王旭洋

（西安鐵一中濱河中學(xué) 陜西西安 710000）

引言

臺(tái)風(fēng)是一種自然現(xiàn)象，有調(diào)節(jié)地球熱量分布、維持熱平衡等作用。臺(tái)風(fēng)同時(shí)也是一種破壞力很強(qiáng)的災(zāi)害性天氣系統(tǒng)，平均每年導(dǎo)致二、三百萬人死亡，直接經(jīng)濟(jì)損失達(dá)數(shù)十億美元。我國(guó)因海岸線長(zhǎng)，海域廣，島嶼多成為了受臺(tái)風(fēng)災(zāi)害影響最為深重的國(guó)家之一。因此，提高對(duì)臺(tái)風(fēng)路徑預(yù)測(cè)的準(zhǔn)確性，對(duì)我國(guó)而言尤為重要。臺(tái)風(fēng)數(shù)據(jù)的準(zhǔn)確積累是臺(tái)風(fēng)路徑預(yù)測(cè)的基礎(chǔ)。無論是傳統(tǒng)模型還是神經(jīng)網(wǎng)絡(luò)，都需要?dú)v史數(shù)據(jù)作為建立模型的基礎(chǔ)，在預(yù)測(cè)路徑時(shí)還需要臺(tái)風(fēng)的實(shí)時(shí)數(shù)據(jù)。因此，無論是臺(tái)風(fēng)的歷史數(shù)據(jù)還是實(shí)時(shí)數(shù)據(jù)，對(duì)臺(tái)風(fēng)預(yù)測(cè)精度而言都尤為重要。數(shù)據(jù)的準(zhǔn)確性在一定程度上也影響著預(yù)測(cè)誤差，這是預(yù)測(cè)模型不能解決的。值得一提的是2019年1月，臺(tái)風(fēng)監(jiān)測(cè)預(yù)報(bào)系統(tǒng)關(guān)鍵技術(shù)[1]獲國(guó)家科學(xué)技術(shù)進(jìn)步獎(jiǎng)。該項(xiàng)目的創(chuàng)新點(diǎn)有建設(shè)我國(guó)首個(gè)登陸臺(tái)風(fēng)的海-陸-氣一體化協(xié)同觀測(cè)系統(tǒng)；建立了亞太地區(qū)最完整的臺(tái)風(fēng)多源資料數(shù)據(jù)庫(kù)，與國(guó)際組織交換資料；建立了臺(tái)風(fēng)數(shù)值預(yù)報(bào)系統(tǒng)；開展臺(tái)風(fēng)客觀預(yù)報(bào)釋用和融合技術(shù)的研發(fā)，臺(tái)風(fēng)半徑分析及預(yù)報(bào)、臺(tái)風(fēng)風(fēng)場(chǎng)釋用技術(shù)等；構(gòu)建了臺(tái)風(fēng)監(jiān)測(cè)、預(yù)報(bào)預(yù)警綜合平臺(tái)；這些創(chuàng)新填補(bǔ)了我國(guó)臺(tái)風(fēng)預(yù)警的很多空白，讓我國(guó)臺(tái)風(fēng)監(jiān)測(cè)預(yù)報(bào)技術(shù)走在世界的前列。前人已研究出很多種臺(tái)風(fēng)路徑預(yù)測(cè)方案，本文將介紹的MOS預(yù)報(bào)方案、SD-85方案、CLIPER方案都是基于大量實(shí)驗(yàn)檢測(cè)得出的很好的預(yù)測(cè)模型。神經(jīng)網(wǎng)絡(luò)因其非線性，自適應(yīng)性等優(yōu)點(diǎn)也用于預(yù)測(cè)臺(tái)風(fēng)路徑問題上。李祚泳等[2]是我國(guó)最早將神經(jīng)網(wǎng)絡(luò)應(yīng)用于臺(tái)風(fēng)路徑預(yù)報(bào)，實(shí)驗(yàn)檢驗(yàn)了人工神經(jīng)網(wǎng)絡(luò)客觀性可行性和實(shí)用性。周曾奎等[3]指出神經(jīng)網(wǎng)絡(luò)對(duì)臺(tái)風(fēng)移向的預(yù)測(cè)概括率達(dá)97%，為神經(jīng)網(wǎng)絡(luò)運(yùn)用于臺(tái)風(fēng)路徑預(yù)測(cè)提供實(shí)驗(yàn)基礎(chǔ)。本文將介紹幾種神經(jīng)網(wǎng)絡(luò)模型包括深度網(wǎng)絡(luò)、LSTM神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、生成式對(duì)抗網(wǎng)絡(luò)（GAN）在預(yù)測(cè)臺(tái)風(fēng)路徑上的應(yīng)用，并展望未來神經(jīng)網(wǎng)絡(luò)的發(fā)展。需要注意的是卷積神經(jīng)網(wǎng)絡(luò)不能直接運(yùn)用于臺(tái)風(fēng)路徑預(yù)測(cè)，但卷積的特征提取方法可供其他神經(jīng)網(wǎng)絡(luò)借鑒。

