基于LSTM 的機(jī)場跑道視程預(yù)測①

彭 路, 柳俊凱, 盛愛晶, 張興海, 孫文正

(南京恩瑞特實業(yè)有限公司, 南京 211106)

跑道視程(runway visual range, RVR)是指起飛/著陸時飛機(jī)與跑道內(nèi)地面物體之間的視程, 表示在大霧等惡劣天氣條件下跑道和跑道中心線的識別程度,是影響飛機(jī)起飛和降落的重要因素之一. 在能見度小于800 m 的情況下, 航空管制員需要根據(jù)跑道視程判斷飛機(jī)是否能夠起降[1]. 隨著民航航班總量的快速增長, 跑道視程對航班運(yùn)行的影響愈加顯著, 已經(jīng)成為影響航班安全、正常、效率的主要因素[2]. 實際機(jī)場運(yùn)行管制過程中, 為了保障起降安全, 一般較低的跑道視程發(fā)生時不允許飛機(jī)起降. 相應(yīng)地, 跑道視程降低將導(dǎo)致機(jī)場運(yùn)行能力減弱, 機(jī)場航班容量降低, 進(jìn)而引起航班堵塞延誤, 旅客滯留, 增加機(jī)場運(yùn)行成本. 因此, 機(jī)場氣象或者管制人員就會特別關(guān)心未來一段時間內(nèi)跑道視程的變化趨勢, 跑道視程預(yù)測將能夠為機(jī)場業(yè)務(wù)人員提前決策提供依據(jù), 特別是對低跑道視程條件提前作出預(yù)警, 制定相關(guān)起降、管制預(yù)警應(yīng)急方案.

跑道視程不是一個直接觀測量, 目前許多機(jī)場已經(jīng)布設(shè)了民航自動氣象觀測系統(tǒng)(automated weather observing system, AWOS)通過參數(shù)計算實時的跑道視程值, 但觀測僅僅能夠反映當(dāng)前狀態(tài), 無法滿足機(jī)場業(yè)務(wù)部門對未來跑道視程變化趨勢的產(chǎn)品需求, 機(jī)場業(yè)務(wù)上至少需要提前預(yù)報未來近6 個小時的跑道視程變化情況輔助業(yè)務(wù)決策.

機(jī)場跑道視程預(yù)測常用的傳統(tǒng)方法多是基于不同天氣形勢的各種預(yù)報模型的知識積累和近似記憶, 但因知識更新手段的繁瑣, 近年來該方法逐漸被預(yù)報員拋棄[3]. 隨著計算機(jī)計算能力以及人工智能技術(shù)的進(jìn)步, 深度學(xué)習(xí)預(yù)測技術(shù)在跑道視程預(yù)測領(lǐng)域日益受到關(guān)注. 朱蕾等人利用3 年的烏魯木齊機(jī)場RVR 觀測資料, 使用SVM 方法分別構(gòu)建了大于800 m 和小于800 m的RVR 推理模型[3]. Ku 等人也采用了卷積神經(jīng)網(wǎng)絡(luò)對韓國泰安機(jī)場的跑道視程預(yù)測進(jìn)行了初步嘗試[4]. 周志洋利用數(shù)據(jù)挖掘技術(shù), 通過多個維度的氣象特征首次對高高原機(jī)場的跑道視程進(jìn)行了短時預(yù)測, 準(zhǔn)確率最高達(dá)到81.14%[5].

