自動機器學(xué)習(xí)工具Auto-Keras在機場跑道視程預(yù)測中的應(yīng)用

朱國棟，孫建杰，劉曉明，梁 艷

（1.民航新疆空中交通管理局空管中心氣象中心，新疆 烏魯木齊 830016；2.民航新疆空中交通管理局氣象服務(wù)部，新疆 烏魯木齊 830016）

在機場運行中，機場能見度直接關(guān)系到航空器能否起飛和著陸，它是保障航空器安全飛行的重要氣象要素，尤其是大霧、沙塵等造成的低能見度天氣，會嚴(yán)重影響航班的正常運行。目前在機場低能見度天氣下，民航氣象服務(wù)機構(gòu)以主導(dǎo)能見度的預(yù)測服務(wù)為主，但是在機場啟用II類和III類運行的情況下，跑道視程（簡稱RVR）直接決定航空器是否能夠起飛和降落[1-2]，雖然已有相關(guān)研究表明，主導(dǎo)能見度與跑道視程有一定的關(guān)系[3]，但是在低能見度天氣下，跑道視程放行標(biāo)準(zhǔn)遠(yuǎn)低于主導(dǎo)能見度，因此研究跑道視程的預(yù)測，改善現(xiàn)有的氣象服務(wù)產(chǎn)品的種類，對低能見度天氣下機場運行有著積極的作用[4-5]。隨著近些年數(shù)值預(yù)報技術(shù)和機器學(xué)習(xí)的發(fā)展，機場能見度方面的預(yù)測由原先的天氣形勢預(yù)測和要素外推[6-8]，逐漸結(jié)合大數(shù)據(jù)分析、機器學(xué)習(xí)等方法，構(gòu)建歷史數(shù)據(jù)模型，輸出客觀的要素預(yù)報產(chǎn)品[9-13]。本文通過利用烏魯木齊機場自動觀測系統(tǒng)歷史數(shù)據(jù)，使用自動機器學(xué)習(xí)工具Auto-Keras進行建模訓(xùn)練，為氣象服務(wù)人員提供客觀的跑道視程預(yù)測產(chǎn)品，豐富低能見度天氣下的氣象服務(wù)產(chǎn)品。

1 資料引用

本文使用烏魯木齊機場2010年1月至2021年2月的機場自動觀測系統(tǒng)逐分鐘跑道視程觀測數(shù)據(jù)，通過數(shù)據(jù)篩選和質(zhì)量控制，結(jié)合烏魯木齊機場低能見度氣候特征，篩選11月至次年3月的數(shù)據(jù)，獲得247萬行歷史數(shù)據(jù)用于建模訓(xùn)練。其中165萬條記錄用于自動機器學(xué)習(xí)模型的訓(xùn)練，81萬條記錄用于檢驗?zāi)Ｐ偷念A(yù)測效果。

考慮逐分鐘歷史數(shù)據(jù)規(guī)模龐大，為提高建模效率，確保后續(xù)業(yè)務(wù)化的運行速度，本文僅將跑道視程作為因子，為盡可能包含過去跑道視程的演變過程，將預(yù)報時效之前2 h的逐分鐘跑道視程作為因子。

2 方法介紹和模型訓(xùn)練

傳統(tǒng)的機器學(xué)習(xí)方法中，在給定的數(shù)據(jù)集中實現(xiàn)最佳的預(yù)測模型，通常需要進行數(shù)據(jù)預(yù)處理、特征選擇、模型構(gòu)建及參數(shù)尋優(yōu)等業(yè)務(wù)流程，這些處理通常非常復(fù)雜，需要具備機器學(xué)習(xí)背景知識的專家來完成，隨著近些年機器學(xué)習(xí)的不斷發(fā)展，越來越多的預(yù)測方法和模型被開發(fā)出來，選擇合適的模型變得越來越困難，并且參數(shù)調(diào)優(yōu)需要遍歷所有可能的值，這些都需要大量的人工操作，這些工作都會導(dǎo)致機器學(xué)習(xí)業(yè)務(wù)轉(zhuǎn)化困難，流程難于管理。為改善這些問題，自動機器學(xué)習(xí)方法就應(yīng)運而生，它能夠簡化機器學(xué)習(xí)業(yè)務(wù)流程，消除常規(guī)手動的模型選擇和參數(shù)尋優(yōu)，幫助非機器學(xué)習(xí)專家能夠輕松處理相關(guān)任務(wù)。

Auto-Keras使用高效神經(jīng)架構(gòu)搜索（ENAS），對候選模型進行訓(xùn)練，通過參數(shù)共享提升訓(xùn)練速度，最終獲取最優(yōu)的模型參數(shù)。本文使用Nvidia P6000 GPU進行Auto-Keras的模型構(gòu)建和運算加速，解決神經(jīng)架構(gòu)搜索的計算耗時問題。結(jié)合整體計算資源和建模時效性，本文使用Auto-Keras工具包，設(shè)置迭代尋優(yōu)次數(shù)后進行模型訓(xùn)練，其中代碼主要部分如圖1所示。

