夏季登陆中国台风数量预测方法、装置、设备及存储介质

技术领域

本公开涉及大数据技术领域，尤其是一种基于反向传播(BP)神经网络的夏季登陆中国台风数量预测方法、装置、设备及存储介质。

背景技术

台风经常在夏季登陆中国东南沿海地区，造成当地严重的气象灾害。因此，提高夏季登陆中国台风的预测技巧，有利于中国防灾减灾。

目前，登陆台风的天气尺度预测技巧发展较快，气候尺度预测技巧亟需提高。登陆台风的季节预测是气候尺度预测的热点和难点。统计预测是台风季节预测的一个重要方法，得到了广泛应用。统计预测通过分析多年的气象数据，探索气象要素影响台风活动的物理机制，从而提出季节预测因子。

为了进一步提高台风预测技巧，气象学者利用预测因子建立了统计预测模型，提出了多种基于线性回归的统计预测模型，如多元线性回归模型。多元线性回归模型的流程为：生成样本数据，建立基于线性回归方法的预测模型，调试预测模型，以及使用预测模型对台风活动进行预测。

虽然基于线性回归的模型可以预测台风活动，但对非线性活动预测的缺陷可能在本质上限制了预测质量。因此，多元线性回归模型的台风预测水平难以显著提高。

发明内容

(一)要解决的技术问题

有鉴于此，本公开的主要目的在于提供一种基于BP神经网络的夏季登陆中国台风数量预测方法、装置、设备及存储介质。

(二)技术方案

本公开的一方面，提供了一种夏季登陆中国台风数量预测方法，包括：生成样本数据；构建基于BP神经网络的预测模型；调试预测模型；以及预测夏季登陆中国台风数量。

根据本公开的实施例，所述生成样本数据，包括：对再分析数据进行统计分析，获取春季(3-5月)热带印度洋与热带西太平洋海表温度差异(SSTD)、南海夏季风爆发时间(SMOD)和冬季(前1年11月-本年1月)热带东太平洋海表温度异常(SSTA)的时间序列，作为预测模型的输入样本数据；对台风观测数据进行统计分析，获取夏季(6-8月)登陆中国台风数量(TN)的时间序列，作为预测模型的输出样本数据。

根据本公开的实施例，所述生成样本数据，还包括：将输入样本数据和输出样本数据划分为多组样本数据，每一组样本数据包括某一年的SSTD、SMOD、SSTA和TN；其中，较多组样本数据作为训练数据集，较少组样本数据作为回报数据集。

根据本公开的实施例，所述SSTD＝SST

根据本公开的实施例，所述构建基于BP神经网络的预测模型，包括：

S21：配置基于BP神经网络的预测模型的网络结构；

S22：对SSTD、SMOD、SSTA和TN的样本数据进行归一化；

S23：设置神经元权重和偏置的初值；

S24：设置激活函数；

S25：使用输入样本数据的归一化结果计算输出层神经元的输出值；

S26：对输出层神经元的输出值进行反归一化，得到预测结果。

根据本公开的实施例，所述基于BP神经网络的预测模型的网络结构包括输入层神经元、隐含层神经元和输出层神经元，其中：输入层神经元为3个，分别表征春季热带印度洋与热带西太平洋的海表温度差异、南海夏季风爆发时间和冬季热带东太平洋海表温度异常；隐含层为10-6-3结构，即3层、19个神经元；输出层神经元为1个，表征夏季登陆中国台风数量。

根据本公开的实施例，所述调试预测模型，包括：

S31：设置损失函数；

S32：设置损失函数阈值、学习率、迭代运算次数、隐含层结构、神经元权重和偏置随机初值、正则化方法和优化器等；

S33：使用训练数据集计算输出层神经元的输出值；

S34：计算损失函数值；

S35：判断损失函数值是否小于损失函数阈值或迭代运算次数是否大于其设置值？若迭代运算次数内损失函数值小于损失函数阈值或迭代运算次数大于其设置值，执行步骤S37；否则，执行步骤S36；