長短時記憶網(wǎng)絡(luò)(long short term memory network,LSTM)是一種改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò), 它有效解決了循環(huán)神經(jīng)網(wǎng)絡(luò)在梯度消失和缺乏長期記憶能力等方面存在的問題, 能夠從海量的長時間序列信息中自動學(xué)習(xí)其特征并保存, 適合處理時序預(yù)測問題, 近年來在氣象領(lǐng)域已得到應(yīng)用. 袁芳介紹了LSTM 技術(shù)的基本原理,并提出該方法在處理氣象領(lǐng)域非線性分類、回歸等問題應(yīng)用建議[6]. 李芬等人將LSTM 方法用于細(xì)顆粒物(particle matter≤2.5 μm, PM2.5)的短期預(yù)測[7]. 魏昱洲等人使用LSTM 方法進(jìn)行超短期風(fēng)速的預(yù)測試驗, 均取得了一定的預(yù)報效果[8]. 此外, 羅芳瓊等人基于LSTM方法提取的特征信息, 結(jié)合隨機(jī)森林和支持向量機(jī)方法, 建立了低溫氣象災(zāi)害預(yù)報混合模型, 取得了較高的預(yù)測精度[9].

低跑道視程現(xiàn)象受多重氣象和非氣象因子影響,不同因子之間也同樣存在相互作用關(guān)系, 具有明顯的非線性特征, 預(yù)報難度較大. 因而, 如何盡可能地提高對低跑道視程天氣的預(yù)報能力, 從而實現(xiàn)提前預(yù)警是航空氣象保障人員頗為關(guān)注的問題. 為確保飛機(jī)能夠安全起降, 本文采用咸陽機(jī)場2012-2018 年共7 年的民航自動氣象觀測系統(tǒng)觀測資料對跑道視程進(jìn)行研究,采用新型的基于長短時記憶網(wǎng)絡(luò)方法, 建立機(jī)場跑道視程預(yù)測模型, 旨在為氣象保障人員提供一定的可供參考的預(yù)測產(chǎn)品, 輔助決策保障飛機(jī)的安全起降.

1 跑道視程、長短時記憶網(wǎng)絡(luò)概念解析

1.1 跑道視程

跑道視程是指在機(jī)場跑道中線上, 飛機(jī)上的飛行員能夠看到跑道面上的標(biāo)志或者跑道邊界燈或中線燈的距離[10]. 跑道視程不是直接測量的氣象要素, 通過跑道燈光強(qiáng)度(I)、照度閾值(E)和大氣消光系數(shù)( σ),根據(jù)柯西米德定律(Koschmieder’s law)和阿拉德定律(Allard’s law)計算得出的數(shù)值[2], 將兩個定律計算得出的較大值作為要報告的RVR值.

在白天無燈光的情況下, 根據(jù)柯西米德定律,RVR的計算公式為[2]:

在白天能見度受限或夜晚的情況下, 此時需要開啟跑道燈, 依據(jù)阿拉德定律,RVR的計算公式為[2]:

其中, 跑道燈光強(qiáng)度可通過背景亮度儀測量的背景亮度估算得出, 照度閾值可按照設(shè)定的跑道燈光級數(shù)估算得到, 大氣消光系數(shù)可由大氣透射儀或前向散射儀測量的氣象光學(xué)視程得出[2].

從公式出發(fā), 跑道視程似乎與氣象無關(guān), 但實際業(yè)務(wù)中, 照度閾值及大氣消光系數(shù)的變化受到多種氣象要素綜合影響, 例如強(qiáng)降水導(dǎo)致能見度降低, 直觀上導(dǎo)致大氣消光系數(shù)增大, 跑道視程降低, 大霧也能導(dǎo)致能見度降低, 直觀上導(dǎo)致大氣消光系數(shù)增大, 跑道視程降低[2]. 跑道燈光級數(shù)調(diào)整導(dǎo)致照度閾值變化也受降水、大霧等低能見度天氣的影響. 氣象要素對跑道視程的影響作用是極其復(fù)雜的、非線性的, 還沒有任何一種數(shù)學(xué)物理公式或者模型能夠完全刻畫這種影響關(guān)系.

