CN111175852A - 一种基于长短时记忆算法的机场大雾预报预警方法 - Google Patents

Abstract

本发明提出一种基于长短时记忆算法的大雾预报预警方法，包括以下步骤：步骤S1：由机场自观站和周边气象观测站获取气象数据；步骤S2：对获取的所述气象数据进行处理，剔除异常数据；步骤S3：分别对经过处理的所述气象数据进行标准化处理；步骤S4：将进行标准化处理的所述气象数据输入长短时记忆神经网络模型，对大雾等级进行预报。本发明提供了一种基于长短记忆网络的大雾预报新模式，提高了大雾预报的精细化精准化程度，实现了端到端的大雾预报新方法，克服传统数值预报由于误差累积造成的信息损失，提高了数据的利用率。

Description

一种基于长短时记忆算法的机场大雾预报预警方法

技术领域

本发明属于气象预测技术领域，具体涉及一种基于长短时记忆算法的机场大雾预报预警方法。

背景技术

雾是一种常见的灾害性天气，随着国民经济的快速发展，雾天对航空、航海、公路运输及人民的日常生活造成巨大的影响，常造成航海货船进出港作业、客货车晚点、高速公路关闭以及“追尾”恶性交通事故的发生。尤其是伴随着我国民航事业的高速发展，空中交通流量的不断增加，雾作为一种发生几率高、发生范围广、危害程度大的常见天气，与飞机的起降有着最直接的关系，影响到航班的飞行安全、正点及经济效益。能见度小于200m的大雾，还会导致严重的飞行事故。

目前，现有技术中大雾预报方法主要包括经验预报、统计预报、数值预报等。大雾的经验预报方法为：基于观测数据，根据天气学原理，预报员依靠经验做出有无大雾的定性预报。经验预报时空分辨率、准确率、精细化程度均比较低。大雾的统计预报方法为：根据历史大雾观测记录，结合大雾生成时的气候概况和天气形势、气象条件以及各种物理量场的分布，采用统计学方法构建大雾生成的统计学模型。传统的统计预报模型结构简单，难以统计复杂的非线性过程，预报准确率较低；基于神经网络等新方法的统计学预报模型目前仅能进行大雾有无的二分类预报，预报时空分辨率和准确率也十分有限。大雾的数值预报方法为：使用数值模式来进行大雾预报，如高分辨率的一维模式与三维中尺度天气预报模式的耦合技术来进行大雾预报。虽然数值模式预报性能整体由经验预报和统计预报，但由于数值模式精度和运算速度的限制，现有的大雾预报水平很难满足交通出行所需的时间、空间和量级上的精细化要求和准确率要求。

发明内容

本发明提供了一种基于气象自动站以及自建观测设备的长期历史观测数据，采用机器学习的方法，通过对样本的学习，从海量信息中自动识别并提取关键信息，获得因变量和自变量之间复杂的映射关系，从而建立低云低能见度的机场大雾预报预警方法。

