面向台风快速增强预测的时延感知强化校准方法及系统与流程

摘要: 本技术涉及数据处理,尤其涉及一种面向台风快速增强预测的时延感知强化校准方法及系统。背景技术:1、热带气旋快速增强是指台风强度即台风中心台风强度在短时间内显著升高...
面向台风快速增强预测的时延感知强化校准方法及系统与流程

本技术涉及数据处理,尤其涉及一种面向台风快速增强预测的时延感知强化校准方法及系统。

背景技术:

1、热带气旋快速增强是指台风强度即台风中心台风强度在短时间内显著升高的现象,具有发生比例低、演变快和决策代价高的特点,是台风强度预报中的重点和难点。

2、现有方法通常构建历史台风数据集,将每个预测时刻作为相对独立的训练样本,通过卫星红外云图、强度和环境场等输入特征直接预测未来时段快速增强发生的概率。此类方法在部署时模型参数固定,当新的待测台风生成后,由于待测台风的特征分布与训练集中历史台风存在偏差,基础模型对当前待测台风的系统性偏差不能及时重新送入当前推理过程。

3、然而,台风快速增强概率预测中真实标签存在固定验证时延,当前预测时刻的真实标签尚未产生,经过该时延后历史标签才可获得,形成“当前标签不可见、历史标签已可见”的时延不匹配。

4、常规全局校准方法对所有样本使用固定映射,不能针对同一台风的历史误差给出不同修正;在线保形方法主要调节覆盖率或区间,不能直接围绕固定决策阈值输出逐时刻概率;测试时自适应方法通常需要修改基础模型参数,增加了业务回滚和稳定性风险。

技术实现思路

1、本技术的主要目的在于提供一种面向台风快速增强预测的时延感知强化校准方法及系统,以解决现有技术中台风快速增强概率预测中真实标签存在固定验证时延,当前预测时刻的真实标签尚未产生,经过该时延后历史标签才可获得,形成“当前标签不可见、历史标签已可见”的时延不匹配问题。

2、为了实现上述目的,本技术提供了如下技术方案:

3、一种面向台风快速增强预测的时延感知强化校准方法,所述时延感知强化校准方法包括:

4、步骤s1,按台风编号建立时间有序序列,将每个预测时刻及其前三个时刻的红外云图与台风强度组成输入序列,输入参数冻结的台风快速增强基础预测模型,得到基础快速增强概率;

5、步骤s2,根据验证时延确定当前时刻可获得真实标签的最近历史时刻,从预测记录中读取该历史时刻的所述基础快速增强概率并与真实标签配对,计算有符号残差,按历史时刻升序写入残差队列并仅保留最近k项,得到残差窗口;

6、步骤s3,将所述残差窗口与当前所述基础快速增强概率拼接为状态向量,输入actor-critic网络,经beta分布采样得到连续修正量,将所述连续修正量与当前所述基础快速增强概率相加并裁剪至预设概率区间,得到校准概率;

7、步骤s4,以所述基础快速增强概率和所述校准概率分别执行阈值判定,将判定结果与真实标签比较得到混淆矩阵计数,由所述混淆矩阵计数计算heidke技能评分,并分别计算基础brier分数与校准brier分数,得到性能指标;

8、步骤s5,将每个完整台风序列作为一个强化学习回合,序列内非终止时刻奖励置零,在序列终端根据所述性能指标计算终端奖励,从序列末端向前递推广义优势估计,以ppo裁剪代理目标更新策略参数,得到更新后策略参数;

9、步骤s6,接收当前台风观测数据并由所述台风快速增强基础预测模型输出当前基础快速增强概率,根据所述更新后策略参数对当前基础快速增强概率执行连续修正并裁剪,得到当前校准概率,并与预设概率阈值的比较结果输出快速增强判定结果。

10、步骤s1至步骤s6有益效果:

11、本方法针对台风快速增强概率预测中真实标签存在固定验证时延、基础模型无法利用当前待测台风已到达的历史反馈的问题,在不改变基础预测模型参数的条件下,利用已到达历史标签构造有符号残差窗口,通过actor-critic网络对当前基础概率实施连续修正,并以台风序列级决策性能与概率可靠性共同驱动策略学习,从而降低快速增强事件漏报与虚警,提升概率校准质量。

