基于改進(jìn)的PSO優(yōu)化SVR的機(jī)場(chǎng)道面積冰預(yù)測(cè)

王立文，劉建華，陳 斌，李慶真

(1.中國民航大學(xué)航空地面特種設(shè)備研究基地，天津 300300;2.中國民航大學(xué)電子信息與自動(dòng)化學(xué)院，天津 300300)

1 引言

機(jī)場(chǎng)跑道積冰是由于跑道表面有積水/降雪融化且在道面溫度下降到冰點(diǎn)，或者凍雨直接滴落到冷表面形成冰層。在我國冬季西北、華北、東北和云貴等地區(qū)是重冰區(qū)，從以往的數(shù)據(jù)觀察部分地區(qū)年均冰凍日數(shù)甚至在5天以上[1]，經(jīng)常會(huì)遇到機(jī)場(chǎng)跑道結(jié)冰的情況，道面積冰會(huì)大大降低跑道的抗滑性，且在冰水混合情況下摩擦系數(shù)與冰層厚度是正相關(guān)關(guān)系[2]。在我國民航大發(fā)展的情況下勢(shì)必會(huì)給航空運(yùn)輸行業(yè)帶來巨大的挑戰(zhàn)，影響機(jī)場(chǎng)的正常運(yùn)營和旅客的出行計(jì)劃，因此，對(duì)機(jī)場(chǎng)跑道積冰厚度預(yù)測(cè)是十分必要的。

目前，國內(nèi)外許多學(xué)者對(duì)積冰預(yù)測(cè)問題主要圍繞以下幾個(gè)方面進(jìn)行研究，一是傳熱傳質(zhì)解析模型，利用傳熱傳質(zhì)學(xué)等知識(shí)對(duì)積冰過程進(jìn)行分析，如Xiaomin Wu[3]等人在冷卻塊上利用結(jié)霜機(jī)理建立了相變傳質(zhì)模型，該模型描述了濕空氣中水蒸氣的傳質(zhì)過程，對(duì)霜冰的生長和致密化進(jìn)行預(yù)測(cè)。杜雁霞[4]等人對(duì)飛機(jī)飛行過程中結(jié)冰過程的液/固相變傳熱特性進(jìn)行了分析，建立了液膜及冰層生長模型。Ping Fu[5]， Pavlo Sokolov[6]對(duì)物體積冰的邊界層效應(yīng)進(jìn)行邊界層研究，并分析了液滴碰撞和分布譜效應(yīng)，估算局部碰撞系數(shù)利用CFD工具數(shù)值模擬冰厚。二是數(shù)據(jù)統(tǒng)計(jì)分析，通過模擬積冰的環(huán)境或根據(jù)氣象站采集到的數(shù)據(jù)觀察積冰的過程，利用實(shí)驗(yàn)結(jié)果分析各實(shí)驗(yàn)條件對(duì)積冰的厚度或速率的影響再利用智能算法進(jìn)行預(yù)測(cè)。如朱寶林[7]、熊竹[8]等人通過積冰環(huán)境模擬實(shí)驗(yàn)室，模擬了積冰形成的溫度、濕度、風(fēng)向、風(fēng)速等環(huán)境條件，開展積冰的物理特征研究，并將引入的氣象因素用貝葉斯理論或神經(jīng)網(wǎng)絡(luò)進(jìn)行積冰預(yù)測(cè)分析；黃新波[8]、王玉鑫[10]，根據(jù)導(dǎo)線覆冰的模糊性，采集影響覆冰變化的氣象因子數(shù)據(jù)信息，與導(dǎo)線覆冰的模糊邏輯建立的模糊規(guī)則理論對(duì)積冰厚度進(jìn)行預(yù)測(cè)；羅毅[11]根據(jù)采集的歷史氣象因子數(shù)據(jù)與氣象預(yù)測(cè)數(shù)據(jù)，根據(jù)神經(jīng)網(wǎng)絡(luò)非線性映射變量關(guān)系對(duì)積冰厚度進(jìn)行預(yù)測(cè)。三是積冰探測(cè)預(yù)測(cè)技術(shù)，將結(jié)冰探測(cè)器和氣象傳感器相結(jié)合并將算法嵌入，搭建積冰預(yù)測(cè)系統(tǒng)。N.Bezrukova[12]等人在自動(dòng)道路氣象站使用一組傳感器測(cè)量空氣溫度、相對(duì)濕度、降水類型和強(qiáng)度、風(fēng)速、路面干濕狀態(tài)等信息，將這些信息作為輸入，用熱平衡方程預(yù)測(cè)道面溫度，再根據(jù)預(yù)測(cè)道面的溫度信息和其它一些數(shù)據(jù)對(duì)道面積冰進(jìn)行預(yù)測(cè)；尹麒煥[13]將環(huán)境溫度、空氣濕度、風(fēng)速、風(fēng)向、大氣壓力等參數(shù)綜合考慮，并開發(fā)了結(jié)冰傳感器，搭建基于多參數(shù)的道路結(jié)冰安全預(yù)警系統(tǒng)；許一飛[14]等人利用同軸和楔形兩種光纖傳感器，結(jié)合對(duì)射式傳感器、溫度等傳感器構(gòu)成結(jié)冰檢測(cè)系統(tǒng)，而后根據(jù)各傳感器數(shù)據(jù)進(jìn)行數(shù)據(jù)融合，達(dá)到識(shí)別冰型，測(cè)量冰厚的目的。

