基于Transformer-LSTM并行的机场跑道积雪厚度预测

冯跟源; 王洪亮; 黄国勇

doi:10.12404/j.issn.1671-1815.2505528

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (23) :10021-10030 DOI: 10.12404/j.issn.1671-1815.2505528

自动化技术、计算机技术

基于Transformer-LSTM并行的机场跑道积雪厚度预测

冯跟源 ¹^,² ,
王洪亮 ¹^,²^,^* ,
黄国勇 ¹^,²

作者信息 +

Snow Thickness Prediction of Airport Runway Based on Parallel Transformer-LSTM

FENG Gen-yuan ¹^,² ,
WANG Hong-liang ¹^,²^,^* ,
HUANG Guo-yong ¹^,²

Author information +

文章历史 +

摘要

目前关于机场跑道的研究,大部分为覆冰厚度预测与温度预测,为进一步提升机场运行的安全性和效率。为了通过整合气象数据与跑道表面状况监测数据,提出一种基于Transformer与长短期记忆网络(long short-term memory,LSTM)并行的机场跑道积雪厚度预测模型,对机场跑道积雪厚度进行预测,便于机场进行除雪调度安排。LSTM分支提取气象数据的局部时间动态,捕捉短时上下文关系;Transformer分支通过自注意力机制精准捕捉气象因素之间的非线性耦合关系,赋予不同气象因素在不同条件下各自适合的权重。最后通过自适应权重模块将两个分支捕捉到的不同特征进行加权融合,完成预测。对比结果表明并行的Transformer-LSTM模型在两个不同的数据集中的单步预测与多步预测都具有较好的预测效果。机场可以根据预测结果进行机场除雪调度安排。

Abstract

At present, most studies on airport runways focus on icing thickness prediction and temperature prediction,to further improve the safety and efficiency of airport operations, a prediction model for snow thickness on airport runways based on a parallel architecture of Transformer and long short-term memory (LSTM) networks was proposed by integrating meteorological data and runway surface condition monitoring data. The LSTM branch was adopted to extracted the local temporal dynamics of meteorological data and capture short-term contextual relationships, while the Transformer branch was used to accurately captured the nonlinear coupling relationships among meteorological factors through the self-attention mechanism, with suitable weights assigned to different meteorological factors under different conditions. Finally, the different features captured by the two branches are weighted and fused through an adaptive weight module to complete the prediction. Comparative results show that the parallel Transformer-LSTM model achieves satisfactory prediction performance in both single-step and multi-step predictions on two different datasets. Accordingly, snow removal scheduling arrangements can be made by airports based on the prediction results.

Graphical abstract

关键词

积雪厚度预测 / Transformer模型 / 长短期记忆网络 / 注意力机制 / 多步预测

Key words

snow thickness prediction / Transformer / LSTM / attention / multi-step prediction

引用本文

引用格式 ▾

冯跟源, 王洪亮, 黄国勇. 基于Transformer-LSTM并行的机场跑道积雪厚度预测[J]. 科学技术与工程, 2026, 26(23): 10021-10030 DOI:10.12404/j.issn.1671-1815.2505528

FENG Gen-yuan, WANG Hong-liang, HUANG Guo-yong. Snow Thickness Prediction of Airport Runway Based on Parallel Transformer-LSTM[J]. Science Technology and Engineering, 2026, 26(23): 10021-10030 DOI:10.12404/j.issn.1671-1815.2505528

登录浏览全文

4963

注册一个新账户忘记密码

近年来,中国民航业发展迅速,飞机运行的安全性和效率已成为民航业发展的重点,而机场跑道的运行安全尤为重要。世界上有60%以上的机场都位于降雪区域,机场跑道的积雪会降低飞机轮胎的摩擦系数^[1],影响飞机的控制时间和停车距离。并且,积雪可能会掩盖已经存在的冰层,导致飞行员对地面摩擦系数判断错误,从而引发航空事故。因此,建立准确的机场跑道积雪厚度预测模型对保障机场安全运行有重要意义。目前,主要通过卫星气象监测^[2-3]、理论分析^[4]、机器学习^[5]等方法对积雪厚度进行预测。