圖1 Auto-Keras方法建模流程代碼

通過上述代碼，使用GPU進行加速運算，經(jīng)過近10 h的模型訓(xùn)練和參數(shù)尋優(yōu)，Auto-Keras方式自動獲取最優(yōu)模型，具體模型參數(shù)見表1。

表1 Auto-Keras的最優(yōu)模型及參數(shù)

3 結(jié)果檢驗

3.1 不同量級下跑道視程預(yù)測效果分析

為了評定Auto-Keras工具建模的預(yù)測效果，本文利用平均絕對誤差來評估模型的預(yù)測效果，具體計算方法如下：

其中：Fj為預(yù)報值，Oj為觀測值。

本文根據(jù)機場運行需要，將跑道視程按照100 m量級進行分類檢驗，分別計算不同量級下，訓(xùn)練樣本和檢驗樣本的平均絕對誤差，評估模型在低能見度天氣下，尤其是跑道視程低于500 m情況下的預(yù)測能力。

從誤差統(tǒng)計表（表2）中可以看到，烏魯木齊機場跑道視程大于等于1 000 m的樣本總體較多，訓(xùn)練樣本占比達(dá)89.23%，檢驗樣本占比達(dá)93.92%，因此模型對該量級情況下的訓(xùn)練最為充分，得到的模擬效果最好，平均絕對誤差僅為4～6 m，但是考慮該量級下飛行活動不受影響，故此處不討論該量級下的預(yù)測效果。分析其余跑道視程量級的預(yù)測效果可以看到，跑道視程在[100，200）、[200，300）、[800，900）、[900，1000）范圍內(nèi)預(yù)測誤差相對較小，訓(xùn)練樣本和檢驗樣本的平均絕對誤差均維持在100 m以內(nèi)，其中訓(xùn)練樣本跑道視程在[200，300）范圍內(nèi)平均絕對誤差最小，僅為70 m；檢驗樣本跑道視程在[100，200）范圍內(nèi)平均絕對誤差最小，為68 m。跑道視程在[0，100）、[300，400）、[400，500）、[500，600）、[600，700）、[700，800）范圍內(nèi)的誤差偏大，訓(xùn)練樣本和檢驗樣本的平均絕對誤差均超過100 m，其中訓(xùn)練樣本和檢驗樣本在[500，600）范圍內(nèi)最大，達(dá)到180 m以上。具體誤差統(tǒng)計見表2。

表2 不同區(qū)間范圍內(nèi)的跑道視程預(yù)測誤差分析

通過分析預(yù)測模型對不同量級下跑道視程的平均絕對誤差可以看到，Auto-Keras構(gòu)建的預(yù)測模型能夠較好地預(yù)測出跑道視程，在跑道視程小于1 000 m的時候，訓(xùn)練樣本和檢驗樣本的平均絕對誤差維持在70～180 m，考慮到訓(xùn)練樣本中不同量級的跑道視程數(shù)量差異，構(gòu)建模型對于不同量級的跑道視程預(yù)測能力也不同，在實際應(yīng)用過程中，需要結(jié)合誤差分析表，額外考慮不同量級跑道視程的預(yù)測能力，綜合分析獲得跑道視程的預(yù)測結(jié)果。

3.2 跑道視程預(yù)測效果月度變化分析

由于烏魯木齊機場冬季不同月份下低能見度天氣差異較大[14]，因此需要單獨評估不同月份下，跑道視程預(yù)測的效果。通過表3可以看到，不同月份下各量級的跑道視程數(shù)量差異較大，其中11月、12月、1月出現(xiàn)的低跑道視程情況較多。

表3 跑道視程預(yù)測效果逐月變化分析

構(gòu)建的模型對跑道視程的預(yù)測在11月效果最好，訓(xùn)練樣本的平均絕對誤差在58～156 m之間，檢驗樣本的平均絕對誤差在42～167 m之間，其中訓(xùn)練樣本在[200，300）區(qū)間范圍內(nèi)預(yù)測效果最好，平均絕對誤差約為58 m，檢驗樣本在[100，200）范圍內(nèi)平均絕對誤差約為43 m；另外，考慮跑道視程1 000 m下對飛行活動沒有影響，該情況不單獨進行分析。12月、1月、2月整體誤差較為穩(wěn)定，訓(xùn)練樣本的平均絕對誤差在66～197 m之間，最低出現(xiàn)在2月跑道視程區(qū)間[900，1000），檢驗樣本的平均絕對誤差在56～290 m之間，最低出現(xiàn)在12月跑道視程區(qū)間[100，200）。3月份部分量級下的跑道視程樣本數(shù)量較少，整體誤差偏大，訓(xùn)練樣本的平均絕對誤差在65～172 m之間，檢驗樣本則在45～192 m之間，部分量級下跑道視程預(yù)測誤差較大。