S36：使用梯度下降法反向逐层修正神经元权重和偏置值，执行步骤S33；

S37：计算训练结果与训练数据集中TN样本数据的相关系数、平均绝对误差；

S38：判断相关系数是否大于0.9且平均绝对误差是否小于0.5？若相关系数大于0.9且平均绝对误差小于0.5，执行步骤S39；否则，执行步骤S32；

S39：停止训练，记录最后一次迭代运算的神经元权重和偏置值，以进行回报；

S310：读取记录的神经元权重和偏置值，使用回报数据集和训练好的预测模型计算回报结果；

S311：计算回报结果与回报数据集中TN样本数据的相关系数、平均绝对误差；

S312：判断相关系数是否大于0.9且平均绝对误差是否小于1？若相关系数大于0.9且平均绝对误差小于1，执行步骤S313；否则，执行步骤S32；

S313：停止回报，以备预测。

根据本公开的实施例，所述预测夏季登陆中国台风数量，包括：

S41：使用再分析数据生成某年(Y

S42：使用调试好的预测模型计算Y

本公开的另一方面，提供了一种夏季登陆中国台风数量预测装置，包括：样本数据生成模块，用于生成样本数据；预测模型构建模块，用于构建基于BP神经网络的预测模型；预测模型调试模块，用于调试预测模型；以及预测模块，用于预测夏季登陆中国台风数量。

本公开的另一方面，还提供了一种电子设备，包括：处理器；存储器，其存储有计算机可执行程序，该程序在被所述处理器执行时，使得所述处理器执行所述的夏季登陆中国台风数量预测方法。

本公开的另一方面，还提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被执行时实现所述的夏季登陆中国台风数量预测方法。

本公开的另一方面，还提供了一种计算机程序，包括：计算机可执行指令，所述指令被执行时用于实现所述的夏季登陆中国台风数量预测方法。

(三)有益效果

根据本公开的实施例，本公开提供的基于BP神经网络的夏季登陆中国台风数量预测方法、装置、电子设备及存储介质，通过采用三个显著影响夏季登陆中国台风数量的前期预测因子(SSTD、SMOD和SSTA)的时间序列作为预测模型的输入样本数据，能够方便地构建基于BP神经网络的预测模型，且利用生成的样本数据调试构建的预测模型后，能够直接使用预测模型有效地提高夏季登陆中国台风数量的预测技巧，解决了多元线性回归模型的台风预测水平难以显著提高的问题，具有以下优点及有益效果：

1、利用本公开，提高了夏季登陆中国台风数量的预测技巧，有助于认识中国登陆台风的多元化影响，有利于中国的防灾减灾。

2、利用本公开，提出了适用于夏季登陆中国台风数量预测的技术方案。

3、利用本公开，为业务部门的中国台风活动季节预报提供了科学依据。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了依照本公开实施例的基于BP神经网络的夏季登陆中国台风数量预测的方法流程图。

图2示意性示出了依照本公开实施例的构建基于BP神经网络的预测模型的方法流程图。

图3示意性示出了配置的基于BP神经网络的预测模型的网络结构的示意图。

图4示意性示出了利用样本数据调试预测模型的方法流程图。

图5a示意性示出了1979-2013年采用本公开实施例的基于BP神经网络的预测模型的训练结果与采用多元线性回归模型的训练结果的对比示意图。

图5b示意性示出了2014-2019年采用本公开实施例的基于BP神经网络的预测模型的回报结果与采用多元线性回归模型的回报结果的对比示意图。

图6示意性示出了根据本公开实施例的基于BP神经网络的夏季登陆中国台风数量预测装置600的框图。

图7示意性示出了根据本公开实施例的电子设备700的框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

并且图中各部件的形状和尺寸不反映真实大小和比例，而仅示意本公开实施例的内容。另外，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。

再者，单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。说明书与权利要求书中所使用的序数例如“S1”、“S2”、“S3”等的用词，以修饰权利要求项的步骤，其本身并不意含及代表该请求步骤有任何之前的序数，也不代表某一请求步骤与另一请求步骤的顺序、或是制造方法上的顺序，这些序数的使用仅用来使具有某命名的一请求步骤得以和另一请求步骤能作出清楚区分。

二十一世纪以来，得益于电脑计算能力的提升和深度学习算法的出现，人工智能技术发展迅猛。BP神经网络是人工智能深度学习的一种重要实现方式，具有较强的非线性回归能力，已逐步应用于气象等领域。以往的研究表明，BP神经网络在台风预测中具有明显的技术优势；BP神经网络模型输入层的前期预测因子、隐含层的结构和调试是提高BP神经网络模型预测技巧的关键因素；BP神经网络模型的构建没有指导性的理论和方法，需要针对具体研究内容建立特定模型。

