自動機器學習工具Auto-Keras在機場跑道視程預測中的應用

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部，新疆 烏魯木齊 830016）

在機場運行中，機場能見度直接關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，民航氣象服務機構以主導能見度的預測服務為主，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]，雖然已有相關研究表明，主導能見度與跑道視程有一定的關系[3]，但是在低能見度天氣下，跑道視程放行標準遠低于主導能見度，因此研究跑道視程的預測，改善現有的氣象服務產品的種類，對低能見度天氣下機場運行有著積極的作用[4-5]。隨著近些年數值預報技術和機器學習的發展，機場能見度方面的預測由原先的天氣形勢預測和要素外推[6-8]，逐漸結合大數據分析、機器學習等方法，構建歷史數據模型，輸出客觀的要素預報產品[9-13]。本文通過利用烏魯木齊機場自動觀測系統歷史數據，使用自動機器學習工具Auto-Keras進行建模訓練，為氣象服務人員提供客觀的跑道視程預測產品，豐富低能見度天氣下的氣象服務產品。

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逐分鐘跑道視程觀測數據，通過數據篩選和質量控制，結合烏魯木齊機場低能見度氣候特征，篩選11月至次年3月的數據，獲得247萬行歷史數據用于建模訓練。其中165萬條記錄用于自動機器學習模型的訓練，81萬條記錄用于檢驗模型的預測效果。

考慮逐分鐘歷史數據規模龐大，為提高建模效率，確保后續業務化的運行速度，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 方法介紹和模型訓練

傳統的機器學習方法中，在給定的數據集中實現最佳的預測模型，通常需要進行數據預處理、特征選擇、模型構建及參數尋優等業務流程，這些處理通常非常復雜，需要具備機器學習背景知識的專家來完成，隨著近些年機器學習的不斷發展，越來越多的預測方法和模型被開發出來，選擇合適的模型變得越來越困難，并且參數調優需要遍歷所有可能的值，這些都需要大量的人工操作，這些工作都會導致機器學習業務轉化困難，流程難于管理。為改善這些問題，自動機器學習方法就應運而生，它能夠簡化機器學習業務流程，消除常規手動的模型選擇和參數尋優，幫助非機器學習專家能夠輕松處理相關任務。

Auto-Keras使用高效神經架構搜索（ENAS），對候選模型進行訓練，通過參數共享提升訓練速度，最終獲取最優的模型參數。本文使用Nvidia P6000 GPU進行Auto-Keras的模型構建和運算加速，解決神經架構搜索的計算耗時問題。結合整體計算資源和建模時效性，本文使用Auto-Keras工具包，設置迭代尋優次數后進行模型訓練，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，經過近10 h的模型訓練和參數尋優，Auto-Keras方式自動獲取最優模型，具體模型參數見表1。

表1 Auto-Keras的最優模型及參數

3 結果檢驗

3.1 不同量級下跑道視程預測效果分析

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

其中：Fj為預報值，Oj為觀測值。

本文根據機場運行需要，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情況下的預測能力。

從誤差統計表（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，訓練樣本占比達89.23%，檢驗樣本占比達93.92%，因此模型對該量級情況下的訓練最為充分，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測效果。分析其余跑道視程量級的預測效果可以看到，跑道視程在[100，200）、[200，300）、[800，900）、[900，1000）范圍內預測誤差相對較小，訓練樣本和檢驗樣本的平均絕對誤差均維持在100 m以內，其中訓練樣本跑道視程在[200，300）范圍內平均絕對誤差最小，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）范圍內的誤差偏大，訓練樣本和檢驗樣本的平均絕對誤差均超過100 m，其中訓練樣本和檢驗樣本在[500，600）范圍內最大，達到180 m以上。具體誤差統計見表2。

表2 不同區間范圍內的跑道視程預測誤差分析

通過分析預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構建的預測模型能夠較好地預測出跑道視程，在跑道視程小于1 000 m的時候，訓練樣本和檢驗樣本的平均絕對誤差維持在70～180 m，考慮到訓練樣本中不同量級的跑道視程數量差異，構建模型對于不同量級的跑道視程預測能力也不同，在實際應用過程中，需要結合誤差分析表，額外考慮不同量級跑道視程的預測能力，綜合分析獲得跑道視程的預測結果。

3.2 跑道視程預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量差異較大，其中11月、12月、1月出現的低跑道視程情況較多。

表3 跑道視程預測效果逐月變化分析

構建的模型對跑道視程的預測在11月效果最好，訓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，其中訓練樣本在[200，300）區間范圍內預測效果最好，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月整體誤差較為穩定，訓練樣本的平均絕對誤差在66～197 m之間，最低出現在2月跑道視程區間[900，1000），檢驗樣本的平均絕對誤差在56～290 m之間，最低出現在12月跑道視程區間[100，200）。3月份部分量級下的跑道視程樣本數量較少，整體誤差偏大，訓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測誤差較大。

3.3 逐分鐘跑道視程預測效果分析

為了評估模型對逐分鐘的跑道視程預測效果，以及模型對低能見度天氣的預測能力，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）持續低于800 m，期間跑道視程最低150 m，通過分析模型預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至1 000 m以上。通過分析模型輸出的跑道視程實況與預測結果對比圖（圖2)可以看到，模型預測的跑道視程整體趨勢與跑道視程實況演變較為一致，跑道視程預測值轉差的時刻在00：27附近，轉好的時刻在05：30附近，能夠較好地預測出能見度轉差、轉好的時間段，同時也預測出跑道視程長時間持續維持在200 m的區間，此次跑道視程預測效果能夠為預報人員提供較為客觀的預測支持。

圖2 烏魯木齊機場2017年11月10日逐分鐘跑道視程預測結果

雖然模型能夠較好地預測出持續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，烏魯木齊機場出現大霧天氣，跑道視程出現較大范圍的波動變化和長時間低于運行標準的情況，模型預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逐漸轉差，15日02：00附近的短時好轉以及15日03：15的逐漸好轉，說明模型具備對復雜變化的跑道視程預測的能力。

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測結果

通過分析2次不同特征的天氣個例預測效果可以看到，模型預測的跑道視程能夠描述出跑道視程的變化趨勢，并對跑道視程持續偏低的情況有較好的預測能力。但是，通過對比分析，也能夠發現模型的一些問題，在跑道視程轉差、轉好的時間點預測方面，模型預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 結論

（1）通過采用自動機器學習工具Auto-Keras構建烏魯木齊機場跑道視程預測模型，簡化了常規機器學習中的特征篩選、參數尋優和模型驗證等流程，降低了機器學習在氣象領域的應用難度。

（2）將烏魯木齊機場自動觀測系統的歷史數據作為訓練樣本，并對跑道視程進行預測，通過對跑道視程預測結果的分析可以看到，模型預測的跑道視程效果較好，能夠反映出跑道視程的變化趨勢，可以作為預報人員用于預測跑道視程的業務參考。

雖然自動機器學習構建的模型能夠較好地用于預測跑道視程，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練，實際上跑道視程的變化還與機場風速、溫度、濕度和背景光強度等要素有關，在后續的研究中，應該增加上述要素作為因子進行訓練，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測準確性的影響，改善模型預測的準確性。同時，本文預測的跑道視程雖然趨勢預測比較準確，但是在開始、結束時間上仍然有一定的滯后性，后續研究同樣需要調整因子數量，改善預測效果滯后的問題。