李旭冰等^[6]使用经验公式和融合雪深积雪构建非线性积雪消耗曲线,结合气象站观测数据进行积雪厚度监测,虽然可以实时精准的监测积雪深度,但是无法对积雪深度进行预测,同时经验公式也未考虑到机场跑道积雪会有飞机通过对积雪产生影响。Hammer^[7]使用理论分析法分析积雪厚度的成因和融化类型,根据所预测时间长短构建积雪厚度的短时预测和长时预测公式进行预测,虽然可以对较长时间的积雪厚度进行预测,但主要面对的方向为积雪较厚的滑雪场与室外场所,对于积雪厚度较低的机场跑道及道路方面预测效果不佳。陶星宇等^[8]使用一种基于热力学的一维、多层的积雪过程的Crocus模型来对积雪深度进行预测,但Crocus模型需要对雪的类型进行详细描述,而机场跑道上所覆盖的积雪类型复杂,且经过飞机挤压后积雪含水量也实时变化,难以精准预测。

近年来,机器学习技术不断发展,Hu等^[9]使用随机森林回归(random forest regression,RFR)来预测积雪厚度,其中输入变量包括经纬度、海拔与网格化原位观测点,但是运用卫星观测数据仅适用于大范围长时间跨度的积雪深度趋势变化分析。马磊等^[10]使用XGBoost对山区公路风吹雪灾害降维评估,结合气象数据、雪深数据和其他辅助数据分析不同地区风吹雪灾害影响程度,但XGBoost在处理时间序列和长期依赖等方面较差。胡志栋等^[11]构建了一种长短期记忆网络(long short-term memory,LSTM)-Transformer串行的网络结构,该模型使用LSTM来提取数据特征,LSTM的门控机制可以准确捕捉到时序数据的短时局部特征,但Transformer接收到的全局关键信息的特征可能已经被LSTM模糊,从而无法凸显Transformer在全局信息提取上的优势,导致预测效果不佳。Yu等^[12]构建了一种Transformer-LSTM串行的网络结构,但LSTM接收的是经过Transformer提取过的全局抽象特征,导致LSTM捕捉精细局部演变和严格时间依赖的能力受到限制,在面对机场跑道积雪厚度预测问题时,实时变化的积雪厚度在经过Transformer的自注意力机制层处理过后,会抽象、平滑掉一些特征,导致预测结果不准确。

针对现有模型的问题,构建一种Transformer-LSTM并行的模型,通过Transformer 和 LSTM 分支独立地、并行地处理输入变量,确保模型从原始数据中挖掘长距离依赖和局部时序动态及短期依赖,再通过自适应权重模块,将不同气象条件下捕捉到的两种特征赋予相对应的权重,最后进行全连接预测,从而更精准地进行单步与多步的积雪厚度预测,方便进行机场除雪调度安排。

1 基础算法

1.1 LSTM

LSTM^[13]于1995年问世,并经过改良和推广。LSTM是一种特殊的RNN(recurrent neural network),通过引入遗忘门、输入门、输出门来解决传统RNN在处理长序列数据时遇到的梯度消失与爆炸问题,其模型结构如图1所示。

(1)遗忘门^[14]:通过权重矩阵与偏置的加权求和,决定细胞状态中哪些历史信息需要丢弃。当气温升高至冰点以上时,遗忘门会降低历史低温积雪累积信息的权重,若持续低温,则保留积雪厚度累积趋势。其公式为

(1)$ \boldsymbol{f}_{t}=\sigma\left(\boldsymbol{W}_{f}\left[\boldsymbol{h}_{t-1}, \boldsymbol{x}_{t}\right]+\boldsymbol{b}_{f}\right)$

式(1)中:$ \boldsymbol{W}_{f}$为遗忘门的权重;$ \boldsymbol{b}_{f}$为遗忘门的偏置向量;$ \boldsymbol{x}_{t}$与$ \boldsymbol{h}_{t}$为t时刻对应的输入,输入范围为0~1,当输出为1时表示完全保留上一个时间状态,当输出为0时表示完全遗忘上一个时间状态信息。

(2)输入门^[15]:决定当前输入中哪些新信息需要存储到细胞状态,更新长期记忆。在积雪厚度预测时,输入门可以精准捕捉寒潮来袭、突降暴雨等情况的关键信息,将新信息转化为长期记忆,避免噪声干扰。其公式为

(2)$\boldsymbol{i}_{t}=\sigma\left(\boldsymbol{W}_{i}\left[\boldsymbol{h}_{t-1}, \boldsymbol{x}_{t}\right]+\boldsymbol{b}_{i}\right)$

(3)$\tilde{\boldsymbol{C}}_{t}=\tanh \left(\boldsymbol{W}_{c}\left[\boldsymbol{h}_{t-1}, \boldsymbol{x}_{t}\right]+\boldsymbol{b}_{c}\right)$

式中:$ \boldsymbol{W}_{i}$为输入门的权重; $ \boldsymbol{b}_{i}$为输入门的偏置向量; $ \boldsymbol{W}_{c}$为内部状态的权重; $ \boldsymbol{b}_{c}$为内部状态的偏置向量。