一、傳統(tǒng)臺(tái)風(fēng)預(yù)測(cè)方法

傳統(tǒng)的臺(tái)風(fēng)路徑預(yù)測(cè)方法，都旨在利用線性回歸方程模擬出臺(tái)風(fēng)路徑與相關(guān)因子之間的關(guān)系。大量的歷史數(shù)據(jù)訓(xùn)練以及一定的物理原理，讓這些模型能很好地預(yù)測(cè)出絕大部分的臺(tái)風(fēng)路徑，尤其是正常的臺(tái)風(fēng)路徑。但對(duì)于一些特殊的路徑，如拐點(diǎn)，很難準(zhǔn)確地預(yù)測(cè)，這是預(yù)測(cè)系統(tǒng)固有的弊端，無法改變。

（一）模式輸出統(tǒng)計(jì)（MOS方案）

模式輸出統(tǒng)計(jì)（MOS方案）結(jié)合釋用預(yù)報(bào)方法[4]，提高了用以模擬路徑方程的歷史數(shù)據(jù)的準(zhǔn)確性。在研究路徑變化時(shí)，以最大濕靜力能中心的移動(dòng)路徑。多種因子的選取可以預(yù)測(cè)臺(tái)風(fēng)未來多種物理量，其中與中心位置移動(dòng)相關(guān)性最高的有以下三個(gè)因子。將臺(tái)風(fēng)前24h的移速最為未來移速，并以當(dāng)天上午8時(shí)500hPa的最大濕靜力能中心為起點(diǎn)，計(jì)算未來24h所在經(jīng)緯度記為X1。將FASA降水量預(yù)報(bào)圖上的臺(tái)風(fēng)中心預(yù)報(bào)值所在的經(jīng)緯度記為X2。將FUFE503數(shù)值預(yù)報(bào)圖上的離臺(tái)風(fēng)中心最近的最大正渦度中心所在的經(jīng)緯度記為X3。

即MOS 預(yù)報(bào)的臺(tái)風(fēng)路徑方程為：

經(jīng)度方程：Y=-1+0.2X1+0.4X2+0.4X3

緯度方程：Y=-0.1+0.3X1+0.5X2+0.2X3

該方案特別適用于10～30 °N，100～125 °E范圍內(nèi)。

（二）SD-85方案

SD-85預(yù)報(bào)方案是薛宗元等基于SD-75（臺(tái)風(fēng)路徑統(tǒng)計(jì)動(dòng)力預(yù)報(bào)方案）調(diào)整改進(jìn)統(tǒng)計(jì)參數(shù)后的方案[5，6]。該方案將臺(tái)風(fēng)簡(jiǎn)化為一個(gè)點(diǎn)渦運(yùn)動(dòng)，并假設(shè)預(yù)報(bào)擬合誤差是服從正態(tài)分布的。運(yùn)動(dòng)方程中的受力情況可視為時(shí)間t的二次多項(xiàng)式。這樣就可以寫出基本運(yùn)動(dòng)方程組：

SD-85方案將新增的11年樣本輸入到統(tǒng)計(jì)參數(shù)B1、B2…B6的回歸方程中，提高了方案的準(zhǔn)確性。但統(tǒng)計(jì)動(dòng)力預(yù)報(bào)方案不能預(yù)報(bào)出路徑較復(fù)雜的臺(tái)風(fēng)。