具体而言本发明提供了一种基于长短时记忆算法的大雾预报预警方法，其特征在于，所述大雾预报预警方法包括以下步骤：

步骤S1：由机场自观站和周边气象观测站获取气象数据；

步骤S2：对获取的所述气象数据进行处理，剔除异常数据；

步骤S3：分别对经过处理的所述气象数据进行标准化处理；

步骤S4：将进行标准化处理的所述气象数据输入长短时记忆模型，对大雾等级进行预报。

更进一步地，在步骤S1中，所述气象数据包括能见度、温度、湿度、风速、风向、气压、降水量等多项数据。

更进一步地，在步骤S2中，设定时间阈值Th，将能见度小于1000米且时间持续小于Th的雾事件对应的气象数据作为所述异常数据剔除。

更进一步地，步骤S3中，还包括以下步骤：

步骤S31：分别提取不同量纲的所述气象数据的最大值和最小值；

步骤S32：分别对不同量纲的所述气象数据采用最大值最小值的标准化方法对数据进行标准化处理：

其中，x_std是所述气象数据的标准化结果，x是获取的所述气象数据，x_max是所述气象数据的最大值，x_min是所述气象数据的最小值。

更进一步地，步骤S4中，还包括以下步骤：

步骤S41：将采集到的各时刻气象信息作为多维向量x^t输入长短时记忆神经网络模型，通过输入门的网络模型计算输入门的值；

步骤S42：通过遗忘门的网络模型计算遗忘门的值；

步骤S43：通过所述输入门的值和遗忘门的值计算记忆单元状态值；

步骤S44：通过所述记忆单元状态值计算输出门的值；

步骤S45：计算长短时记忆神经网络模型的输出值；

步骤S46：通过全连接层将长短时记忆神经网络模型的输出映射到分类输出层；

步骤S47：采用Softmax函数对结果进行分类。

更进一步地，步骤S41中，所述输入门的网络模型为：

公式中，

是输入门在时间t的网络输入，

是输入门在时间t的网络输出，w_il是输入维度和输入门输出维度的连接权重，

是时间t的输入数据，w_hl是隐层结点数和输入门输出维度的连接权重，

是t上一时刻隐层结点数输出值，w_cl是Cell数目和输入门输出维度的连接权重，

是t上一时刻记忆单元值，f是各个门的激活函数。

更进一步地，步骤S42中，所述遗忘门的网络模型为：

公式中，

是遗忘门在时间t的网络输入，

是遗忘门在时间t的网络输出，w_iφ是输入维度和遗忘门输出维度的连接权重，w_hφ是隐层结点数和遗忘门输出维度的连接权重，w_cφ是Cell的数目和遗忘门输出维度的连接权重，

是t上一时刻Cell输出值。

更进一步地，步骤S43中，所述记忆单元状态值与输入门和遗忘门关系为：

公式中，

是t时刻记忆单元状态值，

是t上一时刻Cell的值，g是Cell输入激活函数，

是上一层Cell输入值，

的计算公式如下：

公式中，w_ic是输入维度和Cell数目的连接权重，w_hc是隐层结点数和Cell数目的连接权重。

更进一步地，步骤S44中，所述记忆单元状态值计算网络模型输出门的关系为：

公式中，

是输出门在时间t的网络输入，

是输出门在时间t的网络输出，w_iw是输入维度和输出门的连接权重，w_hw是隐层结点数和输出门的连接权重，w_cw是Cell的数目和输出门的连接权重。

更进一步地，步骤S45中，所述长短时记忆神经网络模型的输出模型为：

公式中，

是整个长短时记忆神经网络模型在时间t的输出，h是Cell输出激活函数。本发明的有益效果是：

本发明提供了一种基于长短记忆神经网络的大雾预报新模式，通过构建长短时记忆神经网络模型，并将采集到的气象信息作为多维向量输入长短时记忆神经网络模型进行大雾预报预警，提高了大雾预报的精细化精准化程度。

本发明实现了端到端的大雾预报新方法，克服传统数值预报由于误差累积造成的信息损失，提高了数据的利用率。

附图说明

图1是本发明实施例提供的一种基于长短时记忆算法的大雾预报预警方法的流程示意图；

图2是本发明实施例提供的一种基于长短时记忆算法的大雾预报预警方法中异常数据示意图；

图3是本发明实施例提供的一种基于长短时记忆算法的大雾预报预警方法中是长短时记忆算法流程示意图；

图4是本发明实施例提供的一种基于长短时记忆算法的大雾预报预警方法中一次完整大雾过程预报结果示意图；

图5是本发明实施例提供的一种基于长短时记忆算法的大雾预报预警方法中机场跑道4个端点大雾预报70分钟准确率示意图；

图6是本发明实施例提供的一种基于长短时记忆算法的大雾预报预警方法中大雾预报70分钟的TS评分示意图。

具体实施方式

下面通过实施例，并结合附图1-6，对本发明的技术方案作进一步具体的说明。

本发明的大雾预报预警方法分为训练阶段和应用阶段两部分，训练阶段和应用阶段均需要按照下述流程步骤进行数据获取和处理，只是在训练阶段所采用的为带有标签的历史数据，应用阶段采用的是实时数据，这是本领域技术人员都明了的，所以对训练过程不再强调。

如附图1所示，本发明的目的是提供了一种基于长短时记忆算法的大雾预报预警方法，包括如下步骤：

步骤S1：由机场自观站和周边气象观测站获取气象数据；

步骤S2：对获取的气象数据进行处理，剔除异常数据；

步骤S3：分别对经过处理的气象数据进行标准化处理；

步骤S4：将进行标准化处理的气象数据输入长短时记忆模型，对大雾等级进行预报。

在步骤S1中，获取机场自观站的传感器数据以及机场周边气象观测站数据，包括能见度、温度、湿度、风速、风向、气压、降水量等多项数据。

如附图2所示，具体的，由于观测仪器会出现不稳定导致数据异常，因此，需要对观测数据进程异常剔除；在步骤S2中的异常数据的剔除还包括以下步骤：

步骤S21：设定时间阈值Th，将能见度小于1000米且时间持续小于Th的雾事件对应的气象数据筛选出来；

步骤S22：剔除异常干扰：将持续时间小于Th的雾事件对应的气象数据剔除；

在步骤S3中，对于经过处理的气象数据x包括温度、湿度、风速、风向、气压、降水量等不同量纲的数据进行标准化处理还包括以下步骤：

步骤S31：分别提取不同量纲数据的最大值xmax和最小值xmin：

步骤S32：分别对不同量纲的气象数据采用最大值最小值的标准化方法对数据进行标准化处理：

如图3所示，在步骤S4中，长短时记忆神经网络模型的基本思想是希望设计一个受控于多个控制门的神经元，也叫做记忆模块以此来克服递归神经网络中梯度消失的现象。通过控制门可以限制新信息扰乱神经元中以保存的信息，这样的设计可以使长短时记忆模型能够在较长时间域保存并传递信息，不仅适合处理长时间延迟的信号，也很适合处理高低频率的混合信号。本发明采用长短时记忆算法对大雾进行预报可以收到意想不到的良好效果。