(3)输出门^[16]:基于当前细胞状态,决定隐藏状态的输出内容。将包含多重信息的细胞状态更新,控制预测结果的表达,确保输出仅包含与当前任务最相关的信息,提升预测精度。其表达式为

(4)$\boldsymbol{O}_{t}=\boldsymbol{\sigma}\left(\boldsymbol{W}_{\boldsymbol{o}}\left[\boldsymbol{h}_{t-1}, \boldsymbol{x}_{t}\right]+\boldsymbol{b}_{\boldsymbol{o}}\right)$

(5)$\boldsymbol{h}_{t}=\boldsymbol{O}_{t} \otimes \tanh \left(\boldsymbol{C}_{t}\right)$

式中:$ \boldsymbol{W}_{o}$为输出门的权重;$ \boldsymbol{b}_{o}$为输出门的偏置向量;$ \otimes$为逐元素相乘。

1.2 Transformer

Transformer^[17]摒弃了循环,完全基于自注意力机制(self attention)和前馈神经网络(feed forward)构建的堆叠编码器(encoder)。自注意力机制通过学习输入序列中各词之间的依赖关系,生成高质量的文本输出。Transformer主要由编码器(encoder) 和解码器(decoder)两部分组成,Transformer 结构如图2所示,其中编码器包含多头注意力、前馈神经网络、位置编码等层次。

由于Transformer本身无法直接捕捉输入序列中元素的位置信息,需要先添加位置编码以了解序列中每个元素的位置信息,其公式为

(6)$P(p, 2 i)=\sin \left(\frac{p}{1000^{\frac{2 i}{d}}}\right)$

(7)$P(p, 2 i+1)=\cos \left(\frac{p}{10000^{\frac{2 i}{d}}}\right)$

式中:P为位置编码;p为向量中元素的位置;2i和2i+1分别为偶数维度和奇数维度;d为整个向量的维度。

自注意力机制^[18]是 Transformer 模型的核心,而多头注意力机制由多个自注意力机制组成。自注意力机制的公式为

(8)$\operatorname{Attention}(\boldsymbol{q}, \boldsymbol{k}, \boldsymbol{v})=\operatorname{softmax}\left(\frac{\boldsymbol{q} \boldsymbol{k}^{\mathrm{T}}}{\sqrt{d_{k}}}\right) \boldsymbol{v}$

式(8)中: q、k、 v分别为查询矩阵、键矩阵、值矩阵;d_k为向量k的特征维度。该运算的具体流程可分解为三个步骤:首先,计算查询矩阵与键矩阵的点积,得到原始注意力分数矩阵,该矩阵中的每个元素表征了对应位置之间的关联强度;随后,引入缩放因子d_k对分数进行尺度调整,避免在高维空间中点积结果过大导致softmax函数梯度饱和;最后,通过softmax函数对缩放后的分数进行归一化,生成非负且求和为1的注意力权重分布,并以此权重对值矩阵进行加权求和,得到最终的注意力输出。

Transformer可以捕捉长程依赖关系,自注意力机制可以让任意两个相距任意尺度的时间步相互作用。在机场跑道积雪厚度预测中,Transformer能有效捕获跨越长时间尺度的气象驱动因素(如寒潮、暖流、强降雪等)与当前或未来跑道积雪厚度之间的关联;Transformer每个时间步的表示通过注意力权重加权都融合了整个输入序列的信息,这使得每个时刻的表示都具有全局视野。在机场跑道积雪厚度预测中,预测某时刻的积雪厚度不仅依赖于最近的气象因素,还依赖于整个历史时期的累计效应,Transformer能自然地整合全局,理解当前状态在整个序列中的位置和意义。

1.3 自适应权重

增加自适应权重^[19]机制可以赋予模型动态感知环境变化的能力,从而解决传统固定权重模型泛化能力弱的问题。在面对跑道积雪厚度预测问题时,自适应权重可以通过实时计算特征值可信度,捕捉积雪厚度剧变趋势,提升模型鲁棒性。

特征重要性权重生成模块表达式为

(9)$\alpha=\sigma\left[\boldsymbol{w}_{\mathrm{a}}^{\mathrm{T}} \tanh \left(\boldsymbol{W}_{\mathrm{a}} \boldsymbol{h}+\boldsymbol{b}_{\mathrm{a}}\right)\right]$

式(9)中:h为输入特征;$ \boldsymbol{W}_{\mathrm{a}}$为学习特征变换矩阵;$ \boldsymbol{b}_{\mathrm{a}}$为特征偏置;$ \boldsymbol{w}_{\mathrm{a}}$为重要性权重向量;α为特征权重;σ为sigmoid函数;tanh为激活函数。

