[发明专利]一种用于机场跑道视程监测的循环神经网络模型构建方法

权利要求书

1.一种用于机场跑道视程监测的循环神经网络模型构建方法，其特征在于：包括如下步骤：

步骤1：构建机场跑道视程预测数据集；

步骤2：将AWOS观测资料按照跑道端点进行划分；

步骤3：对AWOS观测资料中的各种气象要素进行相关性分析，挑选与跑道视程相关性最强的若干个气象要素作为预报因子；

步骤4：将数据集转换为多步多变量时序预测问题的输入形式；

步骤5：对数据集进行处理，避免不同等级之间样本数差距过大；

步骤6：将经过数据预处理的跑道视程预测数据集进行随机抽样，将样本分成训练集、验证集和测试集，用于预测模型的训练和评估；

步骤7：将随机抽样后的训练集及验证集送入确定网络结构后的预测模型，通过循环试验，寻找最适合本方法的神经元个数组合；

步骤8：将处理后的跑道视程预测数据集送入机场跑道视程模型训练，进行迭代并优化网络参数；

步骤9：测试跑道视程预测模型；

步骤10：模型训练完成后将模型保存。

2.根据权利要求1所述的用于机场跑道视程监测的循环神经网络模型构建方法，其特征在于：步骤1中，AWOS采集观测资料包括风向、风速、温度、露点温度、气压、相对湿度、降水量、背景亮度、气象光学视程、跑道视程。

3.根据权利要求2所述的用于机场跑道视程监测的循环神经网络模型构建方法，其特征在于：步骤3中，挑选与跑道视程相关性最强的10个气象要素作为预报因子，分别为风向、风速、温度、露点温度、气压、相对湿度、降水量、背景亮度、气象光学视程和跑道视程；每一个样本包括10个要素，每个要素至少包括一个预报因子，每个样本包括L个预报因子，样本维度为[None,L]，None表示数据集样本数量。

4.根据权利要求3所述的用于机场跑道视程监测的循环神经网络模型构建方法，其特征在于：步骤4中，将预报时间点前M分钟的本场AWOS自动观测资料，包括L个预报因子作为输入模式X，未来N分钟的跑道视程值作为输出模式Y，其中，输入模式X的维度为[None,M,L]，输出模式Y的维度为[None,N,1]。

5.根据权利要求4所述的用于机场跑道视程监测的循环神经网络模型构建方法，其特征在于：步骤5中，对数据集进行缺省值处理、归一化、样本均衡处理，将数据集归一化至[-1,1]内，并按照RVR等级标准将数据集划分为5级，从中随机抽样。

6.根据权利要求5所述的用于机场跑道视程监测的循环神经网络模型构建方法，其特征在于：步骤6中，将经过数据预处理的跑道视程预测数据集按照6:2:2的比例进行随机抽样，将样本分成训练集、验证集和测试集，训练集用于确定预测模型，验证集用于确定预测的最优模型参数，以及测试集用于检验预测效果。

7.根据权利要求4所述的用于机场跑道视程监测的循环神经网络模型构建方法，其特征在于：步骤7中，通过循环试验，寻找最适合本方法的神经元个数组合，确定其中两层神经元个数，逐渐增大另一层神经元个数，逐个进行试验，选择拟合度最优的神经元个数n，作为最终的神经元输出维度组合；

随机初始化权重和偏置，损失函数为训练集的均方误差，损失函数的优化算法采用RMSProp优化器，Dropout比率为0.2，终止条件为训练集迭代次数达到1万次或者均方误差小于1*e-5。