本公开提炼了三个显著影响夏季登陆中国台风数量的前期预测因子(SSTD、SMOD和SSTA)，提出了隐含层的结构，制定了调试流程，能够建立针对夏季登陆中国台风数量的BP神经网络预测模型。此模型有助于认识登陆中国台风数量的规律和成因、解析中国登陆台风活动的多元化影响、提高中国登陆台风的预测技巧。

本公开的实施例提供了一种基于BP神经网络的夏季登陆中国台风数量预测方法，如图1所示，图1示意性示出了依照本公开实施例的基于BP神经网络的夏季登陆中国台风数量预测的方法流程图。需要注意的是，图1所示仅为可以应用本公开实施例的应用场景的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他环境或场景。

如图1所示，根据本公开实施例的基于BP神经网络的夏季登陆中国台风数量预测的方法，包括如下步骤：

S1：生成样本数据；

在本公开实施例中，生成样本数据，包括：对再分析数据进行统计分析，获取SSTD、SMOD和SSTA的时间序列，作为预测模型的输入样本数据；对台风观测数据进行统计分析，获取TN的时间序列，作为预测模型的输出样本数据；将输入样本数据和输出样本数据划分为多组样本数据，每一组样本数据包括某一年的SSTD、SMOD、SSTA和TN；其中，较多组样本数据为训练数据集，较少组样本数据为回报数据集。

其中，所述SSTD＝SST

在本公开实施例中，样本数据可以从多套高质量数据中获取。

S2：构建基于BP神经网络的预测模型；

在本公开实施例中，构建基于BP神经网络的预测模型的方法，如图2所示，包括以下步骤：

S21：配置基于BP神经网络的预测模型的网络结构；如图3所示，所述基于BP神经网络的预测模型的网络结构包括输入层神经元、隐含层神经元和输出层神经元，其中：输入层神经元为3个，分别表征SSTD、SMOD和SSTA；隐含层为10-6-3结构，即3层、19个神经元；输出层神经元为1个，表征TN；在本公开实施例中，隐含层神经元个数和层数可进行更改，这取决于能否有效提高预测技巧；

S22：对SSTD、SMOD、SSTA和TN的样本数据进行归一化，计算公式如下：

其中，U为归一化结果，S为样本数据，int()为获取数值整数部分的函数，S

S23：设置神经元权重和偏置的初值；具体而言，将神经元权重的初值设置为服从标准正态分布的随机值，将偏置的初值设置为0；

S24：设置激活函数；具体而言，采用ReLU函数作为隐含层神经元的激活函数、恒等函数作为输出层神经元的激活函数；

S25：使用输入样本数据的归一化结果计算输出层神经元的输出值。这里以计算某一层的神经元n的输入加权和n

(b)n

其中，m

S26：对输出层神经元的输出值进行反归一化，得到预测结果，计算公式如下：

其中，V为反归一化结果(预测结果)，R为输出层神经元的输出值，int()为获取数值整数部分的函数，P

在本公开实施例中，构建的基于BP神经网络的预测模型是基于反向传播算法的全连接人工神经网络预测模型。

S3：调试预测模型；

本步骤具体如图4所示，包括：

S31：设置损失函数：

S32：设置损失函数阈值、学习率、迭代运算次数、隐含层结构、神经元权重和偏置随机初值、正则化方法和优化器；具体而言，在本实施例中设置学习率为0.0001，迭代运算次数为100000，隐含层结构为10-6-3，神经元权重随机初值服从标准正态分布，神经元偏置随机初值为0，正则化方法为Dropout，优化器为Adam；

S33：使用训练数据集计算输出层神经元的输出值；

S34：计算损失函数值；

S35：判断损失函数值是否小于损失函数阈值或迭代运算次数是否大于其设置值？若迭代运算次数内损失函数值小于损失函数阈值或迭代运算次数大于其设置值，执行步骤S37；否则，执行步骤S36；

