基于时序数据的机器学习与深度学习技术在飓风轨迹回归与状态分类中的评估
机器学习
2025-09-30 v1
摘要
准确的飓风预报对于减少生命损失、基础设施破坏和经济中断至关重要。传统的数值天气预报模型虽然有效，但计算密集且由于大气系统的混沌性质容易出错。本研究提出了一种基于机器学习（ML）的方法，利用来自美国国家飓风中心的时间序列数据（包括最近添加的最佳轨迹风半径）来预报热带飓风轨迹和状态。开发了一个两阶段ML流水线：回归模型首先使用历史数据的滑动窗口预测飓风特征——最大风速、最小气压、轨迹长度和方向变化。这些输出随后输入分类模型以预测飓风的类别状态。在超参数调优和合成少数类过采样（SMOTE）之后，随机森林（RF）分类器取得了最高性能，准确率达到93%，在精确度、召回率和F1分数上均优于支持向量机（SVM）和多层感知机（MLP）。RF模型在识别少数类飓风状态和减少假阴性方面特别稳健。回归结果产生了较低的平均绝对误差，气压和风速预测误差分别在约2.2毫巴和2.4节以内。这些发现表明机器学习模型，尤其是基于集成的方法，为传统预报方法提供了一种有效、可扩展的替代方案，具有实时飓风预测和集成到决策支持系统的潜力。
引用
@article{arxiv.2509.24146,
title = {Evaluation of Machine and Deep Learning Techniques for Cyclone Trajectory Regression and Status Classification by Time Series Data},
author = {Ethan Zachary Lo and Dan Chie-Tien Lo},
journal= {arXiv preprint arXiv:2509.24146},
year = {2025}
}