长短时记忆算法对大雾进行预报的过程，其中w_ij表示从i单元到j单元的连接权重，时间t的网络输入为

输出为

下标l、φ、w分别代表输入门、遗忘门和输出门的输出维度。f代表各个门的激活函数，g、h分别代表Cell输入及输出的激活函数，I代表输入维度，K代表输出维数，H代表隐层结点数，C代表Cell的数目。

具体的，还包括以下步骤：

步骤S41：计算输入门的值，将采集到的各时刻气象信息作为多维向量x^t输入长短时记忆神经网络模型，输入门用于控制当前数据输入对记忆单元状态值的影响。所有门的计算除了受当前输入数据x^t和上一时刻长短时记忆神经网络模型输出值b^t-1影响外，还受上一时刻记忆单元值s^t-1的影响，输入门的网络模型为：

公式中，

是输入门在时间t的网络输入，

是输入门在时间t的网络输出，w_il是输入维度和输入门输出维度的连接权重，

是时间t的输入数据，w_hl是隐层结点数和输入门输出维度的连接权重，

是t上一时刻隐层结点数输出值，w_cl是Cell数目和输入门输出维度的连接权重，

是t上一时刻记忆单元值，f是各个门的激活函数。

步骤S42：计算遗忘门的值，遗忘门用于控制历史信息对当前记忆单元状态值的影响。遗忘门的网络模型为：

公式中，

是遗忘门在时间t的网络输入，

是遗忘门在时间t的网络输出，w_iφ是输入维度和遗忘门输出维度的连接权重，w_hφ是隐层结点数和遗忘门输出维度的连接权重，w_cφ是Cell的数目和遗忘门输出维度的连接权重，

是t上一时刻Cell输出值。

步骤S43：计算当前时刻记忆单元状态值s^t，Cell是个核心单元，接受来自输入门与遗忘门的输入，并产生输出。

公式中，

是t时刻记忆单元状态值，

是t上一时刻Cell的值，g是Cell输入激活函数，

是上一层Cell输入值，

的计算公式如下：

公式中，w_ic是输入维度和Cell数目的连接权重，w_hc是隐层结点数和Cell数目的连接权重。

步骤S44：计算输出门，用于控制记忆单元状态值的输出。

公式中，

是输出门在时间t的网络输入，

是输出门在时间t的网络输出，w_iw是输入维度和输出门的连接权重，w_hw是隐层结点数和输出门的连接权重，w_cw是Cell的数目和输出门的连接权重。

步骤S45：计算整个长短时记忆神经网络模型的输出值，即Cell的输出与输出门的乘积，公式如下：

公式中，

是整个长短时记忆神经网络模型在时间t的输出，h是Cell输出激活函数。

步骤S46：分类输出，通过全连接层将长短时记忆神经网络模型的输出映射到分类输出层：

公式中，

是时间t的输出类别数，w_ki是输出维数和输入维度的连接权重。

步骤S47：最后，采用Softmax函数对结果进行分类：

公式中，

是i维度时间t的输出类别数。

其中，

值最大的输入维度所代表的能见度等级即为预测结果的大雾等级。

在训练阶段，获得预测的大雾等级后，将所预测的大雾等级与历史数据实际测得的大雾等级进行比较以作为反馈，对长短时记忆神经网络模型的各个参数进行迭代调整优化，以获得训练好的网络模型。

在应用阶段，这直接按照上述步骤进行处理获得其分类即可。

根据民航气象台业务需求，根据起飞标准和落地标准：低能见度预报时预报员特别注意体现200米(二类起飞)，300米(二类落地)，550(一类运行)米，800米等能见度等级的时间点，具有相当重要的提示作用，将能见度分为RVR≤200、200＜RVR≤300、300＜RVR≤550、550＜RVR≤800和RVR＞800五个等级，分别记为0级、1级、2级、3级和4级。

如附图4所示，将长短时记忆神经网络模型部署到机场进行验证，本发明对一次完整大雾过程的预报，通过本发明方法预测结果与真实结果相比较，我们可以看出，本发明中的方法能有效对大雾进行预报。

