[论文解读] Predicting Hurricane Trajectories using a Recurrent Neural Network

Sheila Alemany, Jonathan Beltran+2 more|arXiv (Cornell University)|Feb 1, 2018

Tropical and Extratropical Cyclones Research被引用 20

一句话总结

本文提出了一种在精细空间网格上运行的全连接循环神经网络（RNN），以高精度预测飓风路径。通过在6小时间隔内使用纬度、经度、风速和气压数据建模时间动态，该RNN实现了0.11的均方根误差，优于传统NHC方法，并有效捕捉了先前模型所遗漏的非线性、循环型风暴行为。

ABSTRACT

Hurricanes are cyclones circulating about a defined center whose closed wind speeds exceed 75 mph originating over tropical and subtropical waters. At landfall, hurricanes can result in severe disasters. The accuracy of predicting their trajectory paths is critical to reduce economic loss and save human lives. Given the complexity and nonlinearity of weather data, a recurrent neural network (RNN) could be beneficial in modeling hurricane behavior. We propose the application of a fully connected RNN to predict the trajectory of hurricanes. We employed the RNN over a fine grid to reduce typical truncation errors. We utilized their latitude, longitude, wind speed, and pressure publicly provided by the National Hurricane Center (NHC) to predict the trajectory of a hurricane at 6-hour intervals. Results show that this proposed technique is competitive to methods currently employed by the NHC and can predict up to approximately 120 hours of hurricane path.

研究动机与目标

• 通过利用循环神经网络的非线性时间建模能力，提升飓风路径预测的准确性。
• 解决传统统计模型和动力学模型在捕捉复杂、不规则飓风运动（包括循环行为）方面的局限性。
• 通过采用风暴位置的精细网格表示，减少截断误差并提高空间分辨率。
• 开发一种轻量化、快速预测的模型，优于计算量庞大的NHC统计-动力学方法。
• 通过未来深度学习技术的改进，实现从基于网格的预测到真实地理坐标（纬度/经度）的准确转换。

提出的方法

• 在包含每6小时一次的纬度、经度、风速和中心气压的历史飓风数据上训练全连接循环神经网络（RNN）。
• 该模型在空间网格系统上运行，每个网格单元代表风暴路径中的一个离散位置，从而减少截断误差。
• RNN学习序列风暴位置之间的时序依赖关系，将方向和移动距离作为动态特征进行建模。
• 使用均方误差（MSE）和均方根误差（RMSE）指标在训练集和测试集上对模型进行训练和评估。
• 基于网格的预测结果随后被转换为地理坐标（纬度/经度），但当前转换方式存在最高50公里的误差。
• 未来工作包括应用深度学习技术优化从网格到地理坐标的转换过程，并可能整合贝叶斯神经网络以实现不确定性量化。

实验结果

研究问题

• RQ1 循环神经网络能否有效建模飓风路径的复杂非线性时间动态？
• RQ2 与传统NHC方法相比，基于网格的RNN方法是否能减少截断误差并提高预测精度？
• RQ3 该模型能否在120小时以上的时间范围内以高空间精度准确预测飓风路径？
• RQ4 对于非单调路径（如循环或反向运动）的风暴，RNN的性能如何？
• RQ5 与稀疏或非网格RNN相比，基于网格的RNN在多样化飓风行为上的泛化能力如何？

主要发现

• RNN在训练集和测试集上均实现了0.11的均方根误差（RMSE），表明其具备出色的泛化能力和预测精度。
• 该模型成功以高度一致性预测了约120小时后的飓风路径。
• 基于网格的RNN在准确性上优于传统NHC方法，尤其在捕捉非线性和循环型风暴行为方面表现更优。
• 与先前在非单调路径上表现失败的“稀疏RNN”方法相比，该模型对复杂风暴动力学表现出更强的鲁棒性。
• 当前纬度/经度转换中的50公里误差主要源于1×1度的网格分辨率，但该精度仍与现有NHC方法具有竞争力。
• 该方法计算效率高，可实现快速预测——这对实时灾害准备至关重要，相比当前NHC统计-动力学模型数小时的处理时间具有显著优势。