咸陽機(jī)場Ⅰ類精密進(jìn)近著陸標(biāo)準(zhǔn)為主導(dǎo)能見度≥800 m 或RVR≥550 m, Ⅱ類精密進(jìn)近著陸標(biāo)準(zhǔn)為300 m≤RVR＜550 m[11]. 對于Ⅱ類精密進(jìn)近, 當(dāng)跑道視程觀測設(shè)備故障或無法獲得跑道視程報告時不得實施Ⅱ類運(yùn)行[11]. 通常, 將RVR＜550 m 定義為低跑道視程,低跑道視程下常引發(fā)大面積航班延誤, 嚴(yán)重影響航班正常運(yùn)行, 易引發(fā)不安全事件, 飛行員及各安全保障部門均需要非常謹(jǐn)慎地對待這種運(yùn)行情況[1,11].

1.2 長短時記憶網(wǎng)絡(luò)

LSTM 是Hochreiter 等人[12]1997 年提出的基于循環(huán)神經(jīng)網(wǎng)絡(luò)理論的具有記憶長短期信息能力的神經(jīng)網(wǎng)絡(luò), 是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN), 主要是為了解決長序列訓(xùn)練過程中的梯度消失和梯度爆炸問題, 相比普通的RNN, LSTM 在更長的序列中能夠有更好的表現(xiàn)[7,13]. 經(jīng)過若干代的發(fā)展, 已經(jīng)形成了比較系統(tǒng)且完整的LSTM 框架, 并且在語音識別、圖像描述、自然語言處理、市場調(diào)研和交通預(yù)測等領(lǐng)域得到了廣泛的應(yīng)用[14-16]. LSTM 的基本節(jié)點(diǎn)結(jié)構(gòu)如圖1 所示.

圖1 LSTM 基本節(jié)點(diǎn)結(jié)構(gòu)

2 跑道視程預(yù)測數(shù)據(jù)集構(gòu)建

2.1 AWOS 觀測資料

本文采用了2012-2018 年咸陽機(jī)場共7 年的民航氣象自動觀測系統(tǒng)AWOS 觀測資料, AWOS 每分鐘記錄一次各種氣象要素數(shù)據(jù), 包括風(fēng)向、風(fēng)速、溫度、露點(diǎn)溫度、氣壓、相對濕度、降水量、背景亮度、氣象光學(xué)視程、跑道視程等.

咸陽機(jī)場南北兩條跑道沿東北-西南方向, AWOS觀測設(shè)備位于兩條跑道的4 個跑道端點(diǎn)及2 個中點(diǎn),南側(cè)跑道東北端點(diǎn)編號RWY23L, 中點(diǎn)編號SOUTH MID, 西南端點(diǎn)編號RWY05R, 北側(cè)跑道東北端點(diǎn)編號RWY23R, 中點(diǎn)編號NORTH MID, 西南端點(diǎn)編號RWY05L.

2.2 預(yù)報因子選擇

影響機(jī)場跑道視程的天氣主要有霧、煙、沙塵、強(qiáng)降水等, 不同的天氣現(xiàn)象具有不同的氣象影響因子.因此, 本小節(jié)主要通過對低跑道視程的時序特征分析和相關(guān)分析, 獲取影響咸陽機(jī)場的典型氣象因子.

通過對咸陽機(jī)場2012-2018 年共7 年的AWOS觀測資料統(tǒng)計, 咸陽機(jī)場各端點(diǎn)低跑道視程的月際分布如圖2 所示.

圖2 咸陽機(jī)場各端點(diǎn)低跑道視程月際分布圖

圖2 中低跑道視程天氣的月際變化呈雙峰型分布,集中多發(fā)于秋冬季的9-12 月和2-3 月, 春季和夏季發(fā)生次數(shù)較少, 這種季節(jié)分布特征表明本場低跑道視程天氣主要是由霧造成. 而形成霧的相關(guān)氣象因子條件有: 地面氣溫相對較低, 大氣相對濕度較大, 接近準(zhǔn)飽和狀態(tài), 近地層無風(fēng).

經(jīng)過統(tǒng)計, 本場各端點(diǎn)低跑道視程的小時分布如圖3 所示.