（三）CLIPER方案

氣候與持續(xù)預(yù)報(bào)方法即CLIPER（CLImatology and PERsistanee）方案[7]，旨在結(jié)合臺(tái)風(fēng)運(yùn)動(dòng)的氣候規(guī)律與初始時(shí)刻持續(xù)性特征，建立回歸方程，以此來預(yù)報(bào)臺(tái)風(fēng)路徑。預(yù)報(bào)形式為

其中C0是回歸常數(shù)，Ci是回歸系數(shù)，Pi是預(yù)報(bào)因子，D指特定時(shí)段的位移預(yù)報(bào)在徑向和緯向的分量。預(yù)報(bào)因子一般以氣候?qū)W、持續(xù)性因子及其非線性組合因子組成。所有預(yù)報(bào)因子有164個(gè)，每組預(yù)報(bào)方程選用32個(gè)不同的預(yù)報(bào)因子。

胡基福等[8]利用CLIPER方案建模，提出建立分類樣本數(shù)據(jù)更能提高預(yù)測(cè)的精度。并在后續(xù)實(shí)驗(yàn)中成功檢驗(yàn)，同時(shí)發(fā)現(xiàn)徑向位移往往對(duì)緯向位移有較強(qiáng)的影響。

二、基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)臺(tái)風(fēng)路徑

神經(jīng)網(wǎng)絡(luò)因其非線性，非局域性，非常定性，非凸性等優(yōu)點(diǎn)，是很好的預(yù)測(cè)實(shí)際問題的模型。在預(yù)測(cè)臺(tái)風(fēng)路徑時(shí)，我們可以用以往大量的歷史數(shù)據(jù)來對(duì)神經(jīng)預(yù)測(cè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而讓其找到輸入數(shù)據(jù)（臺(tái)風(fēng)實(shí)況）和輸出數(shù)據(jù)（預(yù)測(cè)路徑）之間的映射關(guān)系。同時(shí)，神經(jīng)網(wǎng)絡(luò)自身的魯棒性，可以克服奇異臺(tái)風(fēng)數(shù)據(jù)對(duì)模型參數(shù)的干擾。在假定所有數(shù)據(jù)為真的條件下，找出最優(yōu)參數(shù)，讓映射關(guān)系更加貼近現(xiàn)實(shí)。神經(jīng)網(wǎng)絡(luò)可通過增加隱層降低誤差，但增加隱層數(shù)，會(huì)導(dǎo)致網(wǎng)絡(luò)陷入局部最優(yōu)而非整體最優(yōu)的過擬合狀態(tài)。不過Hornikl等已證明，若輸入層與輸出層均用線性轉(zhuǎn)換函數(shù)，隱層采用Sigmoid函數(shù)，那么三層的網(wǎng)絡(luò)能夠以任意精度逼近任何有理函數(shù)。此外，還有模型自身就能避免過擬合現(xiàn)象的發(fā)生。下面介紹三種監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)：即循環(huán)網(wǎng)絡(luò)——LSTM網(wǎng)絡(luò)、卷積網(wǎng)絡(luò)——CNN網(wǎng)絡(luò)、深度網(wǎng)絡(luò)——BPNN網(wǎng)絡(luò)，以及一種無監(jiān)督學(xué)習(xí)的深度生成模型——GAN網(wǎng)絡(luò)。

（一）BPNN模型

BP算法即逆向傳播算法，它的本質(zhì)就是計(jì)算所有路徑變化因子之和。根據(jù)前饋神經(jīng)網(wǎng)絡(luò)誤差計(jì)算方法簡(jiǎn)化而來的，其由輸入層，輸出層和隱含層構(gòu)成。以一個(gè)三層并行分布式的神經(jīng)網(wǎng)絡(luò)為例：