綜上3種研究方法，基于理論分析和數(shù)值模擬建立的模型可以從本質(zhì)上反映各因素對(duì)道路積冰的影響，但是參數(shù)復(fù)雜且大多數(shù)參數(shù)通過經(jīng)驗(yàn)獲得，對(duì)模型的正確性有一定的影響；數(shù)據(jù)統(tǒng)計(jì)方法建立的模型通過數(shù)據(jù)分析積冰影響因子，建立積冰同相關(guān)因素的模型進(jìn)行預(yù)測(cè)，但該類方法針對(duì)固定的區(qū)域且氣候變化趨勢(shì)相對(duì)穩(wěn)定的情況下具有較好的預(yù)測(cè)結(jié)果，模型的泛化能力較差，這就要選擇泛化能力高的預(yù)測(cè)模型提高預(yù)測(cè)模型的精度；積冰探測(cè)/預(yù)測(cè)方法主要依靠路旁氣象傳感器和路面積冰傳感器采集的數(shù)據(jù)，但由于機(jī)場(chǎng)安全性要求較高不適合機(jī)場(chǎng)道面環(huán)境。本文設(shè)計(jì)室內(nèi)模擬實(shí)驗(yàn)，通過控制溫度、濕度、降雨量和風(fēng)速4個(gè)影響積冰的氣象因子，用正交實(shí)驗(yàn)法進(jìn)行方案設(shè)計(jì)。支持向量機(jī)等數(shù)據(jù)挖掘技術(shù)針對(duì)高維非線性的模式識(shí)別問題表現(xiàn)出許多特有的優(yōu)勢(shì)。采用支持向量機(jī)對(duì)積冰非線性增長過程進(jìn)行回歸建模，同時(shí)，為提高支持向量機(jī)的預(yù)測(cè)精度使用粒子群算法對(duì)懲罰參數(shù)C與核函數(shù)參數(shù)g進(jìn)行尋優(yōu)。為避免粒子群算法陷入局部最優(yōu)解和過早收斂的問題，對(duì)其模型中兩個(gè)學(xué)習(xí)因子采用時(shí)變異步變化時(shí)的經(jīng)典范圍進(jìn)行了改進(jìn)并且加入了線性遞減的慣性權(quán)值。根據(jù)預(yù)測(cè)結(jié)果可知采用改進(jìn)的粒子群算法對(duì)支持向量機(jī)進(jìn)行尋優(yōu)的準(zhǔn)確度較高。

2 算法基本原理

2.1 支持向量回歸算法

支持向量回歸是建立在SVM基礎(chǔ)上的回歸算法。通過非線性映射把輸入空間的輸入向量映射到特征空間，之后在特征空間進(jìn)行線性回歸，構(gòu)造決策函數(shù)

f(xi)=ωTxi+b

(1)

為了解決SVM回歸擬合的問題，Vapnik等人在SVM分類基礎(chǔ)上引入了ε-不敏感損失函數(shù)，從而得到了回歸支持向量機(jī)(Support Vector Machine for Regression， SVR)。ε-不敏感損失函數(shù)的形式如下

(2)

根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，得到線性回歸的凸二次規(guī)劃問題，由于在間隔帶兩側(cè)的松弛程度有所不同，所以引入松弛變量ξi和i得到如下公式

(3)

式中：C為懲罰因子。對(duì)于該問題的求解，經(jīng)過引入拉格朗日函數(shù)，最終可轉(zhuǎn)化為對(duì)偶問題

(4)