圖3 中低跑道視程天氣多發(fā)于凌晨至上午, 下午至傍晚較少發(fā)生, 并且在凌晨至清晨北側(cè)跑道明顯多于南側(cè)跑道, 而上午發(fā)生的低跑道視程天氣南側(cè)跑道多于北側(cè)跑道. 表明咸陽機(jī)場的大霧天氣主要以輻射霧為主, 機(jī)場西北部平原相對東南方向的渭河河谷輻射冷卻效應(yīng)更強(qiáng), 夜間至凌晨更容易產(chǎn)生輻射霧, 而日出后北部升溫快于南部, 輻射霧消散更快, 另一方面和渭河河谷冷氣墊的溫差造成的局地環(huán)流利于河谷區(qū)域的霧自東南向西北方向輸送.

圖3 咸陽機(jī)場各端點(diǎn)低跑道視程小時分布圖

此外, 針對AWOS 自動觀測資料中存在氣象要素較多, 以及考慮到跑道視程也與儀器自身特性相關(guān). 為了盡可能多地獲取與低跑道視程相關(guān)的各類因子, 利用本場AWOS 自動觀測每分鐘的平均風(fēng)、陣風(fēng)、溫度、露點(diǎn)溫度、氣壓、相對濕度、背景光亮度等地面觀測要素進(jìn)行相關(guān)性分析, 從而選擇預(yù)報因子.

AWOS 各地面觀測要素之間的相互相關(guān)性特征如圖4 所示.

圖4 可見, 風(fēng)類要素和溫壓類要素各自之間相關(guān)性較高, 其他要素間相關(guān)性不明顯. 提取各要素與跑道視程的相關(guān)性(不考慮正負(fù)相關(guān))從大到小排列, 結(jié)合專家經(jīng)驗, 本文選取14 個相關(guān)性較強(qiáng)要素作為預(yù)報輸入因子, 依次分別為2 分鐘平均風(fēng)速、2 分鐘平均風(fēng)向、10 分鐘平均風(fēng)速、10 分鐘平均風(fēng)向、背景亮度、10 分鐘平均氣象光學(xué)視程、1 分鐘平均氣象光學(xué)視程、10 分鐘平均跑道視程、1 分鐘平均跑道視程、1 分鐘平均降水量、露點(diǎn)溫度、氣壓、相對濕度和溫度. 數(shù)據(jù)格式如表1 所示.

表1 數(shù)據(jù)格式

圖4 AWOS 地面觀測要素之間的相關(guān)性圖

以上輸入預(yù)報因子的選取, 不僅確保了對現(xiàn)有觀測資料的充分使用, 也能體現(xiàn)各要素之間的相互影響作用隨時間的動態(tài)變化過程, 進(jìn)而構(gòu)造一個比較完備的預(yù)測數(shù)據(jù)集.

2.3 多變量時序預(yù)測

多變量時序預(yù)測問題(multivariable time series prediction problem)是指用過去的多個變量的觀測值預(yù)測其中某一個或多個變量未來的觀測值. 多步預(yù)測(multi-step forecasting)是指用過去的觀測值預(yù)測未來一個時間序列的觀測值[18].

本文利用預(yù)報時間點(diǎn)前4 個小時的本場AWOS自動觀測的14 個預(yù)報因子作為輸入, 預(yù)測未來6 小時每分鐘的RVR值, 即多步多變量時序預(yù)測.