X為輸入層，Y為隱含層，Z為輸出層矢量，W為連接權(quán)，θ為閾值，f(x)為激活函數(shù)。神經(jīng)網(wǎng)絡(luò)誤差后傳算法為BPNN模型。張烈平等[9]早在2004年就基于BP神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)建模系統(tǒng)。理論上來講，BPNN模型能高精度地逼近任意復(fù)雜的天氣系統(tǒng)，臺(tái)風(fēng)也不例外。BP算法的核心是損失函數(shù)C的偏導(dǎo)數(shù)?C/?w的計(jì)算公式，以此計(jì)算出權(quán)重和偏移改變時(shí)損失函數(shù)改變的快慢。這種算法大大地優(yōu)化了用鏈?zhǔn)椒▌t進(jìn)行梯度下降的過程，如果我們直接運(yùn)用鏈?zhǔn)椒▌t去更新網(wǎng)絡(luò)的權(quán)重和偏移值，其計(jì)算中不僅需要近似運(yùn)算，結(jié)果形式還十分復(fù)雜。BP算法通過一次向前傳播和一次逆向傳播，便巧妙地計(jì)算出了所有的梯度。BP算法讓糾錯(cuò)的運(yùn)算量下降到只和神經(jīng)元數(shù)目本身呈正比，這使得此模型可以更快速的得出最優(yōu)參數(shù)，也為我們直接建立BPNN模型去預(yù)測(cè)復(fù)雜的臺(tái)風(fēng)路徑提供理論基礎(chǔ)。一般三層的網(wǎng)絡(luò)足以解決臺(tái)風(fēng)路徑預(yù)測(cè)問題，我們要篩選出恰當(dāng)?shù)碾[層節(jié)點(diǎn)個(gè)數(shù)。

呂慶平等[10]取5個(gè)隱層節(jié)點(diǎn)的BPNN模型，實(shí)驗(yàn)表明48h預(yù)報(bào)水平比CLIPER模式高了7%，并在單個(gè)臺(tái)風(fēng)檢驗(yàn)中準(zhǔn)確的預(yù)測(cè)到了HALONG在36h處的轉(zhuǎn)折點(diǎn)。邵利民等[11]取輸入節(jié)點(diǎn)數(shù)的75%作為隱層節(jié)點(diǎn)數(shù)。并利用CLIPER篩選因子改進(jìn)BP算法，選取了81個(gè)因子和1917個(gè)臺(tái)風(fēng)個(gè)例，實(shí)驗(yàn)得出BP網(wǎng)絡(luò)的24h、48h和72h的平均誤差分別比CLIPER模式分別低40.8km、8.1km、16.9km。

（二）LSTM神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）相較于前饋神經(jīng)網(wǎng)絡(luò)（FNNs）好處有兩點(diǎn)：一是每個(gè)樣本都是一段輸入序列和輸出序列。二是可以在一個(gè)一個(gè)的處理輸入序列的每一個(gè)元素的同時(shí)，保留序列的相關(guān)信息。長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）是一種特殊的RNN。LSTM網(wǎng)絡(luò)的特點(diǎn)是將RNN網(wǎng)絡(luò)中隱藏層的正常的神經(jīng)元用長(zhǎng)短期記憶細(xì)胞代替，從而讓網(wǎng)絡(luò)學(xué)習(xí)長(zhǎng)期依賴關(guān)系。并引入門(gate)結(jié)構(gòu)和一個(gè)明確定義的記憶單元，解決梯度散失或爆炸的情況。門分為輸入門，忘記門，候選門和輸出門，sigmoid 函數(shù)和逐點(diǎn)乘法運(yùn)算是門的結(jié)構(gòu)，對(duì)信息的篩選。

遺忘門可控制上一單元狀態(tài)被遺忘的程度，輸入門決定t時(shí)刻的輸入有多少保存到單元狀態(tài)，候選門控制“記憶”與“刺激”融合的權(quán)重，最后輸出門控制有多少“記憶”被過更新掉，即控制單元狀態(tài)被過濾的程度?；陂T的結(jié)構(gòu)，可通過禁止或允許信息的流動(dòng)來保護(hù)信息，因此LSTM網(wǎng)絡(luò)的可以存儲(chǔ)或忘記任意時(shí)間長(zhǎng)度的信息。在解決臺(tái)風(fēng)路徑預(yù)測(cè)問題時(shí)，傳統(tǒng)的網(wǎng)絡(luò)通過對(duì)基本預(yù)報(bào)因子進(jìn)行非線性組合，來模擬數(shù)據(jù)間的關(guān)聯(lián)。而LSTM網(wǎng)絡(luò)的門結(jié)構(gòu)使其可以在模擬數(shù)據(jù)間的依賴關(guān)系的同時(shí)減少運(yùn)算量。LSTM預(yù)測(cè)模型結(jié)構(gòu)主要包括：輸入序列X=｛x1，x2，x3，…，xn｝、時(shí)序步長(zhǎng)t及相應(yīng)輸入xi、控制信息傳遞的遺忘門ft、輸入門it及輸出門ot。LSTM網(wǎng)絡(luò)的輸入