12、其中,步骤s1通过冻结基础预测模型输出基础快速增强概率,为后续校准提供稳定基准;步骤s2通过验证时延确定最近可验证历史时刻并计算有符号残差,将已到达历史标签转化为可利用的反馈信息;步骤s3通过beta分布采样得到连续修正量并对基础快速增强概率进行裁剪修正,实现方向与幅度可调的逐时刻校准;步骤s4通过混淆矩阵计数计算heidke技能评分与brier分数,量化校准前后决策性能与概率可靠性;步骤s5以台风序列级终端奖励驱动ppo策略更新,使校准策略围绕完整序列的决策技能与概率可靠性共同优化;步骤s6利用更新后策略参数对当前基础快速增强概率执行确定性修正并输出判定结果,实现相同基础概率依据不同台风历史误差轨迹的差异化修正。

13、作为本技术的进一步改进,步骤s1,按台风编号建立时间有序序列,将每个预测时刻及其前三个时刻的红外云图与台风强度组成输入序列,输入参数冻结的台风快速增强基础预测模型,得到基础快速增强概率,包括:

14、步骤s1.1,按唯一台风编号将每个台风的生命周期内所有预测时刻按时间先后排列,将相邻时刻间隔统一为预设时间间隔,得到时间有序序列;

15、步骤s1.2,对所述时间有序序列中的每个预测时刻,取该时刻及其前三个时刻的红外云图与台风强度,得到4帧红外云图与4个强度值组成的输入序列;

16、步骤s1.3,对所述4帧红外云图执行与基础预测模型训练阶段一致的尺寸调整与数值归一化,对所述4个强度值执行归一化,得到预处理后输入序列;

17、步骤s1.4,将所述预处理后输入序列中的4帧红外云图逐帧输入卷积神经网络提取图像特征,将4个强度值经嵌入层转换为强度特征,将同一时刻的所述图像特征与所述强度特征拼接,得到拼接特征序列;

18、步骤s1.5,将所述拼接特征序列按时间先后顺序输入长短期记忆网络,取末端隐藏状态,经线性概率头映射后通过sigmoid函数处理,得到基础快速增强概率。

19、步骤s1.1至步骤s1.5有益效果:

20、本系列步骤针对台风预测中时间序列不统一、跨台风数据混用的问题,按唯一台风编号建立时间有序序列并将相邻时刻间隔统一为预设时间间隔,为后续输入构建提供干净的时间基准。

21、其中,步骤s1.1通过唯一台风编号与时间间隔统一确保序列内时序连续;步骤s1.2通过取当前及前三个时刻的观测数据形成滑动窗口输入;步骤s1.3通过与训练阶段一致的预处理消除输入分布差异;步骤s1.4通过卷积神经网络与嵌入层分别提取图像特征与强度特征并拼接为多模态输入;步骤s1.5通过长短期记忆网络与sigmoid函数将时序特征映射为基础快速增强概率。

22、作为本技术的进一步改进,步骤s2,根据验证时延确定当前时刻可获得真实标签的最近历史时刻,从预测记录中读取该历史时刻的所述基础快速增强概率并与真实标签配对,计算有符号残差,按历史时刻升序写入残差队列并仅保留最近k项,得到残差窗口,包括:

23、步骤s2.1,根据快速增强标签的目标预测时段长度与预设时间间隔确定验证时延,以当前预测时刻减去所述验证时延得到最近可验证历史时刻;

24、步骤s2.2,从按台风编号保存的预测记录中读取不晚于所述最近可验证历史时刻的历史基础快速增强概率,并获取对应时刻的真实标签;

25、步骤s2.3,将所述历史基础快速增强概率与所述真实标签配对,以真实标签减去基础快速增强概率计算有符号残差,有符号残差为正表示基础预测模型低估,为负表示基础预测模型高估;

26、步骤s2.4,将所述有符号残差按历史时刻升序写入该台风的残差队列,若同一推理时刻有多个历史标签到达则按历史时刻升序依次写入;

27、步骤s2.5,写入后仅保留所述残差队列中最近k项,删除更早的残差,得到残差窗口。

28、步骤s2.1至步骤s2.5有益效果:

29、本系列步骤针对台风快速增强预测中真实标签存在固定验证时延、历史误差反馈无法被当前推理利用的问题,通过验证时延确定最近可验证历史时刻,将已到达的历史标签与历史预测概率配对计算有符号残差,并按时间顺序维护固定长度的残差窗口,为后续校准策略提供反映当前台风系统性偏差的时序输入。

30、其中,步骤s2.1通过验证时延将当前时刻映射到标签已可获得的历史时刻;步骤s2.2通过从预测记录中读取历史概率与真实标签实现历史反馈的获取;步骤s2.3通过有符号残差区分基础预测模型低估与高估方向;步骤s2.4通过按历史时刻升序写入残差队列保证残差时序排列;步骤s2.5通过仅保留最近k项使残差窗口始终反映最新偏差态势。

31、作为本技术的进一步改进,步骤s3,将所述残差窗口与当前所述基础快速增强概率拼接为状态向量,输入actor-critic网络,经beta分布采样得到连续修正量,将所述连续修正量与当前所述基础快速增强概率相加并裁剪至预设概率区间,得到校准概率,包括:

32、步骤s3.1,将所述残差窗口的k个元素按时间顺序排列于前部,将当前所述基础快速增强概率附加于末位,得到k+1维状态向量;

33、步骤s3.2,将所述k+1维状态向量输入共享actor-critic网络的主干结构,经全连接变换与非线性激活得到隐藏表示;

34、步骤s3.3,将隐藏表示输入actor头,经线性变换与softplus激活后加1,得到beta分布的第一形状参数与第二形状参数;

35、步骤s3.4,将隐藏表示输入critic头,经线性变换得到状态价值估计;

36、步骤s3.5,根据所述第一形状参数与所述第二形状参数从beta分布采样,经线性映射至预设动作区间,得到连续修正量;

37、步骤s3.6,将所述连续修正量与当前所述基础快速增强概率相加,若相加结果小于预设概率下限则取预设概率下限,若大于预设概率上限则取预设概率上限,得到校准概率。

38、步骤s3.1至步骤s3.6有益效果:

39、本系列步骤针对基础预测模型输出概率存在系统性偏差、固定映射校准无法适配不同台风历史误差轨迹的问题,将残差窗口与当前基础概率拼接为状态向量,经actor-critic网络输出beta分布形状参数并采样得到连续修正量,对基础概率相加裁剪后输出校准概率,实现方向与幅度均可调的逐时刻自适应校准。

40、其中,步骤s3.1通过残差窗口与当前概率拼接为k+1维状态向量统一策略输入;步骤s3.2通过主干结构提取状态向量中偏差与概率的联合表征;步骤s3.3通过actor头输出beta分布形状参数为连续修正提供概率化决策基础;步骤s3.4通过critic头输出状态价值估计辅助策略评估;步骤s3.5通过beta分布采样经线性映射得到范围可控的连续修正量;步骤s3.6通过相加裁剪确保校准概率始终落在有效区间内。

41、作为本技术的进一步改进,步骤s4,以所述基础快速增强概率和所述校准概率分别执行阈值判定,将判定结果与真实标签比较得到混淆矩阵计数,由所述混淆矩阵计数计算heidke技能评分,并分别计算基础brier分数与校准brier分数,得到性能指标,包括:

42、步骤s4.1,以所述基础快速增强概率与预设判定阈值的比较结果作为基础二分类判定,以所述校准概率与所述预设判定阈值的比较结果作为校准二分类判定;

43、步骤s4.2,将所述基础二分类判定与真实标签逐时刻比较,统计真正例、假正例、假负例与真负例四类计数,得到基础混淆矩阵;

44、步骤s4.3,将所述校准二分类判定与所述真实标签逐时刻比较,统计真正例、假正例、假负例与真负例四类计数,得到校准混淆矩阵;

45、步骤s4.4,由所述基础混淆矩阵与所述校准混淆矩阵分别计算heidke技能评分;

46、步骤s4.5,以所述基础快速增强概率与所述真实标签计算基础brier分数,以所述校准概率与所述真实标签计算校准brier分数;

47、步骤s4.6,将所述heidke技能评分、所述基础brier分数与所述校准brier分数整合,得到性能指标。

48、步骤s4.1至步骤s4.6有益效果:

49、本系列步骤针对校准前后预测性能缺乏量化对比、策略优化缺少可依据的标量反馈的问题,以基础概率与校准概率分别执行阈值判定,将判定结果与真实标签比较得到混淆矩阵计数,由混淆矩阵计数计算heidke技能评分并分别计算基础brier分数与校准brier分数,整合为性能指标供后续策略学习引用。

50、其中,步骤s4.1通过统一阈值对基础概率与校准概率分别判定保证对比基准一致;步骤s4.2通过基础判定与真实标签比较得到基础混淆矩阵;步骤s4.3通过校准判定与真实标签比较得到校准混淆矩阵;步骤s4.4由混淆矩阵计数分别计算heidke技能评分量化决策技能改进;步骤s4.5分别计算基础与校准brier分数量化概率可靠性改进;步骤s4.6将三类指标整合为性能指标提供策略更新的标量驱动信号。

51、作为本技术的进一步改进,步骤s5,将每个完整台风序列作为一个强化学习回合,序列内非终止时刻奖励置零,在序列终端根据所述性能指标计算终端奖励,从序列末端向前递推广义优势估计,以ppo裁剪代理目标更新策略参数,得到更新后策略参数,包括:

52、步骤s5.1,将每个完整台风序列作为一个强化学习回合,序列内非终止时刻的奖励置零;

53、步骤s5.2,在序列终端时刻根据所述性能指标计算heidke技能评分改进量与brier分数改进量,以两者加权求和作为终端奖励;

54、步骤s5.3,从序列末端向前递推时序差分残差,以折扣因子与广义优势估计衰减系数对所述时序差分残差加权求和,得到广义优势估计;

55、步骤s5.4,固定收集轨迹时的旧策略,以当前待更新策略重新计算同一动作在同一状态下的概率,计算新旧策略概率比;

56、步骤s5.5,将所述新旧策略概率比限制在预设裁剪区间内,取未裁剪项与裁剪项中的较小者,得到ppo裁剪代理目标;

57、步骤s5.6,以所述广义优势估计确定价值回归目标,计算价值估计与所述价值回归目标的均方误差作为价值损失;

58、步骤s5.7,将所述ppo裁剪代理目标、所述价值损失与策略熵加权组合为总损失,以梯度优化器最小化所述总损失更新策略参数,得到更新后策略参数。

59、步骤s5.1至步骤s5.7有益效果:

60、本系列步骤针对逐时刻奖励信号稀疏、策略更新方向不稳定的问题,将每个完整台风序列作为一个强化学习回合,序列内非终止时刻奖励置零并在终端根据性能指标计算终端奖励,从序列末端向前递推广义优势估计,以ppo裁剪代理目标更新策略参数,使校准策略围绕完整台风序列的决策技能与概率可靠性共同优化。

61、其中,步骤s5.1通过序列级回合划分与非终止奖励置零匹配台风生命周期内的稀疏反馈结构;步骤s5.2通过heidke技能评分改进量与brier分数改进量加权求和将决策技能与概率可靠性统一为终端奖励;步骤s5.3通过时序差分残差向前递推将终端奖励传播为各时刻广义优势估计;步骤s5.4通过新旧策略概率比度量策略更新幅度;步骤s5.5通过裁剪区间限制策略更新步长防止破坏性跳跃;步骤s5.6通过价值估计与价值回归目标的均方误差约束状态评估能力;步骤s5.7通过总损失加权组合以梯度优化器协同更新策略参数与价值参数。

62、作为本技术的进一步改进,步骤s6,接收当前台风观测数据并由所述台风快速增强基础预测模型输出当前基础快速增强概率,根据所述更新后策略参数对当前基础快速增强概率执行连续修正并裁剪,得到当前校准概率,并与预设概率阈值的比较结果输出快速增强判定结果,包括:

63、步骤s6.1,接收当前台风编号与对应的红外云图及台风强度,执行与基础预测模型训练阶段一致的预处理,由所述台风快速增强基础预测模型输出当前基础快速增强概率;

64、步骤s6.2,根据验证时延检查该台风编号下是否存在新到达的历史标签,若存在则按历史时刻升序读取对应历史基础快速增强概率与真实标签,计算有符号残差并更新残差窗口,若不存在则保持现有残差窗口不变;