自适应加权特征模块表达式为

(10)$\boldsymbol{h}^{\prime}=\alpha \boldsymbol{h}+(1-\alpha) \boldsymbol{h}_{\text {base }}$

式(10)中:h为原始特征;$ \boldsymbol{h}_{\text {base }}$为基准特征;$ \boldsymbol{h}^{\prime}$为加权特征;α为特征权重。

加权全连接输出模块:

(11)$\boldsymbol{y}=\operatorname{relu}\left(\boldsymbol{W}_{\mathrm{f}} \boldsymbol{h}^{\prime}+\boldsymbol{b}_{\mathrm{f}}\right)$

式(11)中:relu为激活函数;$ \boldsymbol{W}_{\mathrm{f}}$为全连接权重;$ \boldsymbol{b}_{\mathrm{f}}$为输出偏置;y为预测输出。

2 数据来源及数据处理

所采用的数据为加拿大西北地区史密斯堡机场(数据集一)与加拿大努纳武特地区贝克湖机场(数据集二)所观测的气象数据,两个数据集气候分别为亚寒带针叶林气候和副极地气候,两种不同的典型气候可以考验模型的泛化能力。采样时间为2021年10月1日00:00—2024年4月1日24:00,采样间隔为2 h,其中00:00—04:00为夜间机场不运行,不予以观测,2组数据每组含8 217组时间序列数据。气象数据选用地面温度、湿度、大气压、总云量、降水量和露点温度为输入,积雪厚度为输出。如图3所示为数据集一与数据集二的特征差异对比。

跑道积雪厚度数据样本大,在实际数据采集过程中会因为传感器故障、传输信号受阻等情况出现缺失值和异常值数据,因此在获得跑道积雪厚度样本的时候,需要首先处理异常数据。

(1)异常值数据:异常值数据通常是因为采集装置受到外界不确定因素扰动导致采集数据异常。跑道积雪厚度数据具有一定的连续性和趋势性,因此单一的大幅增加或降低的样本点,不符合跑道积雪数据的变化规律,可以确定为异常值数据。对于异常值数据采取的处理方式为将其删除等效为缺失值数据,再按照缺失值数据的处理方式对其进行处理。

(2)缺失值数据:缺失值数据通常是因为传感器故障、信号传输受阻、监测软件故障意外关闭等情况产生的。对于缺失值数据的处理方式是采用三次样条插值的方法对数据进行填补。三次样条插值法^[20]计算简单,既能保持多个低阶多项式的计算形式,又能提高数据插值的光滑性和连续性。三次样条插值法的计算过程可表示为

(12)

$\begin{array}{l}S\left(d\right)={a}_{i}\frac{({d}_{i+1}{-d)}^{3}}{6{h}_{i}}+{a}_{i+1}\frac{(d-{d}_{i-1}{)}^{3}}{6{h}_{i}}+\\ \left(\frac{{y}_{i}}{{h}_{i}}-\frac{{a}_{i}}{6}{h}_{i}\right)({d}_{i+1}-d)+\\ \left(\frac{{y}_{i+1}}{{h}_{i}}-\frac{{a}_{i+1}}{6}{h}_{i}\right)(d-{d}_{i+1})\end{array}$

(13)

$\begin{array}{l}{y}_{i}=S\left({d}_{i}\right),{h}_{i}={d}_{i+1}-{d}_{i},d\in [{d}_{i},{d}_{i+1}],\\ 　　i=\mathrm{0,1},\dots,N\end{array}$

(14)

$S″\left({d}_{i}\right)={a}_{i}\frac{{d}_{i+1}-{d}_{i}}{{h}_{i}}+{a}_{i+1}\frac{{d}_{i}-{d}_{i-1}}{{h}_{i}}$

式中:d_i为要插值的点;N为要插值的点数;二阶导S″(d_i)为分段线性函数。利用N+1个临界点的边界条件,找到所有未定系数的a_i,即实现插值。

数据组之间单位不同,为消除量纲误差,加速训练过程,将数据进行归一化处理,换为标量值,使用max-min标准化将输入数据进行处理,将数据转化为[0,1],归一化公式为

(15)$X_{\mathrm{n}}=\frac{x-x_{\min }}{x_{\max }-x_{\min }}$

式(15)中:X_n为数据归一化值;x为归一化前的数据;x_max、x_min分别为数据中的最大值和最小值。为了保证输出结果与真实值具有相同量纲,还需要对输出数据进行反归一化处理。