3.3 逐分鐘跑道視程預(yù)測效果分析

為了評估模型對逐分鐘的跑道視程預(yù)測效果，以及模型對低能見度天氣的預(yù)測能力，本文挑選烏魯木齊機場的2次大霧天氣，分析大霧天氣下跑道視程的演變以及模型預(yù)測效果。

2017年11月10日烏魯木齊機場跑道視程00：22至05：30（UTC，下同）持續(xù)低于800 m，期間跑道視程最低150 m，通過分析模型預(yù)測的跑道視程可以看到，實況00：22之前跑道視程大于等于1 000 m，之后突然降低，并長時間維持在200 m左右，05：30之后跑道視程逐漸好轉(zhuǎn)至1 000 m以上。通過分析模型輸出的跑道視程實況與預(yù)測結(jié)果對比圖（圖2)可以看到，模型預(yù)測的跑道視程整體趨勢與跑道視程實況演變較為一致，跑道視程預(yù)測值轉(zhuǎn)差的時刻在00：27附近，轉(zhuǎn)好的時刻在05：30附近，能夠較好地預(yù)測出能見度轉(zhuǎn)差、轉(zhuǎn)好的時間段，同時也預(yù)測出跑道視程長時間持續(xù)維持在200 m的區(qū)間，此次跑道視程預(yù)測效果能夠為預(yù)報人員提供較為客觀的預(yù)測支持。

圖2 烏魯木齊機場2017年11月10日逐分鐘跑道視程預(yù)測結(jié)果

雖然模型能夠較好地預(yù)測出持續(xù)長時間的低能見度情況，但是還需要評估跑道視程大范圍波動變化的情況，通過篩選判斷（圖3），可以看到2021年2月14日至15日，烏魯木齊機場出現(xiàn)大霧天氣，跑道視程出現(xiàn)較大范圍的波動變化和長時間低于運行標(biāo)準(zhǔn)的情況，模型預(yù)測的跑道視程能夠描述出此次天氣過程中跑道視程的整體變化趨勢，包括跑道視程在14日23：58逐漸轉(zhuǎn)差，15日02：00附近的短時好轉(zhuǎn)以及15日03：15的逐漸好轉(zhuǎn)，說明模型具備對復(fù)雜變化的跑道視程預(yù)測的能力。

圖3 烏魯木齊機場2021年2月14日至15日逐分鐘跑道視程預(yù)測結(jié)果

通過分析2次不同特征的天氣個例預(yù)測效果可以看到，模型預(yù)測的跑道視程能夠描述出跑道視程的變化趨勢，并對跑道視程持續(xù)偏低的情況有較好的預(yù)測能力。但是，通過對比分析，也能夠發(fā)現(xiàn)模型的一些問題，在跑道視程轉(zhuǎn)差、轉(zhuǎn)好的時間點預(yù)測方面，模型預(yù)測的跑道視程與實況存在一定的時間滯后性，大致在5～10 min，且跑道視程的預(yù)測值還存在100～200 m的誤差，這些需要在使用過程中進行綜合分析和判斷。

4 結(jié)論

（1）通過采用自動機器學(xué)習(xí)工具Auto-Keras構(gòu)建烏魯木齊機場跑道視程預(yù)測模型，簡化了常規(guī)機器學(xué)習(xí)中的特征篩選、參數(shù)尋優(yōu)和模型驗證等流程，降低了機器學(xué)習(xí)在氣象領(lǐng)域的應(yīng)用難度。

（2）將烏魯木齊機場自動觀測系統(tǒng)的歷史數(shù)據(jù)作為訓(xùn)練樣本，并對跑道視程進行預(yù)測，通過對跑道視程預(yù)測結(jié)果的分析可以看到，模型預(yù)測的跑道視程效果較好，能夠反映出跑道視程的變化趨勢，可以作為預(yù)報人員用于預(yù)測跑道視程的業(yè)務(wù)參考。

雖然自動機器學(xué)習(xí)構(gòu)建的模型能夠較好地用于預(yù)測跑道視程，但是局限于計算資源，本文僅選取跑道視程歷史演變作為因子進行建模訓(xùn)練，實際上跑道視程的變化還與機場風(fēng)速、溫度、濕度和背景光強度等要素有關(guān)，在后續(xù)的研究中，應(yīng)該增加上述要素作為因子進行訓(xùn)練，充分考慮其他要素的演變對跑道視程變化，對比分析不同要素作為因子對整體模型預(yù)測準(zhǔn)確性的影響，改善模型預(yù)測的準(zhǔn)確性。同時，本文預(yù)測的跑道視程雖然趨勢預(yù)測比較準(zhǔn)確，但是在開始、結(jié)束時間上仍然有一定的滯后性，后續(xù)研究同樣需要調(diào)整因子數(shù)量，改善預(yù)測效果滯后的問題。