有過這段田園牧歌式的經(jīng)歷，我有時會納悶：野花綠草很好看，但長年累月地看不會悶嗎？略薩的《情愛筆記》里有一個人物，當(dāng)別人跟他描繪“牛群在芳香的野草上徜徉”之類的美景時，他生氣地喊叫：收起牛群野草小木屋的這一套！沒有了現(xiàn)代文明的襯托，那玩意兒有啥意思？“如果有一天，地球被摩天大廈、金屬大橋、柏油馬路、人工花園、巖石鋪地的廣場、地下停車場覆蓋，整個地球都澆筑了鋼筋混凝土并成為一座無邊無際的球形城市（很好！到處都是書店、畫廊、圖書館、餐廳、博物院和咖啡館），我會舉雙手贊成！”聽上去有點(diǎn)可怕，但如果非要選擇的話，我也會選球形城市吧。

時間序列數(shù)據(jù)集是由按時間索引排序的一系列數(shù)字組成, 為了能夠從輸入模式里學(xué)習(xí)如何預(yù)測輸出模式, 需要將時間序列數(shù)據(jù)集轉(zhuǎn)化為監(jiān)督學(xué)習(xí)的數(shù)據(jù)格式, 即監(jiān)督學(xué)習(xí)數(shù)據(jù)集由輸入模式X和輸出模式Y(jié)構(gòu)成.將跑道視程預(yù)測時間序列數(shù)據(jù)集轉(zhuǎn)化為監(jiān)督學(xué)習(xí)的數(shù)據(jù)格式, 如表2 所示.

如表2 所示, 這是多步多變量時序預(yù)測的監(jiān)督學(xué)習(xí)數(shù)據(jù)格式, 表2 中t表示預(yù)報時間點(diǎn),t-240表示預(yù)報時間點(diǎn)過去240 分鐘, 即過去4 個小時,t+359表示預(yù)報時間未來359 分鐘, 即未來6 個小時. 表2 左半部分即監(jiān)督學(xué)習(xí)數(shù)據(jù)集中的輸入模式X, 其中包括過去4 個小時的14 個預(yù)報因子觀測值; 表2 右半部分即監(jiān)督學(xué)習(xí)數(shù)據(jù)集中的輸出模式Y(jié), 未來6 個小時的RVR觀測值.

表2 監(jiān)督學(xué)習(xí)數(shù)據(jù)格式

將跑道視程預(yù)測的時間序列數(shù)據(jù)集轉(zhuǎn)化為監(jiān)督學(xué)習(xí)數(shù)據(jù)集之后, 對數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理, 包括缺省值處理、歸一化、樣本均衡等.

由于各輸入的預(yù)報因子存在量級和單位上的差異,為了消除各個預(yù)報因子之間的差異帶來的數(shù)據(jù)不均一性, 需要對跑道視程預(yù)測數(shù)據(jù)集作標(biāo)準(zhǔn)的歸一化處理,使每一個預(yù)報因子的數(shù)據(jù)落在區(qū)間[ -1,1]內(nèi).

由于低跑道視程天氣在整個數(shù)據(jù)集中所占比例較小, 樣本均衡就格外重要, 本文采用了分層抽樣法進(jìn)行樣本均衡. 分層抽樣法就是將總體單位按其屬性特征分成若干類型或?qū)? 然后在類型或?qū)又须S機(jī)抽取樣本單位. 分層抽樣的特點(diǎn)是由于通過劃類分層, 增大了各類型中單位間的共同性, 容易抽出具有代表性的調(diào)查樣本[19]. 該方法適用于總體情況復(fù)雜, 各單位之間差異較大, 單位較多的情況.

將跑道視程預(yù)測數(shù)據(jù)集輸出模式Y(jié)中的t時 刻RVR值, 按照表3RVR等級進(jìn)行劃分[20], 分成5 層, 然后在這5 層中進(jìn)行隨機(jī)抽樣, 從而使跑道視程預(yù)測數(shù)據(jù)集中的樣本均衡.

表3 R VR等級

將經(jīng)過數(shù)據(jù)預(yù)處理(缺省值處理、歸一化、樣本均衡)的跑道視程預(yù)測數(shù)據(jù)集按照6:2:2 的比例進(jìn)行隨機(jī)抽樣, 并將樣本分組為訓(xùn)練集、驗證集和測試集. 訓(xùn)練集被用于預(yù)測模型構(gòu)建, 驗證集被用于模型參數(shù)最優(yōu)調(diào)試和測試集被用于模型預(yù)測效果檢驗, 從而保障模型的可信性和科學(xué)性.

