半个多世纪以来,天气预报的进步主要归于数值模式对控制方程求解精度的提高;随着数据的骤增,人工智能的方法已逐步显示其强大之处。传统的人工智能通常缺乏对“因果”的考虑,但对于天气系统这类有时序的动力系统,其自身已蕴含了“果”在时间上必不能发生在“因”前面的这样的重要信息。如何找到这类动力系统内部的因果关系并将之与人工智能相结合,将不仅仅在气象领域更在整个人工智能方向上都有着重要意义。传统的因果推断多是经验的、基于统计假设的,很难得到一个精确的、定量的因果关系。为了解决这些问题,Liang（2014,2016a）根据Liang和Kleeman（2005）在动力学领域的一个发现建立了严格意义上的、定量的、从第一性原理推导而来的因果推断方法,即梁氏-克里曼信息流或梁氏信息流分析方法。除了因果性,大气内部过程还有着复杂的多尺度性,以及非线性的跨尺度相互作用。多尺度能量学是探讨这类问题的一个重要方向。然而,现有的多尺度能量学方法难以用来研究非平稳的多尺度过程,甚至对多尺度能量的表征都存在概念性的误区。为此Liang和Anderson（2007）提出了一种名为多尺度子空间变换（MWT）的泛函工具,并创造了一套基于MWT的局地多尺度能量和涡度分析法（MS-EVA）和正则传输理论（Liang,2016b）。本文利用这种多尺度动力学的分析工具（MS-EVA）来诊断台风移动过程中的动力学机制,并结合梁氏信息流为台风路径作人工智能预报。总的来说,本文要回答以下三大问题。一、台风发展中大气内部的动力学有何特征?哪些动力过程与台风移动有关?利用0.25°分辨率、6小时一次的ERA-Interim的再分析资料,本文将1995-2016年西北太平洋的大气过程按32天以上,1-32天,1天以下分别划分到背景环流子空间、台风尺度子空间和高频扰动子空间中。根据MS-EVA的诊断结果,非绝热加热是台风最主要能量来源,它和背景环流向台风尺度的斜压正则传输一起通过有效位能向动能的转换;除此之外,动能最主要来自背景环流向台风尺度的正压正则传输,其次是对流层低层的压力梯度做功;动能的汇则主要是中高层的压力梯度做功和低层的摩擦耗散、动能输运。对于台风移动,非对称的动能收支有着重要作用。其中背景环流对台风的正压正则传输以及台风尺度动能的空间输运具有明显的非对称结构,特别是正压正则传输,其在台风中心往往表现为一对偶极子的形式。尤为重要的是,台风的移动方向正好对应着偶极子的方向,即由正压正则传输的正值指向负值的方向。突然北折个例的合成分析表明台风转向前的36-12小时内完成了正压正则传输的东南（正）-西北（负）指向的偶极子对向西南（正）-东北（负）指向方位的转变。基于这对偶极子的指向,可以提前至少12小时预报台风的移动方向,从而得知台风是否发生突然转折。二、如何利用动力学过程确立影响台风路径的预报因子?直观上来说,除了正压正则传输呈现的非对称偶极子以及传统上广为人知的如导引气流等因子外,很难直接得出其他的大气内部动力过程对台风移动是否存在影响。因此本文利用梁氏信息流来确立影响台风路径的主要因子。针对台风这类非连续序列数据,我们将Liang（2014）提出的基于时间序列的信息流方法的应用推广至非连续序列问题中,并提出了一个在线性随机模型、高度混沌确定性系统和经济学实例中都得到了很好的验证的算法Algorithm-IF。在该算法下,传统因子中台风的经纬度、提前0-6小时的台风的纬度变率、最大风速以及提前6-12小时的经度位移、最低气压,与动力因子中台风尺度在850 h Pa的正压正则传输、动能输运的经向、纬向和垂直分量、压力梯度做功的经向和纬向分量、500h Pa的动能输运纬向分量、背景环流引起的动能输运、压力梯度做功的纬向和垂直分量以及300 h Pa动能输运的经向和纬向分量、背景环流引起的动能输运等动力过程的部分主频被确定为影响台风路径移动的预报因子。三、如何建立基于因果的台风路径预报模型?该模型具有什么优势?最后,本文将深度学习模型与基于信息流分析的因果推断技术相结合,构造了一个基于因果的人工智能模型用于台风路径的预报。根据Algorithm-IF诊断的台风路径的预报因子,本文将台风的未来6-48小时的经纬度变率作为预报量,分别代入误差后传（BP）神经网络、卷积长短期记忆神经网络（Conv LSTM）中,训练出预报未来48小时以内台风路径的模型。其中,BP神经网络在预报未来24/48小时台风路径的平均误差（2015-2016年）分别为:135/202 km;而Conv LSTM则是:106/157 km。其中Conv LSTM的48小时预报误差与中国气象局结果相当,尽管目前用到的只是较粗的时空分辨率的数据。需要特别指出的是,对台风路径的突然转折的预报是一个公认的难题,但我们的方法即使应用于如此粗时空分辨率的数据却取得了很好的效果。例如:中国气象局对测试集中2015年的台风莲花和浪卡路径突变的预报均为失败的,但基于因果的Conv LSTM模型的预报却取得了成功。