(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 202211353950.3 (22)申请日 2022.11.01 (71)申请人 南京信息 工程大学 地址 210032 江苏省南京市江北新区宁六 路219号 (72)发明人 秦华旺　周翔　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 胡杰 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/12(2006.01)G06N 7/08(2006.01) (54)发明名称 一种基于CISSO与DAED的台风预测方法 (57)摘要 本发明公开了一种基于CISSO与DAED的台风 预测方法， 涉及气象预测技术领域， 首先获得台 风数据集以及同区域同时刻的气象要素数据， 在 气象要素中， 对风速要素进行CEEMD模态分解并 且进行筛选， 可以使风速信号更加平稳， 实现信 号尺度的分解降维， 能够有效降低建模复杂度， 降低原始数据带来的误差； 经预处理的数据通过 基于稠密注意力机制的编码器 ‑解码器模型和 CISSO‑BP模型进行预测， 台风数据的基础上融合 了其他气象要素数据； 在结合CISSO ‑BP模型的基 础上提出DAED模型， 在提升模型深度的同时， 也 能良好的保存 数据的信息， 经过二级数据融合即 得到最终的台风预测值， 可以很好的提高台风预 测的精准 性。 权利要求书5页 说明书12页 附图4页 CN 115471016 A 2022.12.13 CN 115471016 A 1.一种基于 CISSO与DAED的台风预测方法， 其特 征在于： 包括以下步骤 S1、 确定待反演时刻台风中心的地理坐标信息， 获取对应地理坐标的卫星云图数据， 以 及对应地理坐标的气象要 素信息数据， 气象要素信息数据包括风速信息数据和气 压信息数 据； S2、 对气象要素 数据中的风速信息数据进行模态分解， 对分解的分量进行相关性筛 选； S3、 重构风速序列数据， 并将重构后的风速序列数据与气压信息数据进行融合； S4、 建立CIS SO‑BP模型， 将融合后的数据输入到 CISSO‑BP模型中， 进行台风预测； S5、 将卫星云图数据与台风经纬度位置相对应， 使得台风中心位置在卫星云图数据中 心位置， 以此构建矩阵数据； 将矩阵数据输入到基于稠密注 意力机制的编 码器‑解码器模型 中， 进行台风预测； S6、 对步骤S4和步骤S5中的输出结果， 经过Xgboost融合模型后得到当前 时刻最终的预 测结果。 2.根据权利要求1所述的一种基于CISSO与DAED的台风预测方法， 其特征在于： 所述步 骤S1中， 每次预测台风的序列数据与气象要素数据设置为同一时刻进行， 并对气压信息数 据进行归一 化处理， 公式如下， 其中， 归一化使用M ax‑Min归一化， Xi表示数据中的值； Xmin、 Xmax分别表示数据集中的最 小值和最大值； 是归一化后的结果在[0,1]之间的值。 3.根据权利要求1所述的一种基于CISSO与DAED的台风预测方法， 其特征在于： 所述步 骤S2中， 模态分解设置为互补集 合经验模态分解， 包括以下步骤 S2.1、 将k组正负成对的高斯白噪声加入原 始时间序列数据中， 得到2k个数据集 合， 其中, B(t)表示原始 时间序列； N表示辅助噪声； K1和K2表示添加了正负成对的高斯白 噪声的时间序列， 总计2k个信号； S2.2、 对集合中的序列进行经验模态分解， 每个序列得到一 组IMF， 用IMFij表示第i阶的 第j个IMF； S2.3、 对得到 的混合信号进行经验模态分解， 产生2k组IMF分量， 其中第i个信号的第j 个IMF分量表示 为Cij， 其中， Res为原信号 不满足分解条件时， 停止分解后所剩的残余分量； S2.4、 利用皮尔逊积矩相关系数进行筛选， 保留与 台风预测相关系数大于0.3的IMF均 值分量， 并进行融合。 4.根据权利要求3所述的一种基于CISSO与DAED的台风预测方法， 其特征在于： 所述步 骤S2.4中， 剔除掉与台风预测相关系数小于等于0.3的IMF分量输入， 构建优选过后风速分权　利　要　求　书 1/5 页 2 CN 115471016 A 2量序列， 分析相关系数的公式如下， 其中， 、 分别表示时间序列Xi、 Yi的平均值； n表示时间序列样本数量。 5.根据权利要求1所述的一种基于CISSO与DAED的台风预测方法， 其特征在于： 所述步 骤S4中， CIS SO‑BP模型中的混沌免疫蜘蛛群算法包括以下步骤 S4.1、 对蜘蛛个体进行初始化， 初始化的内容包括雌性蜘蛛和雄性蜘蛛的个体数量、 样 本以及蜘蛛个 体权重的初始化， 其中， Nf、 Nm分别表示雌性蜘蛛和雄性蜘蛛的个体数量， N表示样本总数， floor表示实数 到整数的映射； ub、 lb 分别表示分量取值的上下限， rand表示区间[0,1]的随机数； J(si)表 示蜘蛛个体si的适应度； wi表示蜘蛛个体的权重； worsts表示最劣适应度值； bests表示最优 的适应度值； S4.2、 雌性蜘蛛和雄 性蜘蛛个 体间的相互作用， 其中， Vibci表示个体i与个体c之间的信息交流； Vibbi表示个体i与个体b之间的信息交 流； Vibfi表示个体i与个体f之间的信息交流； 个体f是距离个体i最近的雌性个体； wmax和 wmin分别表示全部权重因子中的最大值和最小值， t表 示当前迭代次数， tmax表示最大迭代次 数； S4.3、 雌性蜘蛛和雄 性蜘蛛对外界的振动作出反应； S4.4、 雌性蜘蛛会与雄 性蜘蛛在交配范围内发生繁殖 行为， 交配半径根据公式R计算， 其中， 、 分别表示第j维雌性蜘蛛的变量上 下限； 雌性蜘蛛在半径范围R中与雄性蜘蛛发生交配的过程中， 以每个个体重量定义交配概 率， 蜘蛛个体越重， 获得繁育后代概率越大， 用轮盘赌机制来产生新蛛体的位置， 概率为父 代蜘蛛的权 重占总权 重的比例；权　利　要　求　书 2/5 页 3 CN 115471016 A 3