3 機(jī)場跑道視程預(yù)測實證分析

3.1 LSTM 預(yù)測模型構(gòu)建

根據(jù)柯爾莫哥洛夫理論(Kolmogorov theory), 當(dāng)前饋型神經(jīng)網(wǎng)絡(luò)具有3 層及以上結(jié)構(gòu)時可實現(xiàn)以任意精度逼近任意非線性連續(xù)函數(shù)[13,21,22]. 因此, 本文的預(yù)測模型由3 個LSTM 層和1 個全連接的神經(jīng)網(wǎng)絡(luò)層組成, 且為了避免過擬合, 在每個LSTM 層后面添加了dropout 層, 結(jié)構(gòu)圖如圖5 所示. 過去4 個小時的氣象要素(風(fēng)速、溫度、濕度和跑道視程等)被輸入網(wǎng)絡(luò),預(yù)測跑道未來6 個小時的視程.

圖5 跑道視程預(yù)測模型網(wǎng)絡(luò)結(jié)構(gòu)圖

LSTM 的遺忘門、輸入門和輸出門都是通過圖5中LSTM cell 實現(xiàn), LSTM cell 具體算法流程如下:

輸入: 上一個狀態(tài)的信息, 假設(shè)輸入門表示為it, 遺忘門表示為ft和輸出門表示為ot, 下標(biāo)t表示時刻, 使用Ct表 示LSTM cell 在t時刻的單元狀態(tài)[15];

步驟1. 接收輸入信息. 通過當(dāng)前t時刻輸入數(shù)據(jù)Xt、上一時刻LSTM cell 輸出值Ht-1與上一時刻單元狀態(tài)Ct-1, 計算輸入門的值it, 輸入門決定了將多少當(dāng)前時刻輸入數(shù)據(jù)Xt的 信息保存到單元狀態(tài)Ct;

步驟2. 遺忘狀態(tài)信息. 遺忘門用于控制上一個時刻單元狀態(tài)Ct-1的哪些信息保留到當(dāng)前時刻的單元狀態(tài)Ct中;

步驟3. 更新狀態(tài)信息. 通過輸入門決定當(dāng)前時刻單元狀態(tài)哪些信息需要被保留, 結(jié)合遺忘門新的需要添加的信息, 對當(dāng)前時刻的單元狀態(tài)進(jìn)行更新, 得到新的當(dāng)前時刻單元狀態(tài)Ct;

步驟4. 輸出新的信息. 輸出門主要是通過Sigmoid層決定要輸出細(xì)胞狀態(tài)的相關(guān)信息, 然后將輸出門的輸出ot與tanh 處理后的記憶單元狀態(tài)Ct進(jìn)行乘積, 得到最終當(dāng)前層的輸出信息Ht;

輸出: 當(dāng)前LSTM 單元的狀態(tài)信息Ct及 輸出Ht.

預(yù)測模型網(wǎng)絡(luò)結(jié)構(gòu)確定之后, 為充分發(fā)揮LSTM網(wǎng)絡(luò)的非線性映射能力, 將它們的cell 輸出維度n分別從1 遞增到1 000, 并逐個進(jìn)行實驗, 尋找最適合本研究的LSTM cell 輸出維度組合. 基于LSTM 的跑道視程預(yù)測模型的構(gòu)建過程如圖6 所示.

圖6 基于LSTM 的跑道視程預(yù)測模型構(gòu)建流程圖

為了避免隨機(jī)初始權(quán)重和偏置對預(yù)測結(jié)果的影響,分別將每種LSTM 輸出維度組合對應(yīng)的預(yù)測模型進(jìn)行100 次訓(xùn)練和測試, 保存其效果最好時的網(wǎng)絡(luò)參數(shù).