在最后一步模型輸出時(shí)，首先要通過sigmoid函數(shù)得到初始輸出，然后使用tanh函數(shù)將Ct值縮放到-1到1間，再與sigmoid得到的輸出進(jìn)行逐對(duì)相乘運(yùn)算，最終的結(jié)果才是模型輸出。加入tanh作為激活函數(shù)的原因是它能夠在保持非線性關(guān)系時(shí)，有較好的容錯(cuò)性。

GAO Song等[12]利用1949年到2012年的臺(tái)風(fēng)觀測(cè)數(shù)據(jù)，對(duì)LSTM網(wǎng)絡(luò)進(jìn)行了可行性檢驗(yàn)和大數(shù)據(jù)有效性檢驗(yàn)?？尚行詸z驗(yàn)結(jié)果表明在24小時(shí)內(nèi)LSTM網(wǎng)絡(luò)與傳統(tǒng)主觀預(yù)測(cè)準(zhǔn)確性相近，而48小時(shí)、72小時(shí)LSTM網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確性會(huì)大大降低。因此只有在24小時(shí)內(nèi)，利用LSTM網(wǎng)絡(luò)進(jìn)行預(yù)報(bào)才有意義。大數(shù)據(jù)有效性檢驗(yàn)結(jié)果表明LSTM的預(yù)報(bào)誤差可通過大量的歷史數(shù)據(jù)的訓(xùn)練不斷降低，這意味著改進(jìn)網(wǎng)絡(luò)，利用更多數(shù)據(jù)繼續(xù)可以提升網(wǎng)絡(luò)精度。在此研究中僅利用了臺(tái)風(fēng)的路徑觀測(cè)數(shù)據(jù)，并未運(yùn)用其他預(yù)報(bào)因子，體現(xiàn)了LSTM網(wǎng)絡(luò)運(yùn)算上的科學(xué)性和簡(jiǎn)便性。

（三）卷積神經(jīng)網(wǎng)絡(luò)（CNN）

卷積網(wǎng)絡(luò)是Fukushima等[13]受感受野的啟發(fā)，提出的一種神經(jīng)認(rèn)知機(jī)。CNN通過卷積模擬特征區(qū)分過程，這樣既減少出現(xiàn)局部最優(yōu)導(dǎo)致的過擬合出現(xiàn)，又解決了參數(shù)膨脹問題。CNN可以模擬人類視覺分類，促進(jìn)對(duì)特征的重復(fù)利用。卷積神經(jīng)網(wǎng)絡(luò)一般由五部分組成，分別是輸入層、卷積層、下采樣層（也稱池化層）、全連接層和輸出層。處理過程大致是，輸入層輸入信號(hào)，經(jīng)由多個(gè)卷積層和池化層對(duì)圖像進(jìn)行分類和特征提取，再經(jīng)由網(wǎng)絡(luò)尾端的全連接層進(jìn)行回歸分類等處理，將二維圖像特征轉(zhuǎn)化為一維特征輸出，最后由輸出層進(jìn)行分類輸出。在網(wǎng)絡(luò)建立時(shí)，往往還需用到BP算法來簡(jiǎn)化誤差糾正過程。

卷積層的構(gòu)建需要三個(gè)函數(shù)：ZeroPadding函數(shù)、卷積函數(shù)、激活函數(shù)，并可進(jìn)行多次循環(huán)。在一些研究中，有人將激活函數(shù)也當(dāng)成一層，這樣就進(jìn)行的是卷積層與激活層的循環(huán)。池化層所用到的方法與卷積層類似，但目的不同。它對(duì)圖像進(jìn)行采樣處理，在減少數(shù)據(jù)量的同時(shí)保留有用信息。池化層是通過降低分辨率來獲得空間不變性的特征。故在構(gòu)建網(wǎng)絡(luò)時(shí)，我們也可以將一個(gè)卷積層與一個(gè)池化層組成一個(gè)卷積組，進(jìn)而通過激活函數(shù)逐層提取數(shù)據(jù)的非線性特征。全連接層在網(wǎng)絡(luò)尾部，將分布式特征降維整合到標(biāo)記樣本空間。一般用ReLU激活函數(shù)它的優(yōu)點(diǎn)有單側(cè)抑制、寬闊的興奮邊界、稀疏的激活性。王雙印等[14]改進(jìn)了此函數(shù)，不過還沒有被廣泛應(yīng)用。全連接層的構(gòu)造與普通神經(jīng)元一樣，可寫為其中w為權(quán)重系數(shù)，b為偏置項(xiàng)，且兩層中各神經(jīng)元均有權(quán)重連接。輸出層利用softmax函數(shù)[15]作為分類器的分類依據(jù)。

