基于历史数据的登陆台风特征因子的预报方法及系统的制作方法
【专利摘要】本发明提出一种基于历史数据的登陆台风特征因子的预报方法，包括以下步骤：根据台风登陆判断准则对划定区域的台风进行登陆判断；如果台风的登陆概率大于预设阈值，则获取多个预报因子；根据多个预报因子建立预报方程，其中，预报方程根据历史数据建立；确定预报模式并获取相应观测点信息；以及根据相应观测点信息、预报模式和预报方程进行预报。本发明的方法能够对台风的特征因子做出可靠预报，并且，该方法精确度高、可移植性好、目标性强、实时性好。本发明还提供了一种基于历史数据的登陆台风特征因子的预报系统。
【专利说明】基于历史数据的登陆台风特征因子的预报方法及系统
【技术领域】
[0001]本发明涉及台风预警【技术领域】，特别涉及一种基于历史数据的登陆台风特征因子的预报方法及系统。
【背景技术】
[0002]强台风容易导致线路发生大面积永久性跳闸事故，进而引发大面积停电事故。如果能对登陆台风的特征因子(经度、纬度、中心最低气压和风速)做出登陆预报和24、48小时的动态预报，将会有效防治台风对电网的损害。由于台风具有随机性强、影响范围广、爆发能量巨大的特点，以往的研究主要集中于台风强度及路径预测方面，美国国家飓风中心、日本东京台风中心和中国中央气象台等多个机构一直对不同区域的热带气旋的预报情况进行统计分析、总结和改进。目前台风预测的主要方法有:变维分形模型预测，基于地理信息系统(GIS)的空间分析预测、气候持续(CLIPER)模式预测，基于遗传算法的人工神经元网络预测，数值预报模式并行化预测，卫星导风技术预测和分形分布模型预测等。以2004年为例，美国飓风中心预测预测大西洋飓风24/48/72小时位置平均距离误差为106/187/280公里；日本东京台风中心发布的台风位置预测平均误差为125/243/355公里；中国中央气象台24/48/72小时台风位置预报平均误差为120/215/326公里。由此可见台风路径预报误差较大的缺点虽有所改善，但仍旧无法满足各行业对台风预报精度的需求。
【发明内容】
[0003]本发明旨在至少在一定程度上解决上述相关技术中的技术问题之一。
[0004]为此，本发明的一个目的在于提出一种人员基于历史数据的登陆台风特征因子的预报方法，该方法能够对台风的特征因子做出可靠预报，并且，该方法精确度高、可移植性好、目标性强、实时性好。
[0005]本发明的另一个目的在于提供一种基于历史数据的登陆台风特征因子的预报系统。
[0006]为了实现上述目的，本发明第一方面的实施例提出了一种基于历史数据的登陆台风特征因子的预报方法，包括以下步骤:根据台风登陆判断准则对划定区域的台风进行登陆判断；如果所述台风的登陆概率大于预设阈值，则获取多个预报因子；根据所述多个预报因子建立预报方程，其中，所述预报方程根据历史数据建立；确定预报模式并获取相应观测点信息；以及根据所述相应观测点信息、所述预报模式和所述预报方程进行预报。
[0007]根据本发明实施例的基于历史数据的登陆台风特征因子的预报方法，依靠历史数据，结合数据挖掘技术和统计学方法，可对台风的特征因子(包括经度、纬度、中心最低气压和风速)做出可靠预报，且精度较高。另外，该方法可移植性很好且不涉及过多气象学知识，操作流程明确，针对特定区域分析目标性很强，实时性较好。
[0008]另外，根据本发明上述实施例的基于历史数据的登陆台风特征因子的预报方法还可以具有如下附加的技术特征:
[0009]在一些示例中，所述预报模式包括登陆预报模式和动态预报模式，其中，所述动态预报模式包括:第一模式:利用登陆台风首次进入每个区域的观测点进行24小时和48小时预报；第二模式:利用登陆台风进入每个区域的所有观测点进行24小时和48小时预报。
[0010]在一些示例中，所述根据所述多个预报因子建立预报方程具体包括:筛选出历史登陆台风符合预定条件的观测点信息和登陆时的信息，运用PRESS准则及其逐步算法，筛选出预报每个特征因子的最佳预报因子集，并运用多元线性回归算法建立所述预报方程。