3 并行Transformer-LSTM算法模型

在实际生活中,复杂的气象因素与机场跑道关系密切,这些因素之间交互作用复杂,具有非线性和时序性,并且气象因素还具有周期性,需要捕捉长序列数据的依赖关系,不同气象因素在不同条件下产生影响的权重不同。针对这一问题,建立并行的Transformer-LSTM模型,LSTM的输入门、遗忘门、输出门通过加权记忆与遗忘来捕捉长序列数据之间的依赖关系,而Transformer的自注意力机制可以捕获气象因素的周期性与交互影响,并且可以赋予不同气象因素在不同条件下各自适合的权重,从而提高模型的预测精度。

影响机场跑道积雪的气象因素众多,传统的单一模型难以有效提取气象因素的时间特征。针对上述问题,提出了一种并行Transformer-LSTM组合模型,使该模型能够有效地挖掘时间序列数据的特征。如图4所示,并行Transformer-LSTM组合模型的结构由LSTM层与Transformer层分别提取特征,最后通过全连接层融合特征完成预测。Transformer分支利用位置编码和双重自注意力机制捕捉超过24 h的寒潮累积效应和气象因子交互影响;LSTM分支则精准捕捉短时间内的突发降雪动态;通过自适应权重模块特征拼接后,模型在机场跑道积雪厚度问题中实现精准预测,方便机场除雪调度安排。

具体流程步骤如下:

(1)因使用的并行Transformer-LSTM模型需要数据具有时序特性,所以在单步预测中定义数据集前80%为训练集,后20%为测试集;而在多步预测中则使用数据集前四周的数据来对未来一周的机场跑道积雪厚度进行预测,并对数据归一化以消除不同维度的气象数据之间的量纲差异,完成数据预处理。

(2)设定初始化参数,定义最大训练次数、梯度阈值、初始学习率等初始参数。

(3)LSTM层与Transformer层分别处理输入序列,LSTM捕捉局部时空特征;Transformer捕捉数据的长期依赖关系和上下文信息,其中的自注意力机制可以进一步聚焦关键信息,增加模型对重要特征的关注,提高模型准确率。

(4)自适应权重模块通过对不同情况下LSTM与Transformer捕捉的不同特征进行加权,之后按照不同侧重进行全连接,最后将结果反归一化后输出。

3.1 模型参数

超参数优化是机器学习和深度学习中的关键步骤,用于提高模型的性能和准确性。如表1所示为本文具体的超参数取值设置。

在积雪厚度预测中针对LSTM单元进行了分别设置,其中单步预测LSTM单元优化设定为128个。单步预测要求在保证精度的前提下实现快速响应,128个LSTM单元既能有效捕捉积雪演化的短期时序模式,又将参数量控制在合理范围,有效避免了小样本过拟合风险;多步预测LSTM单元优化设定为300个,通过增强的网络容量来存储积雪演化的多尺度特征,在多步预测中能够有效捕捉积雪演化过程中的复杂非线性动态。在Transformer设计中,通过系统对比分析确定4头注意力为最优配置,该设计使模型能够并行捕捉不同方面的气象特征依赖关系,四个注意力头分别专注于温度与积雪厚度的非线性关系、风速与飘雪效应、融雪动态、综合权重平衡与异常检测。这种多头分工机制在多因素耦合的积雪厚度预测问题中可以捕捉更多信息,使预测更为精准。

为了从多尺度衡量预测误差,使用三种评价指标,均方误差(mean squared error,MSE);平均绝对误差(mean absolute error,MAE);决定系数R²;各个指标表达式为

(16)$y_{\mathrm{MSE}}=\frac{1}{n} \sum_{i=1}^{n}\left(y_{i}-\hat{y}_{i}\right)^{2}$

(17)$y_{\mathrm{MAE}}=\frac{1}{n} \sum_{i=1}^{n}\left|y_{i}-\hat{y}_{i}\right|$

(18)$y_{R^{2}}=1-\frac{\sum_{i=1}^{n}\left(y_{i}-\hat{y}_{i}\right)^{2}}{\sum_{i=n}^{n}\left(y_{i}-\bar{y}\right)^{2}}$

