[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

说明书

本发明涉及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，设计了深度神经网络模型，拟合各种气象要素与跑道视程之间的动态映射关系，并应用于低跑道视程天气的预警。本发明采用了一种由三层长短时记忆网络组成的深度神经网络架构，通过长期的民航自动气象观测系统历史数据作为训练样本，学习样本中多种气象要素与跑道视程之间的映射关系，进而预测未来的跑道视程值，为行业用户提供及时有效的低跑道视程监测服务，以及时处理航班堵塞、旅客滞留等事件，并确保飞机起降安全。

技术领域

本发明涉及时序预测和模式识别领域领域，尤其涉及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。

背景技术

随着民航航班总量的快速增长，跑道视程(Runway Visual Range，RVR)对航班运行的影响愈加显著，已经成为影响航班安全、正常、效率的主要因素。跑道视程是指起飞/着陆时飞机与跑道内地面物体之间的视程，表示在大雾等恶劣天气条件下跑道和跑道中心线的识别程度，是影响飞机起飞和降落的重要因素之一。在能见度小于800m的情况下，航空管制员需要根据跑道视程判断飞机是否能够起降。实际机场运行管制过程中，跑道视程是影响飞机起降的重要安全指标之一。为了保障起降安全，一般较低的跑道视程发生时不允许飞机起降。相应地，跑道视程降低将导致机场运行能力减弱，机场航班容量降低，进而引起航班堵塞延误，旅客滞留，增加机场运行成本。因此，机场气象或者管制人员就会特别关心未来一段时间内跑道视程的变化趋势，跑道视程预测将能够为机场业务人员提前决策提供依据，特别是对低跑道视程条件提前做出预警，制定相关起降、管制预警应急方案。

跑道视程不是一个直接观测量，目前许多机场已经布设了民航自动气象观测系统(Automated Weather Observing System，AWOS)通过参数计算实时的跑道视程值，但观测仅仅能够反映当前状态，无法满足机场业务部门对未来跑道视程变化趋势的产品需求，机场业务上至少需要提前预报未来近六个小时的跑道视程变化情况辅助业务决策。

传统机场跑道视程预测使用较多的仍然是基于不同天气形势的各种预报模型的知识积累和近似记忆。20世纪90年代初期比较盛行的基于天气图知识的经验预报系统，正是这种知识积累的客观表现，但因知识更新手段的繁琐而逐渐被预报员抛弃。

随着计算机技术的发展和人工智能技术的进步，深度学习预测技术得到很好的发展。长短时记忆网络(Long Short Term Memory Network，LSTM)是一种改进的循环神经网络，它具有从海量的信息中自动学习并长期保存信息的特点，适合处理时序预测问题。长短时记忆网络于20世纪90年代逐渐成熟发展起来，近年在气象领域已得到应用。导致低跑道视程天气出现的因素较多，影响系统复杂，预报难度较大，因而如何尽可能地预报出低跑道视程天气的出现，是航空气象预报工作者颇为关注的问题。

发明内容

为解决现有的技术问题，本发明提供了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。

本发明的具体内容如下：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，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；