基于時(shí)間卷積神經(jīng)網(wǎng)絡(luò)的臺風(fēng)路徑預(yù)測

寇凱淇 杜思靜 王夢巧 劉欣宇 仲萬桐 喬百友

（東北大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院 遼寧·沈陽 110819）

0 引言

在全球氣候變暖的背景下，各類極端自然災(zāi)害頻發(fā)。臺風(fēng)作為氣象災(zāi)害中最具破壞性的天氣現(xiàn)象之一，嚴(yán)重制約著沿海地區(qū)的經(jīng)濟(jì)發(fā)展和人類社會的生命財(cái)產(chǎn)安全。準(zhǔn)確預(yù)測臺風(fēng)的移動路徑對于有效降低臺風(fēng)災(zāi)害帶來的損失至關(guān)重要。傳統(tǒng)的臺風(fēng)預(yù)測方法主要采用數(shù)值計(jì)算方法，計(jì)算代價(jià)大，預(yù)測耗時(shí)比較長，而且需要人工不斷地矯正，因此需要積極探索新的臺風(fēng)路徑預(yù)測方法。

近年來，隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展，人們開始積極探索基于數(shù)據(jù)驅(qū)動的方法來預(yù)測，期望能夠更加準(zhǔn)確高效地預(yù)測臺風(fēng)移動路徑。為此提出了一系列的預(yù)測方法，如基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法，基于卷積神經(jīng)網(wǎng)絡(luò)的集合預(yù)報(bào)方法等。由于神經(jīng)網(wǎng)絡(luò)在預(yù)測問題中僅需要較少的人工干預(yù)，已經(jīng)廣泛用于各個(gè)研究領(lǐng)域當(dāng)中。因此，相比于以往利用動力學(xué)參數(shù)和統(tǒng)計(jì)學(xué)方法等需要大量人工測算的臺風(fēng)路徑預(yù)測方法相比，可有更加快速地?cái)M合真實(shí)的臺風(fēng)路徑。

時(shí)間卷積神經(jīng)網(wǎng)絡(luò)模型(Temporal Convolution Networks,TCN)在時(shí)間序列問題的處理上要優(yōu)于一般的卷積神經(jīng)網(wǎng)絡(luò)方法。臺風(fēng)本身是一種時(shí)序過程，臺風(fēng)路徑的預(yù)測本身就是一種復(fù)雜的時(shí)間序列預(yù)測問題，非常適合TCN模型，為此本文提出了一種基于 TCN的臺風(fēng)路徑預(yù)測方法。該方法首先整合海洋、大氣數(shù)據(jù)和歷史臺風(fēng)路徑數(shù)據(jù)建立可用于訓(xùn)練的特征集，之后將其輸入到TCN模型中進(jìn)行訓(xùn)練，從而建立數(shù)據(jù)與路徑經(jīng)緯度間的序列映射關(guān)系，最終實(shí)現(xiàn)臺風(fēng)移動路徑預(yù)測。一系列的實(shí)驗(yàn)結(jié)果表明所提出基于 TCN的預(yù)測方法能夠較準(zhǔn)確地?cái)M合真實(shí)臺風(fēng)移動路徑。

1 臺風(fēng)移動路徑預(yù)測

1.1 數(shù)據(jù)預(yù)處理

本文數(shù)據(jù)來自中國臺風(fēng)中心，南海區(qū)域海洋大氣數(shù)據(jù)和臺風(fēng)數(shù)據(jù)，數(shù)據(jù)時(shí)間范圍從1949年-2018年共計(jì)1170場臺風(fēng)，提取了臺風(fēng)到達(dá)前和臺風(fēng)經(jīng)過的經(jīng)緯度、氣壓、風(fēng)速、時(shí)間、海表信息、氣候信息數(shù)據(jù)和該區(qū)域內(nèi)的臺風(fēng)路徑數(shù)據(jù)，每條數(shù)據(jù)包含268個(gè)特征。為了降低數(shù)據(jù)維度，避免數(shù)據(jù)分析與處理對系統(tǒng)資源的大量消耗，本文采用皮爾遜相關(guān)系數(shù)對輸入特征向量進(jìn)行特征選擇。皮爾遜系數(shù)(Pearson correlation coefficient)常用于衡量兩個(gè)變量之間的線性相關(guān)程度，計(jì)算公式如下：