式中:${\hat{y}}_{i}$为预测积雪厚度;y_i为实际积雪厚度;$\stackrel{-}{y}$为积雪厚度平均值;n为样本个数。

在多步预测中,消融实验算法会因为准确度不高导致R²出现负数,故只选用MAE与MSE做衡量指标,对比误差图观测实验效果。

4 实例仿真分析

4.1 单步预测

使用Matlab2024A软件搭建了算法模型并进行实验实例仿真分析,为了更好地验证模型的有效性,使用了多种模型进行消融实验,各组模型运行十次,取平均值消除偶然性误差。对比结果如图5、图6、表2所示,可得:独立的LSTM能预测出积雪厚度的大致走势,但积雪厚度受多日累积气象条件影响。LSTM能捕捉如气温骤降等短时变化,但全局信息缺失制约精度,并且过于依赖数据相互关系,导致数据集前10个样本点预测结果与真实积雪厚度之间差距过大,使预测效果在所选方法中表现最差; 独立的Transformer对长期依赖建模出色,但对局部突变敏感,且需要大量数据学习气象因素之间复杂的精细关系,导致效果不佳;LSTM-Transformer串行模型效果较之单一LSTM与单一Transformer略有提升,LSTM先处理原始序列,其输出隐藏状态作为Transformer输入。但LSTM的长程记忆衰减导致早期气象信息在传递至Transformer时被稀释,导致预测效果并没有过多提升;Transformer-LSTM串行模型中,Transformer先提取全局特征,LSTM在此基础上学习局部模式。但Transformer输出已丢失原始时间步细节,LSTM难以修正其未捕捉的瞬时异常,导致预测精度降低;并行Transformer-LSTM模型在跑道积雪单步预测中效果最优,在两个数据集上均取得最高预测精度,R²为0.991 63与0.996 58、MAE为0.393 73与0.182 26、MSE为0.433 92与0.071 71。气象数据兼具露点温度与湿度的短时波动这类的局部时序依赖性,和大气压的季节性变动趋势这类全局关联性,Transformer与LSTM并行的模型结构在单步预测跑道积雪厚度时展现出优越性。Transformer分支能通过自注意力机制精准捕捉地面温度、湿度、大气压、总云量、降水量和露点温度之间的非线性耦合关系,而LSTM分支则专注提取气象数据的局部时间动态,二者提取的两类独立特征经过动态特征融合使模型预测准确。

4.2 多步预测

结合图7、图8和表3分析可得,独立LSTM在面对连续的一个月数据时,门控机制的记忆过载,细胞状态被迫存储过多信息,关键早期如寒潮、暴雪等事件被近期数据覆盖记忆,导致混淆与梯度消散;独立Transformer虽能建模一个月内的气象关联,但预测未来7 d时,自回归生成的累积误差使注意力权重分配失真。纯自注意力机制无法动态适应气象因子交互的时变性,对如大气压这类周期性变化的气象数据的预测偏差随步长增加而放大,最终一周的多步预测完全偏离真实值;串行LSTM-Transformer模型与单步预测所遇到的问题类似,LSTM将原始序列压缩为固定长度向量时,高频细节被过度平滑,导致后端Transformer无法重建短期突变模式。并且多步预测需迭代输出,LSTM初始阶段的微小误差在传递至Transformer后呈指数级放大,误差累积放大,导致预测效果不佳;串行Transformer-LSTM模型的结果相对稳定,但难以捕捉局部的气象变化,前端Transformer虽建立了长达一个月的尺度框架,但其输出的特征为已经丢失时间步粒度的气象状态,后端LSTM难以据此特征捕捉周内突发雪情与寒潮。但串行Transformer-LSTM模型在数据集二中的表现尚可,因为该数据集含有更为规律的周期行为,降低了对局部修正的需求,导致预测结果较为稳定;并行Transformer-LSTM模型在两个数据集的多步预测中均保持最优结果,MAE为0.502 47与0.621 49、MASE为0.402 31与0.489 4。该模型能有最优的效果主要依赖于其分层时序建模能力,其中Transformer层可以捕捉大气压的周期性变化、露点温度与季节趋势的关联性等长周期特征,之后通过自注意力机制精确建模。LSTM层则捕捉短时突变特征,LSTM的门控机制可以有效捕获总云量骤增引发的短时积雪加速、湿度与温度的日内耦合效应、降水量骤变等短期动态。并行的结构可以避免LSTM层与Transformer层分别捕捉到的不同特征的信息损失,自适应加权融合层可以将两类特征进行加权,实现跨尺度校正,避免串行结构的信息衰减,从而使预测效果更加精准。

5 结论

(1)提出了一种基于Transformer-LSTM并行的机场跑道积雪厚度预测模型,区别于现有的串行结构(LSTM-Transformer或Transformer-LSTM),采用并行分支设计,通过Transformer与LSTM分别提取特征,确保模型从原始数据中挖掘长距离依赖和局部时序动态及短期依赖,最后再通过自适应加权动态评估并加权融合来自Transformer分支和LSTM分支的特征表达,完成单步与多步预测,显著提升了对于机场跑道积雪厚度的预测精准度。