通過實驗發(fā)現(xiàn), 隨著LSTM 層輸出維度的增加, 預(yù)測模型效果先急劇上升, 然后漸趨平緩, 特別地, 當(dāng)LSTM 層1 的輸出維度大于490、LSTM 層2 的輸出維度大于420、LSTM 層3 的輸出維度大于360 時, 繼續(xù)增加輸出維度給預(yù)測模型帶來的效果提升幾乎可以忽略不計. 綜合考慮計算代價增量與效果提升幅度后認(rèn)為: LSTM 層1、LSTM 層2 與LSTM 層3 的輸出維度數(shù)分別取490、420 與360 時最適合本研究.

其他相關(guān)的實驗參數(shù)設(shè)置如下: 隨機(jī)初始化權(quán)重和偏置, 損失函數(shù)為訓(xùn)練集的均方誤差, 損失函數(shù)的優(yōu)化算法采用RMSProp 優(yōu)化器, d ropout比率為0.2, 終止條件為訓(xùn)練集迭代次數(shù)達(dá)到1 萬次或者均方誤差小于1E-5.

該網(wǎng)絡(luò)采用基于TensorFlow 的Keras API 實現(xiàn),并采用4 塊NVIDIA TiTAN V GPU 進(jìn)行訓(xùn)練.

3.2 預(yù)測試驗結(jié)果分析

AWOS 觀測設(shè)備分別位于兩條跑道的4 個跑道端點(diǎn)及2 個中點(diǎn), 2 個跑道中點(diǎn)的AWOS 觀測設(shè)備只對少量氣象要素進(jìn)行監(jiān)測, 缺少與RVR相關(guān)性較強(qiáng)的預(yù)報因子(降水量、氣壓、相對濕度、溫度等), 因此無法進(jìn)行跑道視程預(yù)測.

將兩條跑道4 個跑道端點(diǎn)RWY23L、RWY05R、RWY23R、RWY05 的AWOS 觀測數(shù)據(jù)經(jīng)過數(shù)據(jù)預(yù)處理(缺省值處理、歸一化、樣本均衡)后, 按照6:2:2 比例進(jìn)行隨機(jī)抽樣, 劃分成訓(xùn)練集、驗證集和測試集, 送入第3.1 節(jié)構(gòu)建的LSTM 跑道視程預(yù)測模型進(jìn)行訓(xùn)練,4 個跑道端點(diǎn)預(yù)測模型的訓(xùn)練及驗證Loss曲線如圖7.

通過圖7 可以看出, 隨著迭代次數(shù)的增加, 4 個跑道端點(diǎn)的Loss值都在下降, 訓(xùn)練集下降比較平滑, 最后趨于穩(wěn)定, 驗證集下降過程起伏較大.

圖7 4 個端點(diǎn)訓(xùn)練集及驗證集的L oss曲線

將測試集送入訓(xùn)練后的預(yù)測模型, 對4 個跑道端點(diǎn)的跑道視程實際觀測值與預(yù)測值進(jìn)行比較, 分別計算擬合度及均方根誤差. 擬合度(goodness of fit)是指預(yù)測值對觀測值的擬合程度[23], 一般使用變量R2表示,R2值越接近1, 說明擬合程度越好, 擬合度R2計算方法:設(shè)y為待擬合值, 其均值為yˉ, 擬合值為y?, 記總平方和SST:

圖8 可見, 跑道視程預(yù)測模型在0-2 小時內(nèi)平均擬合度能夠達(dá)到72%, 隨著時間的增加, 預(yù)測模型的擬合度R2逐漸減小, 最后降至50%以下, 并且均方根誤差RMSE逐漸增大, 最后增至438.471 以上, 這說明跑道預(yù)測模型預(yù)測較近時間點(diǎn)的RVR值具有較高的擬合度, 較低的均方誤差, 預(yù)測得比較準(zhǔn)確, 而預(yù)測未來較遠(yuǎn)時間點(diǎn)的RVR值偏差會越來越大, 這也符合直觀認(rèn)知, 跑道視程預(yù)測比較適合0-2 小時臨近預(yù)報.