皮爾遜相關(guān)系數(shù)的結(jié)果r的值介于-1與1之間。r值的絕對值越大，說明兩個(gè)變量的線性相關(guān)性越強(qiáng)。當(dāng)r值的絕對值介于0.8-1.0之間時(shí)，通常稱兩個(gè)變量具有極強(qiáng)相關(guān)性。當(dāng)r值為正時(shí)，兩個(gè)變量呈正線性相關(guān)，當(dāng)r值為負(fù)時(shí)，兩個(gè)變量為負(fù)線性相關(guān)。根據(jù)已知的臺風(fēng)路徑數(shù)據(jù)特征信息，可通過皮爾遜相關(guān)系數(shù)計(jì)算變量之間的相關(guān)性，并用于特征的選擇。每組數(shù)據(jù)經(jīng)過預(yù)處理后包含經(jīng)緯度、氣壓、風(fēng)速、時(shí)間、海表面溫度、高度以及24小時(shí)經(jīng)緯度變化量等107個(gè)比較相關(guān)性的特征。

1.2 預(yù)測模型

本文采用時(shí)間卷積網(wǎng)絡(luò)TCN來實(shí)現(xiàn)對臺風(fēng)路徑的預(yù)測。TCN是一種特殊的卷積神經(jīng)網(wǎng)絡(luò)，能夠較好地?cái)M合時(shí)間序列的預(yù)測問題。以往時(shí)序問題的處理上，通常選用LTSM網(wǎng)絡(luò)預(yù)測或者CNN卷積神經(jīng)網(wǎng)絡(luò)。TCN網(wǎng)絡(luò)結(jié)合了時(shí)域卷積網(wǎng)絡(luò)，融合了時(shí)域上的建模能力，具有較強(qiáng)的低參數(shù)量下的特征提取能力，在一系列應(yīng)用中優(yōu)于LSTM和CNN網(wǎng)絡(luò)。故本文選用TCN網(wǎng)絡(luò)來預(yù)測臺風(fēng)路徑。基于TCN的臺風(fēng)路徑預(yù)測模型如圖1所示。

圖1：基于TCN的臺風(fēng)路徑預(yù)測模型

從圖中可以看出，原始海洋、大氣和臺風(fēng)數(shù)據(jù)經(jīng)過預(yù)處理后，采用皮爾遜相關(guān)系數(shù)進(jìn)行特征選擇，之后利用滑動窗口進(jìn)行切分，形成訓(xùn)練數(shù)據(jù)，輸入TCN網(wǎng)絡(luò)模型，進(jìn)行模型訓(xùn)練和預(yù)測。本文提出的 TCN臺風(fēng)路徑預(yù)測模型由8層殘差塊與1層全連接層組成。整個(gè)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)維度為107，包含大氣、海洋和臺風(fēng)路徑數(shù)據(jù)，模型窗口設(shè)置為1，每個(gè)殘差塊的神經(jīng)元個(gè)數(shù)設(shè)置為128個(gè)，全連接層神經(jīng)網(wǎng)絡(luò)神經(jīng)元個(gè)數(shù)為64。預(yù)測時(shí)間步長為4，輸出維度為2維，即預(yù)測的經(jīng)緯度數(shù)據(jù)。

殘差模塊也是TCN網(wǎng)絡(luò)的重要組成結(jié)構(gòu)，其結(jié)構(gòu)如圖中所示。每個(gè)殘差模塊由兩個(gè)卷積組成，并且添加了跨層連接恒等映射，加快了網(wǎng)絡(luò)的反饋與收斂速度，防止梯度爆炸與梯度消失。TCN網(wǎng)絡(luò)使用因果卷積來保證未來信息不泄露，通過增加信息量來提高了模型的預(yù)測精度，但同時(shí)增加了模型的復(fù)雜度。為此TCN使用擴(kuò)張卷積來增加網(wǎng)絡(luò)的感受野，使網(wǎng)絡(luò)可以看到更久遠(yuǎn)的信息。擴(kuò)張卷積的感受范圍取決于卷積核的大小K或擴(kuò)張系數(shù)d，擴(kuò)張系數(shù)d通常取1，2，4，8。設(shè)第 i個(gè)卷積層中卷積核的感受野為Fi，卷積步長為sn，則擴(kuò)張卷積感受野的計(jì)算公式為：

2 實(shí)驗(yàn)結(jié)果

2.1 實(shí)驗(yàn)數(shù)據(jù)及參數(shù)設(shè)定

考慮網(wǎng)絡(luò)模型的訓(xùn)練需求與數(shù)據(jù)集情況，本文主要對24小時(shí)臺風(fēng)路徑的變化進(jìn)行預(yù)測。用于模型訓(xùn)練的數(shù)據(jù)集來自于南海，主要由1170組臺風(fēng)數(shù)據(jù)和對應(yīng)的海洋、大氣數(shù)據(jù)組成，共22128條數(shù)據(jù)。其中10%數(shù)據(jù)作為驗(yàn)證集數(shù)據(jù)。整個(gè)模型訓(xùn)練100輪次，學(xué)習(xí)率為0.001。