(2)在单步预测模型中,本文模型R²为0.991 63与996 58、MAE为0.393 73与0.182 26、MSE为0.433 92与0.071 71,能达到较好的预测结果,基本能够准确预测积雪厚度;在多步预测模型中,本文模型MAE为0.502 47与0.621 49、MASE为0.402 31与0.489 4,在对比试验的各个模型之中,同样拥有较高的准确率,但对比单步预测模型误差更大。影响误差的原因为气候复杂多变,即使Transformer与LSTM分别提取不同的特征,一些骤变的气象因素也无法预判。但能够基本准确预测积雪厚度,机场可以根据预测结果进行机场除雪调度安排。

(3)基于本研究成果,为推动中国机场运行安全智能化、保障冬季航班正常性,提出以下工程应用与发展建议:民航管理部门和机场集团,考虑在北方降雪频繁的重点机场,开展基于此类人工智能模型的跑道积雪智能预报系统试点,为除冰除雪作业调度、航班起降间隔调整,乃至可能的跑道关闭决策,变被动应对为主动预警;当前气象数据与跑道实际状态数据往往分属不同系统。建议行业推动建设构建“气象-跑道状态”一体化监测与预测数据平台,并以此为基础,融合本文所提的先进预测算法,构建专属的预报平台。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	崔艳雨, 赵琦, 陈媛媛, 等. 跑道积雪对机场道面摩擦特性的影响研究[J]. 民航学报, 2023, 7(3): 38-42, 32.

[2]	Cui Yanyu, Zhao Qi, Chen Yuanyuan, et al. Experimental study on effect of snow on friction characteristics of runway surface[J]. Journal of Civil Aviation, 2023, 7(3): 38-42, 32.

[3]	高浩, 唐世浩, 韩秀珍. 风云气象卫星发展及其应用[J]. 科技导报, 2021, 39(15): 9-22.

[4]	Gao Hao, Tang Shihao, Han Xiuzhen. China’s Fengyun(FY) meteorological satellites, development and applications[J]. Science and Technology Review, 2021, 39(15): 9-22.

[5]	耿通, 张胜凯, 肖峰, 等. 北极海冰表面积雪深度卫星测高估算方法对比与评估[J]. 武汉大学学报(信息科学版). (2026-07-07)[2026-07-26]. https://doi.org/10.13203/j.whugis20240459.

[6]	Geng Tong, Zhang Shengkai, Xiao Feng, et al. Comparison and evaluation of snow depth estimation methods for arctic sea ice using satellite altimetry[J]. Geomatics and Information Science of Wuhan University. (2026-07-07)[2026-07-26]. https://doi.org/10.13203/j.whugis20240459.

[7]	陈斌, 刘悦, 尹开浪, 等. 冰雪天气下基于LSTM的跑道温度数据-机理联合预测[J]. 北京航空航天大学学报, 2024, 50(7): 2184-2194.

[8]	Chen Bin, Liu Yue, Yin Kailang, et al. Runway temperature data mechanism joint prediction based on LSTM under ice and snow[J]. Journal of Beijing University of Aeronautics and Astronautics, 2024, 50(7): 2184-2194.

[9]	高博, 郝晓华, 和栋材, 等. 基于U-Net++模型的多源数据高时空分辨率积雪面积重建——以祁连山区为例[J]. 遥感学报, 2025, 29(4): 867-882.

[10]	Gao Bo, Hao Xiaohua, He Dongcai, et al. Reconstruction of high spatiotemporal resolution snow cover remotesensing range data from multiple sources based on deep learning model: a case study in the Qilian Mountains[J]. National Remote Sensing Bulletin, 2025, 29(4): 867-882.

[11]	李旭冰, 黄晓东, 刘爱利. 基于星载激光雷达ICESat-2的雪深监测方法研究[J]. 冰川冻土, 2022, 44(3): 1091-1099.

[12]	Li Xubing, Huang Xiaodong, Liu Aili. Snow depth retrieval from spaceborne LiDAR ICESat-2[J]. Journal of Glaciology and Geocryology, 2022, 44(3): 1091-1099.

[13]	Hammer H L. Statistical models for short-and long-term forecasts of snow depth[J]. Journal of Applied Statistics, 2018, 45(6): 1133-1156.

[14]	陶星宇, 柳锦宝, 拉珍, 等. 基于Crocus模型的雪深模拟研究[J]. 冰川冻土, 2024, 46(4): 1184-1196.

[15]	Tao Xingyu, Liu Jinbao, La Zhen, et al. Research on snow depth simulation of Crocus model[J]. Journal of Glaciology and Geocryology, 2024, 46(4): 1184-1196.