圖8 4 個端點(diǎn)未來0-359 分鐘模型R 2 及R MSE變化圖

4 小結(jié)與討論

跑道視程的時序分布特征等分析結(jié)果表明影響咸陽機(jī)場低跑道視程的天氣主要是大霧. 由于大霧的局地特性很強(qiáng), 其預(yù)報目前在氣象領(lǐng)域依然是業(yè)務(wù)難點(diǎn). 雖然近年來大霧預(yù)報由傳統(tǒng)的經(jīng)驗或者統(tǒng)計預(yù)報向數(shù)值模式或者大霧模式預(yù)報轉(zhuǎn)變, 但數(shù)值釋用和霧模式預(yù)報準(zhǔn)確性仍有待提高, 難以在實際業(yè)務(wù)預(yù)報中直接使用[25].

考慮到每個預(yù)測時間前4 小時的多維氣象要素數(shù)據(jù)包含著各種氣象要素的變化趨勢, 例如降水增大, 未來跑道視程數(shù)據(jù)就會相應(yīng)的降低, 濕度增大、溫度降低、風(fēng)速較小, 一般會伴隨著大霧的發(fā)生(大霧的機(jī)理比較復(fù)雜, 濕度增大、溫度降低、風(fēng)速較小只是其中3 個較為顯著的氣象條件), 未來跑道視程也會相應(yīng)的降低. 本文基于長短時記憶網(wǎng)絡(luò)的多維時間序列預(yù)測方法, 采用多維氣象要素進(jìn)行跑道視程預(yù)測, 旨在擬合出多維氣象要素與跑道視程之間的映射關(guān)系.

實驗表明采用長短時記憶網(wǎng)絡(luò), 利用風(fēng)速、溫度、濕度和跑道視距等預(yù)報因子建立一種機(jī)場跑道視程預(yù)測模型, 對測試集預(yù)測的0-2 小時擬合度在58%-88%之間, 擬合度結(jié)果表明本文搭建的LSTM 預(yù)測模型對跑道視程具有較高的預(yù)測能力, 具有推廣價值和發(fā)展前景, 其結(jié)果可被航空氣象保障人員參考應(yīng)用LSTM 的優(yōu)越性和推廣前景.

未來研究中將要改進(jìn)的方面:

(1)低跑道視程天氣的出現(xiàn)與季節(jié)、晨昏時間信息有關(guān), 之后的研究工作中預(yù)報因子的選取考慮季節(jié)、晨昏等時間信息.

(2)冬季出現(xiàn)較低跑道視程時, 邊界層內(nèi)常出現(xiàn)大氣層結(jié)中性弱不穩(wěn)定、逆溫以及大濕度區(qū)分布的垂直結(jié)構(gòu). 為了盡可能地描述大氣垂直結(jié)構(gòu)對低跑道視程天氣的影響, 將增加探空觀測的多層次的位勢高度、溫度、露點(diǎn)溫度、風(fēng)向、風(fēng)速等資料作為預(yù)報因子[25].

(3)隨著人工智能技術(shù)的發(fā)展, 越來越多優(yōu)秀的預(yù)測技術(shù)逐漸成熟, 采用最新的預(yù)測算法建模, 進(jìn)行比較,選取較優(yōu)的預(yù)測模型為跑道視程的預(yù)測提供指導(dǎo), 更好的保障航空器的安全起降.

(4)雖然0-2 小時跑道視距預(yù)測具有很高的擬合度. 然而, 預(yù)測模型有幾個部分任然需要進(jìn)行改進(jìn), 如跟蹤谷值[26], 跑道視程谷值是航空管制員重點(diǎn)關(guān)注的,需要根據(jù)跑道視程谷值判斷飛機(jī)是否能夠起降.