S36：使用梯度下降法反向逐层修正神经元权重和偏置值，执行步骤S33。这里以修正隐含层中最后一层某个神经元m至输出层神经元n的权重w为例，计算公式为：

其中，L为损失函数，n

S37：计算训练结果与训练数据集中TN样本数据的相关系数、平均绝对误差；

S38：判断相关系数是否大于0.9且平均绝对误差是否小于0.5？若相关系数大于0.9且平均绝对误差小于0.5，执行步骤S39；否则，执行步骤S32；

S39：停止训练，记录最后一次迭代运算的神经元权重和偏置值，以进行回报；

S310：读取记录的神经元权重和偏置值，使用回报数据集和训练好的预测模型计算回报结果；

S311：计算回报结果与回报数据集中TN样本数据的相关系数、平均绝对误差；

S312：判断相关系数是否大于0.9且平均绝对误差是否小于1？若相关系数大于0.9且平均绝对误差小于1，执行步骤S313；否则，执行步骤S32；

S313：停止回报，以备预测。

在本公开实例中，正则化方法采用Dropout，也可采用其他方法，这取决于能否有效提高预测模型的泛化能力。优化器采用Adam，也可采用其他优化器，这取决于损失函数能否快速收敛。

S4：预测夏季登陆中国台风数量；

在本公开实施例中，使用调试好的预测模型预测某年(Y

S41：使用再分析数据生成Y

S42：使用调试好的预测模型计算Y

实施例：

本公开的实施例提供了一种基于BP神经网络的夏季登陆中国台风数量预测方法，该方法包括以下步骤：

第一步：生成样本数据

1.生成输入样本数据：使用Hadley数据和ERA-Interim数据计算1979-2019年SSTD、SMOD和SSTA的时间序列；

2.生成输出样本数据：使用IBTrACS数据计算1979-2019年TN的时间序列；

3.将这些样本数据划分为41组样本数据，每一组数据包括某一年的SSTD、SMOD、SSTA和TN。其中，1979-2013年的35组样本数据为训练数据集，2014-2019年的6组样本数据为回报数据集。

第二步：构建基于BP神经网络的预测模型

1.配置网络结构：输入层神经元为3个(分别表征SSTD、SMOD和SSTA)，隐含层为10-6-3结构(3层、19个神经元)，输出层神经元为1个(表征TN)；

2.分别将41组SSTD、SMOD、SSTA和TN的样本数据进行归一化，计算公式如下：

其中，U为归一化结果，S为样本数据，int()为获取数值整数部分的函数，S

3.设置神经元权重和偏置的初值为随机值；权重初值：数值服从标准正态分布、维度为(M，N)的二维随机数数组；偏置初值：数值为0、维度为(N)的一维数组；M和N分别表示相邻两层的前一层神经元数量和后一层神经元数量；

4.设置激活函数；隐含层神经元激活函数y＝f(x，0)：x＞0，y＝x；否则，y＝0；输出层神经元激活函数y＝x；

5.使用输入样本数据计算输出层神经元的输出值；这里以计算某一层的神经元n的输出加权和n

(b)n

其中，m

6.对输出层神经元的输出值进行反归一化，得到预测结果，计算公式如下：

其中，V为反归一化结果(预测结果)，R为输出层神经元的输出值，int()为获取数值整数部分的函数，P

第三步：调试预测模型

1.设置损失函数

2.设置损失函数阈值为0.0001，学习率为0.0001，迭代运算次数为100000，隐含层结构为10-6-3，神经元权重随机初值服从标准正态分布，神经元偏置随机初值为0，正则化方法为Dropout(保持率为0.9)，优化器为Adam(参数β

3.使用训练数据集计算输出层神经元的输出值；

4.计算损失函数值；

5.判断损失函数值是否小于损失函数阈值或迭代运算次数是否大于其设置值？若迭代运算次数内损失函数值小于损失函数阈值或迭代运算次数大于其设置值，执行步骤7；否则，执行步骤6；