65、步骤s6.3,将所述残差窗口与当前基础快速增强概率拼接为当前状态向量,经所述更新后策略参数对应的actor-critic网络输出beta分布的第一形状参数与第二形状参数;

66、步骤s6.4,根据所述第一形状参数与所述第二形状参数计算beta分布众数,经线性映射至预设动作区间,得到确定性连续修正量;

67、步骤s6.5,将所述确定性连续修正量与当前基础快速增强概率相加并裁剪至预设概率区间,得到当前校准概率,根据所述当前校准概率与预设概率阈值的比较结果输出快速增强判定结果。

68、步骤s6.1至步骤s6.5有益效果:

69、本系列步骤针对在线推理阶段需对当前台风输出确定性校准结果且不同台风历史误差轨迹差异大的问题,由冻结基础预测模型输出当前基础概率后,根据验证时延检查新到达历史标签并更新残差窗口,经更新后策略参数对应的actor-critic网络输出beta分布形状参数并取众数得到确定性连续修正量,相加裁剪后与预设概率阈值比较输出判定结果,实现相同基础概率依据不同台风历史误差轨迹的差异化修正。

70、其中,步骤s6.1通过与训练阶段一致的预处理由冻结模型输出当前基础概率保证推理基准稳定;步骤s6.2通过验证时延检查新到达历史标签并更新残差窗口使在线推理反映最新偏差态势;步骤s6.3通过残差窗口与当前概率拼接为当前状态向量输入更新后策略网络获取当前台风专属的修正参数;步骤s6.4通过beta分布众数替代随机采样提供确定性连续修正量;步骤s6.5通过相加裁剪与阈值比较输出当前校准概率与快速增强判定结果。

71、为了实现上述目的,本技术还提供了如下技术方案:

72、一种面向台风快速增强预测的时延感知强化校准系统,所述时延感知强化校准系统应用于如上述的时延感知强化校准方法,所述时延感知强化校准系统包括:

73、基础快速增强概率获取模块,用于按台风编号建立时间有序序列,将每个预测时刻及其前三个时刻的红外云图与台风强度组成输入序列,输入参数冻结的台风快速增强基础预测模型,得到基础快速增强概率;

74、残差窗口获取模块,用于根据验证时延确定当前时刻可获得真实标签的最近历史时刻,从预测记录中读取该历史时刻的所述基础快速增强概率并与真实标签配对,计算有符号残差,按历史时刻升序写入残差队列并仅保留最近k项,得到残差窗口;

75、校准概率获取模块,用于将所述残差窗口与当前所述基础快速增强概率拼接为状态向量,输入actor-critic网络,经beta分布采样得到连续修正量,将所述连续修正量与当前所述基础快速增强概率相加并裁剪至预设概率区间,得到校准概率;

76、性能指标获取模块,用于以所述基础快速增强概率和所述校准概率分别执行阈值判定,将判定结果与真实标签比较得到混淆矩阵计数,由所述混淆矩阵计数计算heidke技能评分,并分别计算基础brier分数与校准brier分数,得到性能指标;

77、策略参数更新模块,用于将每个完整台风序列作为一个强化学习回合,序列内非终止时刻奖励置零,在序列终端根据所述性能指标计算终端奖励,从序列末端向前递推广义优势估计,以ppo裁剪代理目标更新策略参数,得到更新后策略参数;

78、快速增强判定模块,用于接收当前台风观测数据并由所述台风快速增强基础预测模型输出当前基础快速增强概率,根据所述更新后策略参数对当前基础快速增强概率执行连续修正并裁剪,得到当前校准概率,并与预设概率阈值的比较结果输出快速增强判定结果。

79、为了实现上述目的,本技术还提供了如下技术方案:

80、一种电子设备,包括处理器,以及与所述处理器耦接的存储器,所述存储器存储有可被所述处理器执行的程序指令;所述处理器执行所述存储器存储的所述程序指令时实现如上述的面向台风快速增强预测的时延感知强化校准方法。

81、为了实现上述目的,本技术还提供了如下技术方案:

82、一种计算机可读存储介质,所述计算机可读存储介质内存储有程序指令,所述程序指令被处理器执行时能够实现如上述的面向台风快速增强预测的时延感知强化校准方法。‌