盧宏濤等[17]詳細(xì)地介紹了CNN網(wǎng)絡(luò)圖像處理的優(yōu)點(diǎn)，并綜述了幾種在計(jì)算機(jī)視覺中的運(yùn)用。CNN本身不能直接運(yùn)用于臺(tái)風(fēng)路徑問題的預(yù)測(cè)上，但可以用于對(duì)歷史臺(tái)風(fēng)進(jìn)行分類。Jay Samuel Combinido等[18]利用CNN預(yù)測(cè)臺(tái)風(fēng)強(qiáng)度。今年（2019年）盧鵬等[19]克服了紅外衛(wèi)星臺(tái)風(fēng)云圖的結(jié)構(gòu)復(fù)雜、信息分布不均對(duì)分類的干擾。文中建立了一種基于多尺度卷積融合的圖像分類模型 MS-Ty CNN。利用空間金字塔池化層[20]（SPP）對(duì)卷積特征進(jìn)行多尺度降維，從而加強(qiáng)了模型多尺度變化感知能力和尺度不變性。實(shí)驗(yàn)結(jié)果表明MS-Ty CNN模型具有較好的泛化性，并在處理復(fù)雜的臺(tái)風(fēng)數(shù)據(jù)圖像中表現(xiàn)出優(yōu)越的分類性能。卷積的算法為其他預(yù)測(cè)網(wǎng)絡(luò)模型解決過擬合問題，提供了一種新的思路。

（四）生成式對(duì)抗網(wǎng)絡(luò)（GAN）

生成式對(duì)抗網(wǎng)絡(luò)（GAN）是Ian Goodfellow于2014年提出的一種模型[21]，其新穎的地方在于將博弈論引入機(jī)器學(xué)習(xí)中。利用兩個(gè)網(wǎng)絡(luò)相互博弈，進(jìn)行深度學(xué)習(xí)。GAN網(wǎng)絡(luò)是一種無監(jiān)督學(xué)習(xí)中深度生成網(wǎng)絡(luò)的一種。GAN突破了之前限制深度學(xué)習(xí)發(fā)展的瓶頸[22，23]。GAN網(wǎng)絡(luò)由生成網(wǎng)絡(luò)G和判別網(wǎng)絡(luò)D構(gòu)成。生成模型G通過不斷學(xué)習(xí)訓(xùn)練集中真實(shí)數(shù)據(jù)的概率分布，進(jìn)而將輸入的隨機(jī)噪聲轉(zhuǎn)化為可以以假亂真的圖片；判別模型D通過樣本圖像的特征，區(qū)分出G產(chǎn)生的假圖片。正是由于GAN網(wǎng)絡(luò)的這種博弈機(jī)制，G得以在數(shù)據(jù)集較少的情況下，仍能逼近真實(shí)模型。GAN最后的輸出用Lipschitz約束替代Sigmoid作為激活函數(shù)進(jìn)行判斷，因?yàn)長(zhǎng)ipschitz約束比Sigmoid函數(shù)更具有穩(wěn)定性。生成網(wǎng)絡(luò)G與判別式網(wǎng)絡(luò)D通過博弈對(duì)抗，讓GAN網(wǎng)絡(luò)模型更準(zhǔn)確，誤差更小更貼近現(xiàn)實(shí)。即在博弈中優(yōu)化真實(shí)樣本分布和生成樣本分布之間的差異，得出最優(yōu)模型。