此時(shí)，對(duì)于非線性回歸需使用核函數(shù)把非線性數(shù)據(jù)映射到一個(gè)高維特征空間，然后進(jìn)行線性回歸?；貧w函數(shù)為

(5)

核函數(shù)采用高斯核函數(shù)即

K(xi，xj)=e-g‖xi-xj‖2

(6)

2.2 粒子群算法原理

粒子群算法是一種隨機(jī)尋優(yōu)的群體智能算法，將搜索問題解的空間延伸到N維空間中。粒子群為由n個(gè)粒子組成的種群X=(X1，X2，X3，…Xn);微粒i在N維空間里的位置和速度都表示為一個(gè)矢量，第i個(gè)粒子位置表示成一個(gè)D維向量Xi=(xi1，xi2，xi3，…xiD)T，粒子的速度為Vi=(νi1，νi2，νi3，…，νiD)T，粒子通過跟蹤個(gè)體極值和群體極值更新自身的速度和位置，其更新方式如下

(7)

(8)

粒子的位置更新依靠上一步的位置和更新后的粒子速度，更加依靠速度更新，速度更新公式可分為3部分，第1部分為粒子前一時(shí)刻的速度；第2部分為粒子自身的思考能力，稱為“認(rèn)知”部分，其中c1調(diào)節(jié)粒子飛向最佳個(gè)體位置方向的步長；第3部分表示為粒子之間的相互合作和信息共享，稱為“社會(huì)”部分，c2調(diào)節(jié)粒子飛向最佳群體位置方向的步長。

3 基于改進(jìn)的PSO和SVR的積冰厚度預(yù)測(cè)方法

3.1 粒子群算法改進(jìn)策略

由2.2節(jié)尾段指出粒子群尋優(yōu)的關(guān)鍵在于學(xué)習(xí)因子c1和c2的值調(diào)節(jié)粒子移動(dòng)的速度，進(jìn)而影響粒子移動(dòng)位置的步長?？稍谒惴ㄋ阉鞒跏茧A段使用較大的c1值和較小的c2值，使粒子減少受到局部極值的影響，可以增加粒子的多樣性；而后，在粒子搜索的后階段隨著迭代次數(shù)的增加，使用較小的c1值和較大的c2值，這樣就使得粒子容易收斂到全局最優(yōu)。在文獻(xiàn)[15]中Ratnaweera根據(jù)迭代次數(shù)修改學(xué)習(xí)因子，采用式(9)和式(10)計(jì)算學(xué)習(xí)因子的值，進(jìn)行實(shí)驗(yàn)。根據(jù)實(shí)驗(yàn)結(jié)果表明當(dāng)c1∈[2.5，0.5]與c2∈[0.5，2.5]時(shí)，算法的實(shí)驗(yàn)效果最佳。這種方法雖然加速了算法收斂，但也極容易陷入局部最值，適用于單峰值函數(shù)但在多峰值函數(shù)中容易過早收斂。

(9)

(10)

c1i和c1f分別為c1初始值和終值，c2i和c2f分別為c2初始值和終值，iter為當(dāng)前迭代次數(shù)，MAXITR為最大迭代次數(shù)。

針對(duì)此問題在文獻(xiàn)[16]中對(duì)c1和c2的區(qū)間值進(jìn)行改進(jìn)，c1∈[2.75，1.25]和c2∈[0.5，2.25]，并在此基礎(chǔ)上引入了線性遞減慣性權(quán)重ω。因?yàn)槌跏紩r(shí)刻慣性權(quán)重較大，全局尋優(yōu)能力較強(qiáng)，局部尋優(yōu)能力較弱；且隨著慣性權(quán)重減小，局部尋優(yōu)能力增強(qiáng)，全局尋優(yōu)能力減弱，慣性權(quán)重如式(11)遞減。ω∈[0.9，0.4]，通過實(shí)驗(yàn)測(cè)試效果較優(yōu)。粒子群迭代尋優(yōu)速度如式(12)。

(11)

(12)

