王新龙,梁艳玲,刘雪宇
(1.长治学院 计算机系,山西 长治 046011;2.山西旅游职业学院 计算机科学系,山西 太原 030031;3.太原理工大学 计算机科学与技术学院(大数据学院),山西 太原 030024)
在实践中,我们通常以能见度作为在气象、公路行车、飞机飞行中等领域中衡量大气透明程度和空气质量好坏的一个重要指标。在航空领域,习惯用跑道能见度反映机场附近雾和霾的大小,它被定义为从跑道的一端到目标物体的最大距离。一般情况下,当机场能见度只有400 m 左右时,会禁止航班起降。当机场能见度只有600-800 m 左右时,航班虽然可以正常起降,但出于安全考虑,机场会采取临时控制航班流量的措施,拉大航班起飞间隔,但容易造成航班延误。因此,能见度预测将直接影响交通运输的安全和效率,成为交通管理部门和航空公司十分关注的问题[1,2]。
目前,已经有学者基于AMOS(Aerodome Meteorological Observation System)观测数据对能见度进行预测,例如,李俊敏等[3]利用BP 神经网络,通过选取气压、风速等特征对能见度进行预测;王雅雪等[4]利用主成分分析、多分类多元回归模型等方法对能见度进行预测。然而,目前基于AMOS 观测数据对能见度进行预测仅仅考虑了特征变量对能见度的影响,并无考虑特征之间的相关性并融合相关特征,因此准确率较低,难以满足实际需求。
另一方面,测量能见度需要大量设备仪器进行测算,例如激光能见度仪等,若使用仪器测算对机场进行全覆盖将耗资巨大,同时仪器还存在对团雾检测精度不高、探测的范围很小以及维护成本高等问题,从而在无设备区域易出现安全隐患,可能导致严重后果。……