6.使用梯度下降法反向逐层修正神经元权重和偏置值，执行步骤3；这里以修正隐含层中最后一层某个神经元m至输出层神经元n的权重w为例，计算公式为：

其中，L为损失函数，n

7.计算训练结果与训练数据集中TN样本数据的皮尔逊相关系数和平均绝对误差；

8.判断相关系数是否大于0.9且平均绝对误差是否小于0.5？若相关系数大于0.9且平均绝对误差小于0.5，执行步骤9；否则，执行步骤2；

9.停止训练，记录最后一次迭代运算的神经元权重和偏置值，以进行回报；

10.读取记录的神经元权重和偏置值，使用回报数据集和训练好的预测模型计算回报结果；

11.计算回报结果与回报数据集中TN样本数据的皮尔逊相关系数和平均绝对误差；

12.判断相关系数是否大于0.9且平均绝对误差是否小于1？若相关系数大于0.9且平均绝对误差小于1，执行步骤13；否则，执行步骤2；

13.停止回报，训练和回报结果如图5a和图5b所示：

训练结果与IBTrACS台风观测数据的相关系数(CC)约为0.99、平均绝对误差(MAE)为0.07，回报结果与IBTrACS台风观测数据的CC约为0.99，MAE约为0.68。

第四步：预测夏季登陆中国台风数量

上述训练好的预测模型可用于夏季登陆中国台风数量的预测。使用此模型开展未来某年(Y

1.下载Y

2.使用调试好的预测模型计算Y

此模型可通过调试进一步提高预测技巧，能够为业务部门的台风预报提供科学依据。

为了验证本公开提供的基于BP神经网络的夏季登陆中国台风数量预测方法的预测效果，将本公开实施例与现有技术中应用广泛的多元线性回归方法进行了对比分析。图5a和图5b为采用本公开实施例的基于BP神经网络的预测模型与采用多元线性回归模型的训练和回报结果，训练和回报数据来自Hadley、ERA-Interim和IBTrACS数据。其中，图5a示意性示出了1979-2013年采用本公开实施例的基于BP神经网络的预测模型的训练结果与采用多元线性回归模型的训练结果的对比示意图，图5b示意性示出了2014-2019年采用本公开实施例的基于BP神经网络的预测模型的回报结果与采用多元线性回归模型的回报结果的对比示意图。

如图5a和图5b所示，采用本公开实施例的基于BP神经网络的预测模型，训练结果与IBTrACS台风观测数据的相关系数(CC)约为0.99、平均绝对误差(MAE)为0.07。进而，使用训练的基于BP神经网络的预测模型开展了回报试验，回报结果与IBTrACS台风观测数据的CC约为0.99，MAE约为0.68。并且，利用相同的样本数据开展了多元线性回归模型的训练和回报。如图5a和图5b所示，多元线性回归模型的训练结果与台风观测数据的CC和MAE分别约为0.50和1.41、回报结果与台风观测数据的CC和MAE分别约为0.48和1.60。

上述结果表明，相对于现有技术中应用广泛的多元线性回归预测模型，本公开实施例提供的基于BP神经网络技术的非线性预测模型在训练和回报试验中都具有明显优势。因此，本公开提供的基于BP神经网络的夏季登陆中国台风数量预测方法，能够有效提高夏季登陆中国台风数量的预测技巧，解决了多元线性回归模型的台风预测水平难以显著提高的问题，为中国防灾减灾提供了科学依据和技术支持。

从上述实施例可以看出，本公开提供的基于BP神经网络的夏季登陆中国台风数量预测方法，通过使用三个显著影响夏季登陆中国台风数量的前期预测因子(SSTD、SMOD和SSTA)的时间序列作为预测模型的输入样本数据，使用夏季登陆中国台风数量的时间序列作为预测模型的输出样本数据，能够方便地构建基于BP神经网络的预测模型，且利用输入样本数据和输出样本数据调试构建的预测模型后，能够直接使用预测模型有效地提高夏季登陆中国台风数量的预测技巧，解决了多元线性回归模型的台风预测水平难以显著提高的问题。

基于图1至图4所示的依照本公开实施例的基于BP神经网络的夏季登陆中国台风数量预测的方法流程图，图6示意性示出了根据本公开实施例的基于BP神经网络的夏季登陆中国台风数量预测装置600的框图。

如图6所示，本公开实施例提供的基于BP神经网络的夏季登陆中国台风数量预测装置600包括样本数据生成模块601、预测模型构建模块602、预测模型调试模块603和预测模块604，其中：样本数据生成模块601用于生成样本数据；预测模型构建模块602用于构建基于BP神经网络的预测模型；预测模型调试模块603用于调试预测模型；预测模块604用于预测夏季登陆中国台风数量。