其中c1∈[2.75，1.25]，c2∈[0.5，2.25]，ω∈[0.9，0.4]。

3.2 改進(jìn)的PSO-SVR預(yù)測(cè)模型

基于改進(jìn)PSO算法的SVR預(yù)測(cè)模型，采用優(yōu)化后的粒子群算法對(duì)SVR的懲罰參數(shù)C和高斯核函數(shù)的寬度系數(shù)g進(jìn)行參數(shù)尋優(yōu)。其中懲罰參數(shù)C反映了算法對(duì)超出ε的樣本數(shù)據(jù)的懲罰程度，會(huì)對(duì)模型的復(fù)雜性和穩(wěn)定性造成影響，若C過小對(duì)遠(yuǎn)離ε的樣本數(shù)據(jù)懲罰就小，造成訓(xùn)練誤差變大，學(xué)習(xí)精度降低，對(duì)新數(shù)據(jù)處理的結(jié)果會(huì)變差；若C過大時(shí)，樣本的訓(xùn)練精度提高，但模型的泛化能力變差。所以C值影響對(duì)樣本中非正常數(shù)據(jù)點(diǎn)的處理，選取合適的C值能在一定程度上抗干擾，保證模型的穩(wěn)定性。寬度系數(shù)g反映了向量之間的相關(guān)程度，g太小向量間的相關(guān)程度較小且推廣能力較弱；g太大，向量間的影響就越大，但是會(huì)對(duì)回歸模型的精度造成影響。

其中預(yù)測(cè)后的誤差用均方誤差表示

(13)

基于改進(jìn)PSO對(duì)SVR的參數(shù)(C，g)進(jìn)行尋優(yōu)并建立預(yù)測(cè)模型的步驟如下：

Step1：初始化粒子群相關(guān)參數(shù)。設(shè)定種群的規(guī)模、迭代次數(shù)和慣性權(quán)值，搜索的邊界。對(duì)兩個(gè)參數(shù)(C，g)的位置和速度進(jìn)行初始化，并設(shè)置粒子初始時(shí)的個(gè)體最優(yōu)位置pbest和群體最優(yōu)位置gbest。

Step2：根據(jù)設(shè)置的適應(yīng)度函數(shù)式(13)求出各粒子的初始適應(yīng)度值。

Step3：再由優(yōu)化后的粒子群算法速度更新式(12)和位置更新式(8)進(jìn)行更新粒子的位置和速度。

Step4：根據(jù)適應(yīng)度函數(shù)計(jì)算適應(yīng)度值，更新粒子個(gè)體最優(yōu)解和全局最優(yōu)解。

Step5：判定優(yōu)化后的粒子群算法是否達(dá)到結(jié)束的條件，若是，結(jié)束搜索，返回全局最優(yōu)位置參數(shù)向量(C，g)；若否，轉(zhuǎn)到Step2繼續(xù)執(zhí)行。

Step6：基于上一步返回的參數(shù)向量(C，g)建立SVR積冰預(yù)測(cè)模型。

4 實(shí)驗(yàn)及仿真結(jié)果分析

4.1 實(shí)驗(yàn)系統(tǒng)設(shè)計(jì)

由于氣象條件的復(fù)雜性與積冰環(huán)境的多樣性，機(jī)場(chǎng)道面積冰現(xiàn)象很難在實(shí)際的環(huán)境中進(jìn)行及時(shí)的觀測(cè)，因此僅僅依靠室外進(jìn)行實(shí)驗(yàn)設(shè)計(jì)不能控制外部的實(shí)驗(yàn)環(huán)境不能保證實(shí)驗(yàn)的可重復(fù)性，數(shù)據(jù)的對(duì)比分析以及實(shí)驗(yàn)結(jié)果也不能做到全面和深層次的理解。本文借助人工氣象環(huán)境室搭建環(huán)境模擬系統(tǒng)借助機(jī)場(chǎng)環(huán)境模擬實(shí)驗(yàn)平臺(tái)對(duì)機(jī)場(chǎng)道面積冰過程進(jìn)行模擬實(shí)驗(yàn)和數(shù)據(jù)分析。實(shí)驗(yàn)系統(tǒng)結(jié)構(gòu)圖如圖1。

圖1 機(jī)場(chǎng)道面積冰實(shí)驗(yàn)系統(tǒng)結(jié)構(gòu)圖

機(jī)場(chǎng)環(huán)境模擬實(shí)驗(yàn)平臺(tái)為積冰實(shí)驗(yàn)中冰層厚度的數(shù)據(jù)采集平臺(tái)，機(jī)場(chǎng)環(huán)境模擬實(shí)驗(yàn)平臺(tái)積冰效果圖，如圖2。實(shí)驗(yàn)中測(cè)量積冰厚度所采用的的儀器為Dino-Lite手持式數(shù)碼顯微鏡，將其對(duì)準(zhǔn)實(shí)驗(yàn)平臺(tái)對(duì)冰層進(jìn)行拍照，對(duì)照片中的冰層厚度進(jìn)行測(cè)量，測(cè)量精度為0.001mm。

