[發明專利]一種融合多因素的MOS風暴潮過程災害模擬方法

有效

• 申請號: 201910255562.3
• 申請日: 2019-04-01
• 公開（公告）號: CN109977569B
• 公開（公告）日: 2022-05-24
• 發明（設計）人: 張廣平
• 申請（專利權）人: 北部灣大學
• 主分類號: G06F30/20
• 分類號: G06F30/20
• 代理公司: 北京天奇智新知識產權代理有限公司 11340
• 代理人: 李家恒

1.一種融合多因素的MOS風暴潮過程災害模擬方法，其特征在于，所述方法包括如下步驟：

(1)對熱帶氣旋風暴潮災害歷史過程統計分析，解析出MOS風暴潮模型的特征因素，建立MOS風暴潮模型；所述MOS風暴潮模型包括模型輸入值和模型輸出值，所述模型輸入值包括預報增水Ptide_i、路徑距離d_i、移動方向值cos(a_i)、最大風度s_i、移動速度m_i、中心氣壓p_i和7級風圈半徑r_i；所述模型輸出值為MOS風暴潮增水Ytide_i；

(2)確定特征因素矩陣，將特征因素矩陣作為輸入，使用支持向量機學習訓練，實現熱帶氣旋風暴潮增水模擬；其中：

確定特征因素矩陣的具體方法為：對MOS風暴潮模型的輸入提取特征向量組成矩陣λ_i，即為針對任意時刻i,提取時刻i之前n時刻的特征因素以組成所述特征因素矩陣λ_i，特征因素矩陣λ_i如下所示：

式中，i為預報的起始時刻，i-n為預報起始時刻前n歷史時刻，n與待預報結果的時長相同，λ_i為一個n×7維的向量矩陣，λ_i每一維分別代表模型的一個因素；λ_i的每一列為某一因素對應從i-n到i-1時刻的特征值；

使用支持向量機學習訓練時，為了方便風暴潮預報將學習訓練起始點i-j后移到i，訓練計算的長度同為j，則可以預報i時刻及其之后的j時段值的風暴潮增水值，具體實現過程為：

首先，設置MOS風暴潮模型中權重映射矩陣W和偏差矩陣A；將特征矩陣λ_t映射到y隱含層空間后得到的隱含層要素矩陣h_t，即將特征矩陣λ_i映射到更高維度的空間隱含層獲得隱射后得到H，H如下式所示：

其次，MOS風暴潮模型在求解中采用風險最小化的方法，把最優非線性回歸估計問題轉化為對不敏感損失函數L(y-h(x),x)進行求解風險最小化的問題，MOS風暴潮模型中使用的最優非線性回歸函數是在一定約束條件下最小化規則化不敏感損失函數L逐漸優化逼近實測值來實現,該模型中不敏感損失函數定義如下式所示：

上式中w為權重值，h(x)為模型預報輸出值，該式表明當模擬結果與實測之差的絕對值小于等于ε時，該部分忽略不計；當模擬結果與實測值之差的絕對值大于ε時，則取值為超出ε的部分值；

最后，在MOS風暴潮模型學習過程中設計最優非線性風險最小化泛函R(c,ε)，如下式所示：

該式中m為參與數據集的個數；c為實驗常數；w為權重值；為經驗誤差項；為規則化項，使得函數泛化更為平滑。

2.根據權利要求1所述的一種融合多因素的MOS風暴潮過程災害模擬方法，其特征在于，預報時長取12h、24h、36h、72h則對應n取值為12、24、36、72。

3.根據權利要求2所述的一種融合多因素的MOS風暴潮過程災害模擬方法，其特征在于，使用支持向量機學習訓練時，以實測增水Xtide_i作為輸出進行學習訓練，設定模擬結果與實測結果之差的絕對值為ε_i，則相對誤差為給定目標誤差10％為評判閾值，若模型預報某時刻值e_i≥10％，則該時刻i的MOS模型預報結果為不合格，否則認為時刻i的預報結果為合格。