SVM方法在乌鲁木齐机场跑道视程预测中的应用.pdfVIP

SVM 方法在乌鲁木齐机场跑道视程预测中的应用 朱蕾 （新疆空管局气象中心，乌鲁木齐830016） 摘要 支持向量学习机( SVM)是基于统计学习理论的模式分类器,本文将SVM方法应用于乌鲁木齐机场跑道视程的 预测。利用2004—2006年11 月至次年二月的每半小时的自动观测资料，分别建立了跑道视程大于800米 和小于800米 2个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TS评分在48%-75%之间，较高TS评分表明所建SVM推理模型对跑道视程具有一的 预测能力,展示了SVM的优越性和推广前景,可在跑道视程预测业务中参考应用。 关键词：支持向量机( SVM) ;推理模型;跑道视程;分类预测 引言 随着数值预报以及数值预报产品释用技术的不断发展，传统的基于天气图知识的经验预报 在实际的天气预报业务中逐渐被淡化。基于统计理论的预报方法如相关分析、回归方法、判 别方法、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性相 关基础上的,在实际应用中存在明显的局限,影响到预报效果。近年来,具有处理非线性问题 [1-3] 能力的人工神经元模型方法在气象上获得了不少应用 。然而由于神经网络的过学习问 题和对因子的过敏感问题，通过基于系数梯度的陡降方法来构造对预期函数的逼近解，通过 [4] 有限给定数目的观测所得的解往往是局部最优 ，预报效果仍然不理想。 在实际天气预报工作中,使用较多的仍然是基于不同天气的各种预报模型的知识积累和 近似的记忆。可预报性问题的系统研究开始于20世纪60年代,研究的一个主要目的是对所谓 决定论预报的可能时效作出科学的估计。在在90年代初期比较盛行的基于专家经验的专家预 报系统,正是这种知识积累的客观表现,但因知识更新手段的繁琐而逐渐被预报员抛弃.随着 计算机技术的发展和智能技术的进步,智能机器识别技能也得到了很好的发展。基于支持向 [5-7] 量理论的支持向量机(Support Vector Machine 简称SVM)方法 是一种新颖的小样本机 器学习方法,它具有从海量的信息中自动识别并提取关键信息的特点,适合处理本质上的非 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、俞 [8] [9] 小鼎 等人2002年开始将SVM引入气象领域,冯汉中、陈永义 等介绍了处理非线性分类、 回归等问题的SVM这一新方法的基本原理及在气象研究业务中的应用前景。 1 支持向量机分类方法的基本原理简介 SVM是Vapnik V N等人提出的基于统计学习理论的小样本学习方法,它依据结构风险最小 化归纳原则,以特征空间中样本到最优划分超平面的最大间隔作为划分依据,建立线性学习 机;通过在高维空间中构造较低VC维的函数集,从而获得好的推广能力;由于在线性SVM学习 机中样本点仅以点积形式出现,依据Mercer定理引入核函数很容易得到非线性学习机,从而 为解决非线性问题提供了较好的方法。 SVM的基本思想(如图1)是把低维样本空间中的难于线性划分解决的样本集通过非线性 映射φ映射到高维特征空间中,在高维特征空间寻求最优划分超平面,从而实现了样本空间 的非线性分类。