[發明專利]一種基于遷移學習的小樣本機場大霧預報預警方法

有效

• 申請號: 202010327321.8
• 申請日: 2020-04-23
• 公開（公告）號: CN111582335B
• 公開（公告）日: 2023-08-29
• 發明（設計）人: 彭雄偉;陳建軍;葛紅星;劉佑達;張揚
• 申請（專利權）人: 中國電子科技集團公司第十四研究所
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G01W1/10;G06N20/00
• 代理公司: 北京律譜知識產權代理有限公司 11457
• 代理人: 李硯明

本發明提出一種基于遷移學習的小樣本機場大霧預報預警方法，包括以下步驟：步驟S1：從待遷徙機場獲取氣象觀測源域數據并從目標機場獲取氣象觀測目標域數據；步驟S2：將源域數據和目標域數據投影至低維特征空間，并獲取域間差異性度量模型；步驟S3：通過變換矩陣將源域數據和目標域數據的原始特征投影到共同子空間，計算間差異性度量模型中變換矩陣，實現特征遷移；步驟S4：將源域數據及目標域數據通過變換矩陣映射到低維子空間，并輸入到分類器，判斷大霧等級。本發明通過將其他機場的大霧數據通過遷移學習的方法轉換為目標機場的大霧預報依據，克服了目標機場在大霧事件為小樣本的條件下預報精度低的問題，提高了大霧預報的精準化程度。

技術領域

本發明屬于氣象預測技術領域，具體涉及一種基于遷移學習的小樣本機場大霧預報預警方法。

背景技術

霧是一種常見的災害性天氣，隨著國民經濟的快速發展，霧天對航空、航海、公路運輸及人民的日常生活造成巨大的影響，常造成航海貨船進出港作業、客貨車晚點、高速公路關閉以及“追尾”惡性交通事故的發生。尤其是伴隨著我國民航事業的高速發展，空中交通流量的不斷增加，霧作為一種發生幾率高、發生范圍廣、危害程度大的常見天氣，與飛機的起降有著最直接的關系，影響到航班的飛行安全、正點及經濟效益。能見度小于200m的大霧，還會導致嚴重的飛行事故。

目前，現有技術中大霧預報方法主要包括經驗預報、統計預報、數值預報等。大霧的經驗預報方法為：基于觀測數據，根據天氣學原理，預報員依靠經驗做出有無大霧的定性預報。經驗預報時空分辨率、準確率、精細化程度均比較低。大霧的統計預報方法為：根據歷史大霧觀測記錄，結合大霧生成時的氣候概況和天氣形勢、氣象條件以及各種物理量場的分布，采用統計學方法構建大霧生成的統計學模型。傳統的統計預報模型結構簡單，難以統計復雜的非線性過程，預報準確率較低；基于神經網絡等新方法的統計學預報模型目前僅能進行大霧有無的二分類預報，預報時空分辨率和準確率也十分有限。隨著人工神經網絡的發展，一些新的統計方法逐漸應用于霧預報中，如支持向量機、模糊邏輯、人工神經網絡、決策樹等。但深度學習的方法需要大量的樣本進行訓練建模，由于每年機場發生大霧的次數有限，很難獲得大量的訓練樣本，因此網絡很難收斂且模型泛化性較差。

發明內容

本發明為了克服現有機器學習方法在小樣本條件下霧預報準確率低的不足，本發明提供了一種基于遷移學習的深度學習方法，將其他機場霧樣本數據遷移到本機場的大霧預報中，解決了深度學習中樣本數據集小的一種基于遷移學習的小樣本機場大霧預報預警方法。

具體而言本發明提供了一種基于遷移學習的小樣本機場大霧預報預警方法，其特征在于，所述小樣本機場大霧預報預警方法包括以下步驟：

步驟S1：從待遷徙機場獲取氣象觀測源域數據并從目標機場獲取氣象觀測目標域數據；

步驟S2：將源域數據和目標域數據投影至低維特征空間，并獲取域間差異性度量模型；

步驟S3：通過變換矩陣將源域數據和目標域數據的原始特征投影到共同子空間，計算間差異性度量模型中變換矩陣，實現特征遷移，并訓練分類器；

步驟S4：將目標域數據通過變換矩陣映射到低維子空間，并輸入到分類器，判斷大霧等級。

更進一步地，在步驟S1中，所述源域數據包括特征向量x_i{x₁,x₂,…,x_n1+n2∈x_i}和大霧等級標簽z_i{z₁,z₂,…,z_n1∈z_i}，所述目標域數據不包括所述大霧等級標簽z_i。

更進一步地，在步驟S2中，通過核函數φ(x)將源域數據D_S和目標域數據D_T投影到低維特征空間，投影模型為：