风路径预报方法已经成为台风路径统计学预报技术中一个重要的研究分支。相比于传统的动力学数值预报技术和统计—动力学预报技术,基于人工神经网络的台风路径预报技术具有非线性拟合能力强,运算资源需求相对较低,对数据的适应性较强和鲁棒性较好等特性。近年来基于多模型集成的台风路径集成预报技术得到了广泛应用,本文的工作在于将人工神经网络及委员会机器集成理论应用于南中国海的台风路径预报模型的建立,尝试获得具备较好的稳定性和泛化能力且能够满足南中国海24小时短期台风路径预报业务需求的集成预报模型。首先,本文提出了一个基于贝叶斯神经网络并且使用Bagging委员会机器集成的台风路径预报模型。贝叶斯神经网络可以在较好地学习台风路径历史数据的同时控制网络模型的复杂度,而基于Bagging委员会机器的集成预报技术避免了传统集成预报技术中难以确定分量模型权重系数的困难。基于上述工作的成果,为了进一步增强预报模型对多模式台风路径的预报能力,本文接着提出了基于混合密度网络并且分别使用Averaging,Bagging委员会机器集成的台风路径预报模型。同时在模型的训练策略上采用了数据集"分块策略"对模型进行递进式的训练和测试,强化预报模型对数据集的学习并且综合观察预报结果的稳定性和泛化性能。在南中国海台风路径数据集上的多组实验表明,本文提出的集成预报模型在预报结果稳定性和泛化能力上有较好的表现,能够满足南中国海24小时短期台风路径预报业务的需求。