技术摘要：
本发明提出一种基于迁移学习的小样本机场大雾预报预警方法，包括以下步骤：步骤S1：从待迁徙机场获取气象观测源域数据并从目标机场获取气象观测目标域数据；步骤S2：将源域数据和目标域数据投影至低维特征空间，并获取域间差异性度量模型；步骤S3：通过变换矩阵将源域  全部
背景技术：
雾是一种常见的灾害性天气，随着国民经济的快速发展，雾天对航空、航海、公路 运输及人民的日常生活造成巨大的影响，常造成航海货船进出港作业、客货车晚点、高速公 路关闭以及“追尾”恶性交通事故的发生。尤其是伴随着我国民航事业的高速发展，空中交 通流量的不断增加，雾作为一种发生几率高、发生范围广、危害程度大的常见天气，与飞机 的起降有着最直接的关系，影响到航班的飞行安全、正点及经济效益。能见度小于200m的大 雾，还会导致严重的飞行事故。 目前，现有技术中大雾预报方法主要包括经验预报、统计预报、数值预报等。大雾 的经验预报方法为：基于观测数据，根据天气学原理，预报员依靠经验做出有无大雾的定性 预报。经验预报时空分辨率、准确率、精细化程度均比较低。大雾的统计预报方法为：根据历 史大雾观测记录，结合大雾生成时的气候概况和天气形势、气象条件以及各种物理量场的 分布，采用统计学方法构建大雾生成的统计学模型。传统的统计预报模型结构简单，难以统 计复杂的非线性过程，预报准确率较低；基于神经网络等新方法的统计学预报模型目前仅 能进行大雾有无的二分类预报，预报时空分辨率和准确率也十分有限。随着人工神经网络 的发展，一些新的统计方法逐渐应用于雾预报中，如支持向量机、模糊逻辑、人工神经网络、 决策树等。但深度学习的方法需要大量的样本进行训练建模，由于每年机场发生大雾的次 数有限，很难获得大量的训练样本，因此网络很难收敛且模型泛化性较差。
技术实现要素：
本发明为了克服现有机器学习方法在小样本条件下雾预报准确率低的不足，本发 明提供了一种基于迁移学习的深度学习方法，将其他机场雾样本数据迁移到本机场的大雾 预报中，解决了深度学习中样本数据集小的一种基于迁移学习的小样本机场大雾预报预警 方法。 具体而言本发明提供了一种基于迁移学习的小样本机场大雾预报预警方法，其特 征在于，所述小样本机场大雾预报预警方法包括以下步骤： 步骤S1：从待迁徙机场获取气象观测源域数据并从目标机场获取气象观测目标域 数据； 步骤S2：将源域数据和目标域数据投影至低维特征空间，并获取域间差异性度量 模型； 步骤S3：通过变换矩阵将源域数据和目标域数据的原始特征投影到共同子空间， 计算间差异性度量模型中变换矩阵，实现特征迁移，并训练分类器； 步骤S4：将目标域数据通过变换矩阵映射到低维子空间，并输入到分类器，判断大 4 CN 111582335 A 说　明　书 2/6 页 雾等级。 更进一步地，在步骤S1中，所述源域数据 包括特征向量xi{x1,x2,…,xn1 n2∈xi}和大雾等级标签zi{z1,z2,…,zn1∈zi}，所述目标域数 据 不包括所述大雾等级标签zi。 更进一步地，在步骤S2中，通过核函数φ(x)将源域数据DS和目标域数据DT投影到 低维特征空间，投影模型为： Ys＝φ(Ds) YT＝φ(DT) Kk,j＝K(xk,xj)＝φ(x Tk) φ(xj) 公式中，φ(·)是核函数，Ys是源域低维表示，YT是目标域低维表示，xk和xj分别表 示源域和/或目标域中特征向量xi，Kk,j源域和/或目标域的核映射。 更进一步地，在步骤S2中，利用源域和/或目标域的核映射求取核矩阵K， 其中， 分别表示源域和源域、源域和目标域、目标域 和源域、目标域和目标域的核映射。 更进一步地，在步骤S2中，所述域间差异性度量模型是： Dist(YS,YT)＝tr(WTKLkjKW) 其中， Lkj是权重系数，tr(·)是对角线上元素， n1是源域样本数，n2是目标域样本数，W是变换矩阵，K是核矩阵。 更进一步地，在步骤S3中，还包括以下步骤： 步骤S31：建立优化模型，对变换矩阵W、示性矩阵F和对角矩阵D进行优化；并加入 约束WTW＝I，FTF＝I，所述优化模型为： 其中，α，β是正则化系数，X是源域和/或目标域数据，F是示性矩阵，D是对角矩阵。 更进一步地，在步骤S3中，还包括以下步骤： 步骤S32：赋予优化模型中变换矩阵W和对角矩阵D固定值，对示性矩阵F进行优化， 模型转换为： 通过谱分解技术求解公式得到最优结果示性矩阵F是由矩阵XTWWTX的前m个最大特 5 CN 111582335 A 说　明　书 3/6 页 征值对应的特征向量组成，其中m为小于等于矩阵XTWWTX维数的值。 更进一步地，在步骤S3中，还包括以下步骤： 步骤S33：赋予优化模型中示性矩阵F固定值，对变换矩阵W和对角矩阵D进行优化； 先赋予变换矩阵W固定值，根据公式d ＝1/(2‖wiii ‖2) ,i＝1,2,…,m，求取对角矩阵 D；其中，dii是对角矩阵元素，wi是变换矩阵W第i行； 进一步，赋予对角矩阵D固定值，优化模型转换为： 通过谱分解方法求解得到最优结果是由矩阵X(I-2FFT)XT αD βKLijK的前m个最小 特征值对应的特征向量组成，其中m为小于等于矩阵X(I-2FFT)XT αD βKLkjK维数的值。 更进一步地，在步骤S3中，还包括以下步骤： 步骤S34：重复步骤S32-S33的过程，直到算法收敛，得到变换矩阵W。 更进一步地，在步骤S3中，还包括以下步骤： 步骤S35：将源域数据通过变换矩阵W映射到低维子空间，源域数据映射模型为： yi＝WTxi,i＝1,2,…,n； 其中，yi是源域数据在低维子空间的映射。 步骤S36：通过源域数据在低维子空间的映射和大雾等级标签对分类器f:yi→zi进 行训练，其中i＝1,2,…n1。 本发明的有益效果是： 本发明提供了一种基于迁移学习的小样本机场大雾预报方法，通过将其他机场的 大雾数据通过迁移学习的方法转换为目标机场的大雾预报依据，克服了目标机场在大雾事 件为小样本的条件下预报精度低的问题，提高了大雾预报的精准化程度。 本发明实现了基于子空间的迁移学习方法，为了克服学习W过程中的过拟合问题， 将有效的稀疏约束项加入迁移学习问题中，有效减少了时间和空间复杂度，同时也避免了 过拟合问题。 附图说明 图1是本发明实施例提供的一种基于迁移学习的小样本机场大雾预报方法的流程 示意图； 图2是本发明实施例提供的一种基于迁移学习的小样本机场大雾预报方法中一次 完整大雾过程预报结果示意图； 图3是本发明实施例提供的一种基于迁移学习的小样本机场大雾预报方法中迁移 学习前后预测精度对比示意图； 图4是本发明实施例提供的一种基于迁移学习的小样本机场大雾预报方法中大雾 预报70分钟的TS评分示意图。