支持向量机方法在机场跑道视程预报中的应用 SVM Application on Prediction of Runway Visual Range of Airport.pdfVIP

第29卷第2期 暴雨灾害 V01．29No．2 2010年6月 ToRRENTI札RAINANDDISASTERS Jun．2010 朱蕾，朱国栋．SVM方法在机场跑道视程预报中的应用田．暴雨灾害，2010，29(2)：171—175 支持向量机方法在机场跑道视程预报中的应用 朱 蕾．朱国栋 (民航新疆空中交通管理局，乌鲁木齐830016) 摘要：利用2004—2006年11月至次年二月的每半小时一次的自动气象站观测资料。分别建立了乌鲁木齐机场跑道视程 大于800m和小于800m2个支持向量学习机(SVM)推理模型，并进行了跑道视程的预测试验。结果显示：对训练集的回 报、对试验集的预报、对检验集预测的IS评分在48％一75％之间，较高髑评分表明：所建SVM推理模型对跑道视程具有 一定的预测能力。可为跑道视程预测业务提供参考。 关键词：支持向量机fsVM)；推理模型；跑道视程；分类预测 中图分类号：P457．7文献标识码：A 文章编号：1004—9045(2010)02-0171-05 本文利用自动观测站资料。分别建立了乌鲁木齐 1引言 机场跑道视程大于800m和小于800in2个支持向 随着数值预报以及数值预报产品释用技术的不 量学习机(SVM)推理模型．并进行了跑道视程的预测 断发展，传统的基于天气图知识的经验预报在实际的 试验，旨在为跑道视程预测业务提供参考。 天气预报业务中逐渐被淡化。基于统计理论的预报方 2SVM分类方法的基本原理 法如相关分析、回归方法、卡尔曼滤波等虽然在数值 预报释用中都发挥了重要作用，但它们都是建立在线 VN等人提出的基于统计学习理 SVM是Vapnik 性相关基础上的，在实际应用中存在一定的局限性。近 论的小样本学习方法。它依据结构风险最小化归纳原 年来，具有处理非线性问题能力的人工神经元模型方 则。以特征空间中样本到最优划分超平面的最大间隔 法在气象上应用较多11-31。然而由于神经网络的过学习作为划分依据，建立线性学习机；通过在高维空间中构 问题和对因子的过敏感问题。通过基于系数梯度的陡 造较低维的函数集。从而获得好的推广能力；由于在线 降方法来构造对预期函数的逼近解。通过有限给定数 性SVM学习机中样本点仅以点积形式出现．依据 目的观测所得的解往往是局部最优f4】。预报效果仍然 Mercer定理引入核函数很容易得到非线性学习机，从 不理想。 而为解决非线性问题提供了较好的方法。 随着计算机技术的发展和智能技术的进步，智能 SVM的基本思想是把低维样本空间中的难于线 机器识别技能得到很好的发展。基于支持向量理论的 性划分解决的样本集通过非线性映射‘p映射到高维 Vector 特征空间中，在高维特征空间寻求最优划分超平面，从 支持向量／EJL(SupportMachine简称SVM)方法[5-71 是一种新颖的小样本机器学习方法，它具有从海量的 而实现了样本空间的非线性分类。其原理主要是： 信息中自动识别并提取关键信息的特点。适合处理本 给定1个样本集(獗，％)，可以把寻求最优划分决策 函数的问题转化为如下的最优化问题： 质上的非线性问题。SVM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。陈永义等嘲