[16]	Hu Y X, Che T, Dai L Y, et al. Snow depth fusion based on machine learning methods for the northern hemisphere[J]. Remote Sensing, 2021, 13(7): 1250.

[17]	马磊, 胡智轩, 韦振勋, 等. 基于GA_XGBoost的山区公路风吹雪灾害降维评估模型[J]. 冰川冻土, 2025, 47(4): 1112-1124.

[18]	Ma Lei, Hu Zhixuan, Wei Zhenxun, et al. A dimensionality reduction assessment model for blowing snow disasters on mountain highways based on GA_XGBoost[J]. Journal of Glaciology and Geocryology, 2025, 47(4): 1112-1124.

[19]	胡志栋, 吴松, 卢莉莉. 基于CLT复合模型的污水处理曝气量预测方法[J]. 科学技术与工程, 2025, 25(26): 11418-11425.

[20]	Hu Zhidong, Wu Song, Lu Lili. A CLT composite model based prediction method for aeration amount in wastewater treatment[J]. Science Technology and Engineering, 2025, 25(26): 11418-11425.

[21]	Yu Z C, Li B. Reinforced concrete beam full response prediction with hybrid feature-orientation transformer-LSTM model[J]. Engineering Structures, 2025, 332: 120040.

[22]	李诗婉, 袁明道, 徐云乾, 等. 基于注意力机制的CNN-LSTM土石坝渗流量预测模型[J]. 科学技术与工程, 2025, 25(21): 9102-9108.

[23]	Li Shiwan, Yuan Mingdao, Xu Yunqian, et al. A seepage flow prediction model for earth-rock dams using CNN-LSTM with attention mechanism[J]. Science Technology and Engineering, 2025, 25(21): 9102-9108.

[24]	向汶强, 邵伟, 罗少辉, 等. 基于LSTM模型的青藏高原冻土区土壤水分模拟[J]. 科学技术与工程, 2025, 25(31): 13236-13245.

[25]	Xiang Wenqiang, Shao Wei, Luo Shaohui, et al. Simulation of soil moisture in permafrost regions of the Qinghai-Tibet Plateau based on LSTM model[J]. Science Technology and Engineering, 2025, 25(31): 13236-13245.

[26]	巩炫麟, 陶庆, 苏娜, 等. 基于CNN-CBAM-LSTM的稳态视觉诱发电位脑电信号识别方法[J]. 科学技术与工程, 2025, 25(10): 4175-4182.

[27]	Gong Xuanlin, Tao Qing, Su Na, et al. A recognition method for steady-state visual evoked potential EEG signals based on CNN-CBAM-LSTM[J]. Science Technology and Engineering, 2025, 25(10): 4175-4182.

[28]	周智伟, 陶庆, 苏娜, 等. 基于表面肌电信号的CNN-LSTM模型下肢动作识别[J]. 科学技术与工程, 2025, 25(7): 2841-2848.

[29]	Zhou Zhiwei, Tao Qing, Su Na, et al. Lower limb motion recognition based on surface electromyography and a CNN-LSTM fusion model[J]. Science Technology and Engineering, 2025, 25(7): 2841-2848.

[30]	彭黄果, 陈亮. 结合多尺度融合与注意力机制的混合Transformer注视估计模型[J]. 科学技术与工程, 2025, 25(29): 12579-12585.

[31]	Peng Huangguo, Chen Liang. A hybrid Transformer gaze estimation model combining multi-scale fusion and attention mechanism[J]. Science Technology and Engineering, 2025, 25(29): 12579-12585.

[32]	Zhou L, Zhang R H. A self-attention-based neural network for three-dimensional multivariate modeling and its skillful ENSO predictions[J]. Science Advances, 2023, 9(10): eadf2827.

[33]	骆国辉, 彭小龙, 杨晨, 等. 基于自适应PSO参数优化的页岩气复合时间产量递减模型[J]. 科学技术与工程, 2025, 25(18): 7583-7589.

[34]	Luo Guohui, Peng Xiaolong, Yang Chen, et al. Composite time production decline model of shale gas based on adaptive PSO parameter optimization[J]. Science Technology and Engineering. 2025, 25(18): 7583-7589.

[35]	朱广平, 李萌, 王成, 等. 三次样条插值参量阵激励信号预调制算法[J]. 哈尔滨工程大学学报, 2025, 46(3): 513-520.

[36]	Zhu Guangping, Li Meng, Wang Cheng, et al. Algorithm for pre-modulation of excitation signals using a three-spline interpolation parameter matrix[J]. Journal of Harbin Engineering University, 2025, 46(3): 513-520.