应当理解，样本数据生成模块601、预测模型构建模块602、预测模型调试模块603和预测模块604可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。

根据本公开的实施例，样本数据生成模块601、预测模型构建模块602、预测模型调试模块603和预测模块604中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以以对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式的适当组合来实现。或者，样本数据生成模块601、预测模型构建模块602、预测模型调试模块603和预测模块604中的至少一个可以至少被部分地实现为计算机程序模块，当该程序被计算机运行时，可以执行相应模块的功能。

本公开还提供一种电子设备，如图7所示，图7示意性示出了根据本公开实施例的电子设备700的框图。该电子设备700包括处理器710和存储器720。该电子设备700可以执行根据图1所示的本公开实施例的基于BP神经网络的夏季登陆中国台风数量预测的方法。

具体地，处理器710例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器710还可以包括用于缓存用途的板载存储器。处理器710可以是用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

存储器720，例如可以是能够包含、存储、传送、传播或传输指令的任意介质。例如，可读存储介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。可读存储介质的具体示例包括：磁存储装置，如磁带或硬盘(HDD)；光存储装置，如光盘(CD-ROM)；存储器，如随机存取存储器(RAM)或闪存；和/或有线/无线通信链路。

存储器720可以包括计算机程序721，该计算机程序721可以包括代码/计算机可执行指令，其在由处理器710执行时使得处理器710执行根据本公开实施例的方法或其任何变形。

计算机程序721可被配置为具有例如包括计算机程序模块的计算机程序代码。例如，在示例实施例中，计算机程序721中的代码可以包括至少一个程序模块，例如包括模块721A、模块721B、……。应当注意，模块的划分方式和个数并不是固定的，本领域技术人员可以根据实际情况使用合适的程序模块或程序模块组合，当这些程序模块组合被处理器710执行时，使得处理器710可以执行根据本公开实施例的方法或其任何变形。

本公开还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的基于BP神经网络的夏季登陆中国台风数量预测的方法。

根据本公开的实施例，计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线、光缆、射频信号等等，或者上述的任意合适的组合。

本公开还提供了一种计算机程序，该计算机程序包括：计算机可执行指令，所述指令被执行时用于实现根据本公开实施例的基于BP神经网络的夏季登陆中国台风数量预测的方法。

至此，已经结合附图对本公开进行了详细描述。依据以上描述，本领域技术人员应当对本公开有了清楚的认识。

需要说明的是，在附图或说明书正文中，未绘示或描述的实现方式，均为所属技术领域中普通技术人员所知的形式，并未进行详细说明。此外，上述对各元件的定义并不仅限于实施例中提到的各种具体结构、形状或方式，本领域普通技术人员可对其进行简单地更改或替换。

当然，根据实际需要，本公开还可以包含其他的部分，由于同本公开的创新之处无关，此处不再赘述。

类似地，应当理解，为了精简本公开并帮助理解各个公开方面中的一个或多个，在上面对本公开的示例性实施例的描述中，本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，公开方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的单独实施例。

此外，在附图或说明书描述中，相似或相同的部分都使用相同的图号。说明书中示例的各个实施例中的技术特征在无冲突的前提下可以进行自由组合形成新的方案，另外每个权利要求可以单独作为一个实施例或者各个权利要求中的技术特征可以进行组合作为新的实施例。再者，附图中未绘示或描述的元件或实现方式，为所属技术领域中普通技术人员所知的形式。另外，虽然本文可提供包含特定值的参数的示范，但应了解，参数无需确切等于相应的值，而是可在可接受的误差容限或设计约束内近似于相应的值。

除非存在技术障碍或矛盾，本公开的上述各种实施方式可以自由组合以形成另外的实施例，这些另外的实施例均在本公开的保护范围中。

虽然结合附图对本公开进行了说明，但是附图中公开的实施例旨在对本公开优选实施方式进行示例性说明，而不能理解为对本公开的一种限制。附图中的尺寸比例仅仅是示意性的，并不能理解为对本公开的限制。

虽然本公开总体构思的一些实施例已被显示和说明，本领域普通技术人员将理解，在不背离本总体公开构思的原则和精神的情况下，可对这些实施例做出改变，本公开的范围以权利要求和它们的等同物限定。

以上所述的具体实施例，对本公开的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本公开的具体实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。