[0011]在一些示例中，所述多元线性回归算法为:
[0012]y.= β 0+β lXil+ β 2xi2+…+ β pxip+ ε J
[0013](i = l，2，...，n)，
[0014]其中yi是估计值，β C1?β p是回归系数，ε i是随机误差，Xil?Xip是第i个样本的P个预报因子值。
[0015]在一些示例中，所述观测点信息包括强度等级、纬度、经度、中心最低气压、风速和经纬度迁移速度，所述登陆时的信息包括纬度、经度、中心最低气压和风速。
[0016]本发明第二方面的实施例提供了一种基于历史数据的登陆台风特征因子的预报系统，包括:判断模块，所述判断模块用于根据台风登陆判断准则对划定区域的台风进行登陆判断；获取模块，所述获取模块用于在所述台风的登陆概率大于预设阈值时，获取多个预报因子；方程建立模块，所述方程建立模块用于根据所述多个预报因子建立预报方程，其中，所述预报方程根据历史数据建立；模式确定模块，所述模式确定模块用于确定预报模式并获取相应观测点信息；预报模块，所述预报模块用于根据所述相应观测点信息、所述预报模式和所述预报方程进行预报。
[0017]根据本发明实施例的基于历史数据的登陆台风特征因子的预报系统，依靠历史数据，结合数据挖掘技术和统计学方法，可对台风的特征因子(包括经度、纬度、中心最低气压和风速)做出可靠预报，且精度较高。另外，该系统可移植性很好且不涉及过多气象学知识，操作流程明确，针对特定区域分析目标性很强，实时性较好。
[0018]另外，根据本发明上述实施例的基于历史数据的登陆台风特征因子的预报系统还可以具有如下附加的技术特征:
[0019]在一些示例中，所述预报模式包括登陆预报模式和动态预报模式，其中，所述动态预报模式包括::第一模式:利用登陆台风首次进入每个区域的观测点进行24小时和48小时预报；第二模式:利用登陆台风进入每个区域的所有观测点进行24小时和48小时预报。
[0020]在一些示例中，所述方程建立模块用于筛选出历史登陆台风符合预定条件的观测点信息和登陆时的信息，运用PRESS准则及其逐步算法，筛选出预报每个特征因子的最佳预报因子集，并运用多元线性回归算法建立所述预报方程。
[0021]在一些示例中，所述多元线性回归算法为:
[0022]Yi = β 0+ β !Xil+ β 2xi2+…+ β pxip+ ε j
[0023](i = l，2，...，n)，
[0024]其中yi是估计值，β C1?β p是回归系数，ε i是随机误差，Xil?Xip是第i个样本的P个预报因子值。
[0025]在一些示例中，所述观测点信息包括强度等级、纬度、经度、中心最低气压、风速和经纬度迁移速度，所述登陆时的信息包括纬度、经度、中心最低气压和风速。
[0026]本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
【专利附图】
【附图说明】
[0027]本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中:
[0028]图1是根据本发明一个实施例的基于历史数据的登陆台风特征因子的预报方法的流程图；
[0029]图2是根据本发明一个实施例的登陆台风的登陆预报说明示意图；
[0030]图3是根据本发明一个实施例的登陆台风的两种预报模式说明示意图；以及
[0031]图4是根据本发明一个实施例的基于历史数据的登陆台风特征因子的预报系统的结构框图。
【具体实施方式】
[0032]下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0033]以下结合附图描述根据本发明实施例的基于历史数据的登陆台风特征因子的预报方法及系统。
[0034]图1是根据本发明一个实施例的基于历史数据的登陆台风特征因子的预报方法的流程图。如图1所示，根据本发明一个实施例的基于历史数据的登陆台风特征因子的预报方法，包括以下步骤:
[0035]步骤S101，根据台风登陆判断准则对划定区域的台风进行登陆判断。
[0036]步骤S102，如果台风的登陆概率大于预设阈值，则获取多个预报因子。换言之，当台风的登陆概率大于预设阈值时，则需要进行登陆预报。其中，在一些示例中，预设阈值可根据实际的状况而设定。
[0037]步骤S103，根据多个预报因子建立预报方程，其中，预报方程根据历史数据建立。
[0038]具体而言，在一些示例中，首先筛选出历史登陆台风符合预定条件的观测点信息和登陆时的信息，运用PRESS准则及其逐步算法，筛选出预报每个特征因子的最佳预报因子集，然后运用多元线性回归模型建立预报方程。在该示例中，预定条件例如包括:当预报模式为登陆预报模式和动态预报模式的第一模式时，则筛选出历史登陆台风首次进入每个区域的观测点信息和登陆时的信息；而当预报模式为动态预报模式的第二模式时，则筛选出历史登陆台风进入每个区域时(不要求是首次进入)的观测点信息和登陆时的信息。其中，观测点信息包括强度等级、纬度、经度、中心最低气压、风速和经纬度迁移速度，登陆时的信息包括纬度、经度、中心最低气压和风速。
[0039]在该示例中，多元线性回归算法如下所示:
[0040]Yi = β 0+ β !Xil+ β 2xi2+…+ β pxip+ ε j
[0041](i = I, 2,…，η), (I)
[0042]其中yi是估计值，β C1?β p是回归系数，ε i是随机误差，Xil?Xip是第i个样本的P个预报因子值。
[0043]假设将某一样本点i去掉，则可建立以下形式的线性模型:
[0044]Y⑴=X⑴ β + ε ⑴，⑵
[0045]其中，上式⑵中的右上标⑴表示向量和矩阵中已经删去了第i行。用最小二乘法便可得出β的估计β (，根据这个估计，算出第i个样本点的预测值力^:
Λ
[0046]Λ.=.ν:/广，(3)
[0047]此时，该样本点的预测偏差为:
[0048]f.= — V/ = V,- — -V β"，⑷
[0049]对每一个样本点作相同处理，可得到η个预测偏差值J1, f2,…fn，其平方和PRESS为:
[0050]PRESS = ± Jr
w , (5)
[0051]从而，预测平方和PRESS准则归结为寻找一个使PRESS达到最小的因子子集，其模型的预测效果最佳。
[0052]步骤S104，确定预报模式并获取相应观测点信息。
[0053]具体而言，预报模式包括登陆预报模式和动态预报模式。如果进行24小时和48小时动态预报，则有两种预报模式可供选择，分别是第一模式和第二模式，且分别定义如下:第一模式:利用登陆台风首次进入每个区域的观测点进行24小时和48小时预报；第二模式:利用登陆台风进入每个区域的所有观测点进行24小时和48小时预报。对于判定会登陆的台风，当观测到其首次进入某个区域中时，即可利用第一模式建立的预报方程进行24小时和48小时预报。同样地，对于判定会登陆的台风，当观测到其处于某个区域时(不要求是首次进入)，皆可利用第二模式建立的预报方程进行24小时和48小时预报。其中，两种模式对于每个预报因子建立预报方程的方法与步骤S103中类似，此处不再赘述。
[0054]步骤S105，根据多个观测点、预报模式和预报方程进行预报。具体地说，即将预报台风对应的相应观测点信息带入选择的预报模式下所建立的预报方程中，即可进行登陆预报或24小时和48小时动态预报。
[0055]以下结合附图2-3，以海南岛为例，结合海南岛所处地区的历史台风数据来说明本发明上述实施例的方法。
[0056]具体地说，首先通过查阅历史数据得出海南岛附近5个区域的台风登陆判断准贝U，然后利用这些登陆判断准则判断台风是否登陆，若判定台风登陆则进行预报。其中，预报分为登陆预报和24、48小时动态预报。具体地说，将每个区域的台风观测点分为两部分，一部分用于建立预报方程，一部分用于检验预报方程的准确性。其中登陆预报模式的示意如图2所示，其预报效果如下表I所示。24、48小时动态预报的两种预报模式的示意如图3a和图3b所示，其预报效果如下表2所示:
[0057]
【权利要求】
1.一种基于历史数据的登陆台风特征因子的预报方法，其特征在于，包括以下步骤: 根据台风登陆判断准则对划定区域的台风进行登陆判断； 如果所述台风的登陆概率大于预设阈值，则获取多个预报因子； 根据所述多个预报因子建立预报方程，其中，所述预报方程根据历史数据建立； 确定预报模式并获取相应观测点信息；以及 根据所述相应观测点信息、所述预报模式和所述预报方程进行预报。
2.如权利要求1所述的基于历史数据的登陆台风特征因子的预报方法，其特征在于，所述预报模式包括登陆预报模式和动态预报模式，其中，所述动态预报模块包括: 第一模式:利用登陆台风首次进入每个区域的观测点进行24小时和48小时预报； 第二模式:利用登陆台风进入每个区域的所有观测点进行24小时和48小时预报。
3.如权利要求1所述的基于历史数据的登陆台风特征因子的预报方法，其特征在于，所述根据所述多个预报因子建立预报方程具体包括: 筛选出历史登陆台风符合预定条件的观测点信息和登陆时的信息，运用PRESS准则及其逐步算法，筛选出预报每个特征因子的最佳预报因子集，并运用多元线性回归算法建立所述预报方程。
4.如权利要求3所述的基于历史数据的登陆台风特征因子的预报方法，其特征在于，所述多元线性回归算法为:
Yi = β 0+ β Al+ β 2Xi2 +…+ β ρΧ?ρ+ ε i
(i = I, 2，…，η), 其中Yi是估计值，β ο?β P是回归系数，ε i是随机误差，Xil?Xip是第i个样本的P个预报因子值。
5.如权利要求3所述的基于历史数据的登陆台风特征因子的预报方法，其特征在于，所述观测点信息包括强度等级、纬度、经度、中心最低气压、风速和经纬度迁移速度，所述登陆时的信息包括纬度、经度、中心最低气压和风速。
6.一种基于历史数据的登陆台风特征因子的预报系统，其特征在于，包括: 判断模块，所述判断模块用于根据台风登陆判断准则对划定区域的台风进行登陆判断； 获取模块，所述获取模块用于在所述台风的登陆概率大于预设阈值时，获取多个预报因子； 方程建立模块，所述方程建立模块用于根据所述多个预报因子建立预报方程，其中，所述预报方程根据历史数据建立； 模式确定模块，所述模式确定模块用于确定预报模式并获取相应观测点信息； 预报模块，所述预报模块用于根据所述相应观测点信息、所述预报模式和所述预报方程进行预报。
7.如权利要求6所述的基于历史数据的登陆台风特征因子的预报系统，其特征在于，所述预报模式包括登陆预报模式和动态预报模式，其中，所述动态预报模式包括: 第一模式:利用登陆台风首次进入每个区域的观测点进行24小时和48小时预报； 第二模式:利用登陆台风进入每个区域的所有观测点进行24小时和48小时预报。
8.如权利要求6所述的基于历史数据的登陆台风特征因子的预报系统，其特征在于，所述方程建立模块用于筛选出历史登陆台风符合预定条件的观测点信息和登陆时的信息，运用PRESS准则及其逐步算法，筛选出预报每个特征因子的最佳预报因子集，并运用多元线性回归算法建立所述预报方程。
9.如权利要求8所述的基于历史数据的登陆台风特征因子的预报系统，其特征在于，所述多元线性回归算法为:
Yi = β 0+ β Al+ β 2Xi2 +…+ β ρΧ?ρ+ ε i
(i = I, 2，…，η), 其中Yi是估计值，β ο?β P是回归系数，ε i是随机误差，Xil?Xip是第i个样本的P个预报因子值。
10.如权利要求8所述的基于历史数据的登陆台风特征因子的预报系统，其特征在于，所述观测点信息包括强度等级、纬度、经度、中心最低气压、风速和经纬度迁移速度，所述登陆时的信息包括纬度、经度、中心最低气压和风速。
【文档编号】G06F19/00GK104200081SQ201410419598
【公开日】2014年12月10日 申请日期:2014年8月22日 优先权日:2014年8月22日
【发明者】高文胜, 周瑞旭, 张博文, 符祥干, 陈钦柱, 黄松, 梁亚峰 申请人:清华大学, 海南电网公司