如附图5-6所示，为了验证该发明对机场大雾预报精细化程度，机场两条跑道端点设有LSTM-03、LSTM-04、LSTM-21和LSTM-224共4个端点的70分钟预报准确度，以及机场4个端点70分钟的评价TS评分，从评分中我们可以看出，4个端点的准确度都比较高，实现了机场大雾时间和空间上的精细化精准化预报。

虽然本发明已经以较佳实施例公开如上，但实施例并不是用来限定本发明的。在不脱离本发明之精神和范围内，所做的任何等效变化或润饰，同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。

Claims (10)

1.一种基于长短时记忆算法的大雾预报预警方法，其特征在于，所述大雾预报预警方法包括以下步骤：

步骤S1：由机场自观站和周边气象观测站获取气象数据；

步骤S2：对获取的所述气象数据进行处理，剔除异常数据；

步骤S3：分别对经过处理的所述气象数据进行标准化处理；

步骤S4：将进行标准化处理的所述气象数据输入长短时记忆神经网络模型，对大雾等级进行预报。

2.根据权利要求1所述大雾预报预警方法，其特征在于，在步骤S1中，所述气象数据包括能见度、温度、湿度、风速、风向、气压、降水量等多项数据。

3.根据权利要求1所述大雾预报预警方法，其特征在于，在步骤S2中，设定时间阈值Th，将能见度小于1000米且时间持续小于Th的雾事件对应的气象数据作为所述异常数据剔除。

4.根据权利要求1所述大雾预报预警方法，其特征在于，步骤S3中，还包括以下步骤：

步骤S31：分别提取不同量纲的所述气象数据的最大值和最小值；

步骤S32：分别对不同量纲的所述气象数据采用最大值最小值的标准化方法对数据进行标准化处理：

其中，x_std是所述气象数据的标准化结果，x是获取的所述气象数据，x_max是所述气象数据的最大值，x_min是所述气象数据的最小值。

5.根据权利要求1所述大雾预报预警方法，其特征在于，步骤S4中，还包括以下步骤：

步骤S41：将采集到的各时刻气象信息作为多维向量x^t输入长短时记忆神经网络模型，通过输入门的网络模型计算输入门的值；

步骤S42：通过遗忘门的网络模型计算遗忘门的值；

步骤S43：通过所述输入门的值和遗忘门的值计算记忆单元状态值；

步骤S44：通过所述记忆单元状态值计算输出门的值；

步骤S45：计算长短时记忆神经网络模型的输出值；

步骤S46：通过全连接层将长短时记忆神经网络模型的输出映射到分类输出层；

步骤S47：采用Softmax函数对结果进行分类。

6.根据权利要求5所述大雾预报预警方法，其特征在于，步骤S41中，所述输入门的网络模型为：

公式中，

是输入门在时间t的网络输入，

是输入门在时间t的网络输出，w_il是输入维度和输入门输出维度的连接权重，

是时间t的输入数据，w_hl是隐层结点数和输入门输出维度的连接权重，

是t上一时刻隐层结点数输出值，w_cl是Cell数目和输入门输出维度的连接权重，

是t上一时刻记忆单元值，f是各个门的激活函数。

7.根据权利要求5所述大雾预报预警方法，其特征在于，步骤S42中，所述遗忘门的网络模型为：

公式中，

是遗忘门在时间t的网络输入，

是遗忘门在时间t的网络输出，w_iφ是输入维度和遗忘门输出维度的连接权重，w_hφ是隐层结点数和遗忘门输出维度的连接权重，w_cφ是Cell的数目和遗忘门输出维度的连接权重，

是t上一时刻Cell输出值。

8.根据权利要求5所述大雾预报预警方法，其特征在于，步骤S43中，所述记忆单元状态值与输入门和遗忘门关系为：

公式中，

是t时刻记忆单元状态值，

是t上一时刻Cell的值，g是Cell输入激活函数，

是上一层Cell输入值，

的计算公式如下：

公式中，w_ic是输入维度和Cell数目的连接权重，w_hc是隐层结点数和Cell数目的连接权重。

9.根据权利要求5所述大雾预报预警方法，其特征在于，步骤S44中，所述记忆单元状态值计算网络模型输出门的关系为：

公式中，

是输出门在时间t的网络输入，

是输出门在时间t的网络输出，w_iw是输入维度和输出门的连接权重，w_hw是隐层结点数和输出门的连接权重，w_cw是Cell的数目和输出门的连接权重。

10.根据权利要求5所述大雾预报预警方法，其特征在于，步骤S45中，所述长短时记忆神经网络模型的输出模型为：

公式中，

是整个长短时记忆神经网络模型在时间t的输出，h是Cell输出激活函数。

Images