TCN網(wǎng)絡(luò)采用ReLU函數(shù)作為激活函數(shù)，采用Adam優(yōu)化算法對模型進(jìn)行優(yōu)化。在多次的訓(xùn)練以及參數(shù)調(diào)整中，選取在驗(yàn)證集中誤差最小的參數(shù)模型。表1為模型參數(shù)設(shè)定對比實(shí)驗(yàn)。從對照實(shí)驗(yàn)組1和2發(fā)現(xiàn)，適當(dāng)增加殘差層數(shù)可以提高網(wǎng)絡(luò)預(yù)測的精度。對照實(shí)驗(yàn)組1和3發(fā)現(xiàn)，適當(dāng)增加單層網(wǎng)絡(luò)的神經(jīng)元個(gè)數(shù)可以有效提高網(wǎng)絡(luò)的精度。對照實(shí)驗(yàn)組1和4發(fā)現(xiàn)，增加時(shí)間步長可以提高網(wǎng)絡(luò)模型的預(yù)測經(jīng)度。對照實(shí)驗(yàn)組1和5發(fā)現(xiàn)，過少的特征個(gè)數(shù)雖然可以降低系統(tǒng)資源的消耗，但會使得網(wǎng)絡(luò)模型感受的信息降低，訓(xùn)練經(jīng)度不佳。通過整體的實(shí)驗(yàn)對比，發(fā)現(xiàn)適當(dāng)加深神經(jīng)網(wǎng)絡(luò)的深度，可以在一定程度上提高本文模型的預(yù)測經(jīng)度，但過于深層的模型往往容易導(dǎo)致模型訓(xùn)練所消耗的時(shí)間開銷大，所需數(shù)據(jù)量高，因此本實(shí)驗(yàn)中采用8層殘差結(jié)構(gòu)。

表1：模型參數(shù)對比

2.2 對比實(shí)驗(yàn)分析

在完成對模型參數(shù)設(shè)定后，本文采用TCN模型對24H臺風(fēng)預(yù)測路徑進(jìn)行了預(yù)測，并與基于GRU的模型和基于LSTM的臺風(fēng)路徑預(yù)測進(jìn)行了對比，表2為三種模型的實(shí)驗(yàn)結(jié)果。

表2：模型精度對比

從表2中可以看出，在三個(gè)模型中TCN模型的緯度平均誤差是最低的，而經(jīng)度誤差在GRU和LSTM中間，綜合平均誤差是三種方法中最低的，這也體現(xiàn)出了TCN模型的先進(jìn)性。當(dāng)然由于實(shí)驗(yàn)訓(xùn)練數(shù)據(jù)比較小，另外模型僅僅訓(xùn)練了100次，因此誤差還是偏大，后續(xù)還需要進(jìn)一步改進(jìn)和測試。

圖2為其中一場臺風(fēng)的TCN模型預(yù)測結(jié)果的展示，藍(lán)色為實(shí)際臺風(fēng)路線，紅色為預(yù)測值，可以看出預(yù)測路徑趨勢基本能夠擬合真實(shí)路徑。

圖2：路徑預(yù)測圖

3 結(jié)論

本文提出了一種新的臺風(fēng)路徑預(yù)測模型。該模型通過對海洋、氣象數(shù)據(jù)和臺風(fēng)路徑數(shù)據(jù)的分析學(xué)習(xí)，選取更適用于解決時(shí)間序列問題的時(shí)間卷積神經(jīng)網(wǎng)絡(luò) TCN模型來解決臺風(fēng)移動路徑的預(yù)測問題，并利用南海臺風(fēng)數(shù)據(jù)對基于TCN的臺風(fēng)預(yù)測模型進(jìn)行了訓(xùn)練和測試。初步實(shí)驗(yàn)結(jié)果表明基于TCN的臺風(fēng)路徑預(yù)測模型具有較好的預(yù)測精度，后續(xù)將進(jìn)一步進(jìn)行深入研究，從模型結(jié)構(gòu)、特征選擇等多方面進(jìn)行優(yōu)化，以進(jìn)一步提高模型的預(yù)測精度。從而為我國臺風(fēng)路徑的準(zhǔn)確預(yù)測提供支持。