GAN的優(yōu)點(diǎn)有很多，GAN的訓(xùn)練方式更接近人類的學(xué)習(xí)機(jī)理，因而能學(xué)習(xí)真實(shí)樣本的結(jié)構(gòu)，并可以克服少樣本的學(xué)習(xí)困難。經(jīng)訓(xùn)練后的高魯棒性，精準(zhǔn)的預(yù)測(cè)能力。且能克服先驗(yàn)概率固有弊端，并自學(xué)損失函數(shù)等等，都是優(yōu)于其他明顯網(wǎng)絡(luò)的方面。而GAN致命的弱點(diǎn)就是敏感性過高，網(wǎng)絡(luò)難以收斂。為此，程顯毅等[24]綜述了七種GAN的變形。例如，Mirza M等[25]引入了條件變量y，將GAN改為CGAN，變成了監(jiān)督學(xué)習(xí)模型。Radford A等[26]提出了DCGANs模型，即GAN結(jié)合CNN。模型使用了幾層反卷積層，設(shè)定滑動(dòng)步長(zhǎng)為2或更大，即改進(jìn)了池化層不可逆的缺點(diǎn)，又限制了模型尺寸的增大。此外在計(jì)算真實(shí)樣本分布和生成樣本分布的距離時(shí)，用Wasserstein距離代替Jensen-Shannon距離，提高了模型訓(xùn)練時(shí)的魯棒性[27]。

Donghyun You等[28]運(yùn)用GAN預(yù)測(cè)臺(tái)風(fēng)中心坐標(biāo)，實(shí)驗(yàn)結(jié)果證明GAN網(wǎng)絡(luò)利用了很多傳統(tǒng)預(yù)測(cè)模型難以利用的數(shù)據(jù)，進(jìn)而避免了部分傳統(tǒng)模型難以避免的誤差。Hui Li等[29]基于實(shí)驗(yàn)數(shù)據(jù)，證明了GAN的有效性。GAN能有效地預(yù)測(cè)了臺(tái)風(fēng)云的整個(gè)時(shí)空演化，并為經(jīng)典臺(tái)風(fēng)預(yù)報(bào)方法提供了視覺上的補(bǔ)充。

三、總結(jié)與展望

臺(tái)風(fēng)路徑預(yù)測(cè)的核心在于如何利用好歷史數(shù)據(jù)，減少預(yù)測(cè)誤差。影響臺(tái)風(fēng)的因素較多，且大氣自身為非封閉的系統(tǒng)，其運(yùn)動(dòng)狀態(tài)十分復(fù)雜。預(yù)測(cè)路徑模型建立時(shí)，往往會(huì)遇到很多非線性對(duì)應(yīng)關(guān)系，如何解決非線性問題是模型的核心。傳統(tǒng)的預(yù)測(cè)模型通過公式算法，直接引入非線性關(guān)系；神經(jīng)網(wǎng)絡(luò)通過激活函數(shù)的選取及網(wǎng)絡(luò)結(jié)構(gòu)來解決。神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)網(wǎng)絡(luò)相比，更能利用大數(shù)據(jù)創(chuàng)造的條件；傳統(tǒng)模型或能告訴我們非線性物理的一些原理。實(shí)驗(yàn)表明，神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)網(wǎng)絡(luò)精確度上仍各有千秋。因此，我們不能依賴一種網(wǎng)絡(luò)，而是要綜合考慮，利用最優(yōu)決策法[30]或其他綜合決策類型的方法，可進(jìn)一步降低預(yù)報(bào)誤差。此外，臺(tái)風(fēng)數(shù)據(jù)精度的提高，預(yù)測(cè)模型的不斷優(yōu)化，也可提高預(yù)測(cè)精度。神經(jīng)網(wǎng)絡(luò)自身也有很大的提高空間，我們可以結(jié)合多個(gè)網(wǎng)絡(luò)的優(yōu)點(diǎn)。例如，用CNN學(xué)習(xí)來自高維原始數(shù)據(jù)的序列表示，再將CNN特征作為RNN架構(gòu)的輸入；將RNN改為可以學(xué)習(xí)長(zhǎng)期依賴的LSTM，從而找解決梯度散失問題或爆炸的情況；將兩個(gè)LSTM層堆疊在一起又可以構(gòu)建一個(gè)深度RNN等等。相信隨著研究的深入，我們對(duì)臺(tái)風(fēng)的預(yù)測(cè)會(huì)更加精準(zhǔn)。