(19)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 202210336837.8 (22)申请日 2022.03.31 (71)申请人 上海师范大学 地址 200234 上海市徐汇区桂林路10 0号 (72)发明人 廉洁　董萍萍　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 专利代理师 赵继明 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/42(2022.01) G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习算法的热带气旋轨迹预 测方法 (57)摘要 本发明涉及一种基于深度学习算法的热带 气旋轨迹 预测方法， 包括： 获取待预测遥感图像， 进行预处理后载入热带气旋轨迹预测模型中， 获 取待预测遥感图像中气旋的位置； 热带气旋轨迹 预测模型包括编码器和解码器， 编码器包括相互 连接的空间注意模 块和第一Conv LSTM结构， 解码 器包括第二ConvLSTM结构； 模型训练过程包括： 获取发生热带气旋时的遥感影像， 对 该影像进行 预处理后划分为训练集、 验证集和测试集， 采用 训练集对热带气旋轨迹预测模型进行前向传播 和方向参数更新， 采用验证集验证模 型的泛化能 力， 采用测试集进行模型性能评估。 与现有技术 相比， 本发 明的模型在时间效率上和预测精度上 都有很好的提升。 且能够处理大量的热带气旋遥 感图像和最佳轨 迹数据。 权利要求书3页 说明书9页 附图1页 CN 114694037 A 2022.07.01 CN 114694037 A 1.一种基于深度 学习算法的热带气旋轨迹预测方法， 其特征在于， 包括： 获取待预测遥 感图像， 进行预处理后载入预先构建并训练好的热带气旋轨迹预测模型中， 获取待预测遥 感图像中气旋的位置； 所述热带气旋轨迹预测模型包括编码器和解码器， 通过编码器将输入数据编码为隐藏 表示， 将该隐藏表 示输入解码 器， 输出预测结果， 所述编 码器包括相互连接的空间注意模块 和第一Co nvLSTM结构， 所述 解码器包括第二Co nvLSTM结构； 所述热带气旋轨迹预测模型的训练过程包括以下步骤： 获取发生热带气旋时的遥感影像， 对该影像进行预处理后划分为训练集、 验证集和测 试集， 采用所述训练集对所述热带气旋轨迹预测模型进行前向传播和方向参数更新， 采用 所述验证集验证所述热带气旋轨迹预测模型的泛化能力， 采用所述测试集对训练获取的热 带气旋轨迹预测模型进行性能评估。 2.根据权利要求1所述的一种基于深度学习算法的热带气旋轨迹预测方法， 其特征在 于， 所述预处 理包括图像缩放、 归一 化处理和构造为密度图。 3.根据权利要求2所述的一种基于深度学习算法的热带气旋轨迹预测方法， 其特征在 于， 所述密度图的构造过程包括以下步骤： 首先生成跟遥感影像相同大小的全零二维矩阵， 给定维度和经度坐标， 将该遥感影像 中的热带气旋中心设置为 1， 然后根据高斯混合函数生成密度图， 将该密度图与遥感影像相 结合， 生成两个通道的输入数据。 4.根据权利要求3所述的一种基于深度学习算法的热带气旋轨迹预测方法， 其特征在 于， 所述热带气旋轨迹预测模型的训练过程通过最小化密度图和真实密度图之 间像素级的 均方误差预测来完成， 所述最小化密度图和真实密度图之 间像素级的均方误差的计算表达 式为： 式中， Θ为热带气旋轨迹预测模型的模型参数集， Yt+1： t+T′表示从时间t+1到t+T ′的真实 的密度图， 表示从时间t+1到t+T ′的预测的密度图。 5.根据权利要求1所述的一种基于深度学习算法的热带气旋轨迹预测方法， 其特征在 于， 所述空间注意模块首先对输入数据或隐藏状态进行平均池化和最大池化操作， 生成两 个二维图， 并将两个二维连接起来共同进行卷积计算生成二维空间注意力特征图， 载入第 一ConvLSTM结构内。 6.根据权利要求5所述的一种基于深度学习算法的热带气旋轨迹预测方法， 其特征在 于， 所述空间注意模块对隐藏状态进行处 理的过程的计算表达式为： Ws(ht′)＝σ(Conv([AvgPo ol(ht′)； MaxPool(ht′)])) ht＝Ws(ht′)⊙ht′ 式中， ht′为重构前时间t的隐藏状态， ht为重构后时间t的隐藏状态， AvgPool为平均池 化操作， MaxPo ol为最大池化操作， Co nv为卷积 操作， Ws为二维空间注意力特 征图。 7.根据权利要求6所述的一种基于深度学习算法的热带气旋轨迹预测方法， 其特征在权　利　要　求　书 1/3 页 2 CN 114694037 A 2于， 所述第一Co nvLSTM结构和第二Co nvLSTM结构的数据处 理计算表达式均为： it＝σ(Wxi*Xt+Whiht‑1+Wci*Ct‑1+bi) ft＝σ(Wxf*Xt+Whfht‑1+Wcf*Ct‑1+bf) Ot＝σ(Wxo*Xt+Who*ht‑1+bo) 式中， it为输入门状态， Wxi为输入数据第一权重， Xt为时间t的输入数据， Whi为隐藏状态 第一权重， ht‑1为时间t‑1的的隐藏状态， Wci为输入门权重， Ct‑1为上一时刻输出的记忆单元， bi为输入层偏执系数， σ 为sigmoid激活函数， Wxf为输入数据第二权重， Whf为隐藏状态第二权 重， bf为遗忘门偏执系数， 为当前记忆单元， Wxc为输入数据第三权重， Whc为隐藏状态第三 权重， bc为当前记忆单元的偏执系数， Ct为新的记忆单元， 将要输出到下一时刻， Ot为输出门 状态， Wxo为输入数据第四权重， Who为隐藏状态第四权重， bo为输出门偏执系数， 为 Hadamard乘积， tanh为tanh 激活函数。 8.根据权利要求1所述的一种基于深度学习算法的热带气旋轨迹预测方法， 其特征在 于， 所述热带气 旋轨迹预测模型的训练过程中采用反向传播算法和Adam自适应学习优化算 法进行训练。 9.根据权利要求8所述的一种基于深度学习算法的热带气旋轨迹预测方法， 其特征在 于， 所述Adam自适应学习优化 算法的参数 更新表达式为： mt＝β1mt‑1+(1‑β1)gt vt＝β2vt‑1+(1‑β2)gt2 式中， mt为时间t的梯度的均值阶矩的估计， vt为时间t的梯度的无中心方差阶矩的估 计， β1为均值阶矩权重， β2为无中心方差阶矩权重， θt为时间t的模型参数， η为学习率， 为 vt的偏差修 正估计， ε为数值计算稳定性 参数， 为mt的偏差修 正估计。 10.根据权利要求1所述的一种基于深度学习算法的热带气旋轨迹预测方法， 其特征在 于， 采用平均位置误差作为评价指标进行所述性能评估， 所述平均位置误差的计算表达式 为： 权　利　要　求　书 2/3 页 3 CN 114694037 A 3