【研究生数学建模】基于视频数据的能见度估计与预测.pdf

中国研究生创新实践系列大赛 “华为杯”第十七届中国研究生 数学建模竞赛 学 校 中国石油大学（华东） 参赛队号 20104250114 1.夏文辉 队员姓名 2.陈昱行 3.袁晶贤 0 中国研究生创新实践系列大赛 “华为杯”第十七届中国研究生 数学建模竞赛 题 目 基于视频数据的能见度估计与预测 摘 要： 低能见度灾害综合评价对人们的生活和交通运输管理部门的风险防范有着重要意义。 视频数据由于包含了连续而丰富的地面气象数据，因此成为能见度估计与预测的重要手段。 本文通过建立多元线性回归方程描述了能见度与地面气象观测数据的关系；利用 VGG16 卷积神经网络深度学习模型来估计能见度并对其精度进行评估；在不依赖观测数据的基础 上，只根据视频数据的景深特征建立了能见度估计算法，并绘制了能见度随时间的变化曲 线；最后建立模型预测大雾的变化，经过由深及浅、循序渐进的分析，能够准确对视频数 据能见度估计与预测，为交通工作者提供技术参考。 针对问题一，使用相关性分析的方法建立了多元线性回归模型，得出能见度与地面观 测数据呈线性相关的结论。对描述能见度与地面气象观测数据（温度、湿度和风速等）之 间的关系这一问题，首先对给出的机场AMOS 数据进行预处理，按照时间规律结合温度与 湿度数据，将能见度数据和风数据的缺失值补全，增加了数据的完整性。之后将这三项数 据按照时间规律合并，并对三项数据中共12 个指标进行了相关性分析，计算得到相关系数 矩阵表。查阅相关资料可知， RVR_1A （跑道视程）和MOR_1A （气象光学视程）两项指 标与能见度相关，前者需要考虑到灯光数据（LIGHT ）的影响，后者则与灯光数据（LIGHT ） 无关。本文共选择温度与湿度三项指标（本站气压（PAINS ）、温度（TENP ）和相对湿度 （RH ）、）和风两项指标（2 分钟平均风速（WS2A ）和2 分钟平均垂直风速（CW2A ）） 与两种定义下的能见度进行多元线性回归分析，经过计算得到两个回归方程的系数矩阵 V 和 ，分别用来描述RVR_1A 和MOR_1A 与地面气象观测数据的关系。分析表明，RVR_1A  M 与1 分钟平均风速（WS2A ）、本站气压（PAINS ）、温度（TEMP ）和相对湿度（RH ）数据 呈正相关，与2 分钟平均垂直风速（CW2A ）和灯光数据（LIGHT ）呈负相关。对于MOR_1A ， 与 1 分钟平均风速（WS2A ）、2 分钟平均垂直风速（CW2A ）、本站气压（PAINS ）、温度 （TEMP ）和相对湿度（RH ）这五项特征指标都呈正相关。最后，在统计分析的基础上， R2 对回归方程系数进行验证与分析评价，本文利用可决系数 和均方根误差MSE 对其分析与 验证。从结果可以看出两个回归方程模型拟合效果较好，能够准确的描述出能见度与地面 观测数据的关系。 1 针对问题二，本文建立了基于视频数据与能见度估计的VGG 卷积神经网络深度学习 模型，并进行精度评价，可以看出该模型能够准确的估计能见度。首先获得视频帧序列 图像，然后根据时间建立图像与能见度数据之间的联系，形成一一对应的关系，之后将 视频数据按照MOR_1A 数据划分能见度阈值，形成四类描述能见度的标签数据作为训练 样本。由于视频数据具有特征多，特征连续性强，计算量大的特点。VGG16 卷积神经网 络具有传统卷积神经网络可以保留邻域的联系和空间