El tifón es uno de los desastres naturales más destructivos y afecta significativamente a la sociedad humana. Para reducir los impactos negativos, han aparecido muchos modelos de aprendizaje profundo para predecir las trayectorias futuras de los tifones. Sin embargo, la mayoría de estos modelos utilizan todos los datos que obtienen como entrada, lo que puede causar que la diversidad de las trayectorias de los tifones tenga un impacto negativo en los resultados de la predicción. En este artículo, se propone un método conjunto. El método incluye principalmente dos partes: primero, utilizar un modelo de minería de características de similitud espaciotemporal para encontrar caminos que sean similares al tifón en curso. En segundo lugar, se entrena un modelo de aprendizaje profundo para procesar datos de secuencia con estos caminos similares y luego se utiliza para predecir los puntos de latitud y longitud de la trayectoria futura. El método conjunto cierra la brecha en la capacidad de los modelos de aprendizaje profundo para procesar información espacial y las deficiencias de los modelos de minería de características de similitud espaciotemporal en la predicción de datos futuros. En el experimento, utilizamos un modelo de minería de características de similitud espaciotemporal para generar diferentes conjuntos de datos de entrada al cambiar el número de caminos similares en él, lo que permite comparar la precisión del modelo en diferentes entradas. Además, se utilizan datos reales de tifones registrados en el Océano Pacífico Noroeste en el experimento. A través de una comparación entre la trayectoria real y los resultados de predicción en longitud y latitud, encontramos que 100-250 trayectorias de tifones similares como entrada tienen el mejor efecto de predicción en diferentes tareas y son más precisas en la predicción a largo plazo.