圖2 數(shù)碼顯微鏡下的積冰厚度測(cè)量圖

4.2 實(shí)驗(yàn)方案設(shè)計(jì)與分析

由于機(jī)場(chǎng)跑道積冰受多參數(shù)影響，探究在多環(huán)境耦合作用下的積冰影響效果，本文采用正交實(shí)驗(yàn)法進(jìn)行實(shí)驗(yàn)方案設(shè)計(jì)。正交實(shí)驗(yàn)法具有正交性、均衡性和獨(dú)立性的特點(diǎn)，可以方便設(shè)計(jì)實(shí)驗(yàn)盡可能減少實(shí)驗(yàn)次數(shù)，使用數(shù)理統(tǒng)計(jì)的方法處理實(shí)驗(yàn)結(jié)果分清因素的主次。在搭建好的實(shí)驗(yàn)系統(tǒng)中，通過將溫度、濕度、風(fēng)速和降雨量這4個(gè)影響積冰的氣象因子控制在一定范圍內(nèi)，根據(jù)正交實(shí)驗(yàn)法進(jìn)行合理的實(shí)驗(yàn)設(shè)計(jì)。在所設(shè)置的實(shí)驗(yàn)中將溫度、濕度、風(fēng)速和降雨量選取三個(gè)水平，如表1。

表1 機(jī)場(chǎng)跑道積冰實(shí)驗(yàn)參數(shù)水平表

對(duì)四個(gè)積冰氣象因子選取的三個(gè)水平設(shè)計(jì)正交實(shí)驗(yàn)表，以實(shí)驗(yàn)最終的積冰厚度作為評(píng)價(jià)指標(biāo)。根據(jù)機(jī)場(chǎng)跑道積冰實(shí)驗(yàn)參數(shù)水平表，采用L934設(shè)計(jì)正交實(shí)驗(yàn)，各參數(shù)在不同水平下的積冰厚度如表2所示。

由于積冰因素較多且積冰環(huán)境較復(fù)雜很難做到科學(xué)定性定量的研究機(jī)場(chǎng)跑道的積冰現(xiàn)象，需要合理的簡(jiǎn)化方案對(duì)實(shí)驗(yàn)環(huán)境作出假設(shè)：整個(gè)實(shí)驗(yàn)環(huán)境中空氣溫度和相對(duì)濕度相對(duì)穩(wěn)定；風(fēng)速和降雨量均勻固定，且整個(gè)系統(tǒng)的空氣主流速恒定不變。

表2 實(shí)驗(yàn)方案表

通過使用極差分析法對(duì)實(shí)驗(yàn)進(jìn)行分析，可以確定各積冰影響因子作用時(shí)對(duì)積冰厚度的影響。通過比較極差來判定影響程度的大小，極差R越大就表明該氣象因子對(duì)積冰的影響越大。

R=max(k1，k2，k3)-min(k1，k2，k3)

(15)

其中：ki=Ki/3，i=1，2，3。Ki是各積冰影響因子的第i水平的積冰厚度，ki是各積冰影響因子的第i水平的平均積冰厚度。通過極差分析得到各積冰影響因子對(duì)積冰的影響程度由大到小依次為：降雨量﹥溫度﹥風(fēng)速﹥濕度。為直觀起見，以參數(shù)的水平作為橫坐標(biāo)，以影響積冰厚度的平均值作為縱坐標(biāo)，氣象因子與影響積冰趨勢(shì)圖如圖3所示。

積冰影響因子較多且呈現(xiàn)非線性變化，積冰厚度跟隨影響因子的變化而變化。從圖3可以看出，隨著溫度的降低和降雨量的增加，積冰厚度呈現(xiàn)不斷上漲的趨勢(shì)，且在溫度最低和降雨量最大的時(shí)候積冰厚度達(dá)到最大值，同水平的積冰厚度平均值占用縱坐標(biāo)的范圍較大，說明這兩個(gè)參數(shù)對(duì)積冰厚度的增長是非常敏感的，隨著溫度、降雨量的變化積冰厚度有較大的變化。在隨著風(fēng)速、濕度變化時(shí)，積冰厚度只在較小的范圍內(nèi)波動(dòng)，說明風(fēng)速、濕度對(duì)積冰厚度敏感度較低。

圖3 氣象因子與影響積冰趨勢(shì)圖

4.3 仿真結(jié)果對(duì)比分析

根據(jù)正交實(shí)驗(yàn)法設(shè)計(jì)的方案，在該方案下設(shè)計(jì)實(shí)驗(yàn)參數(shù)進(jìn)行實(shí)驗(yàn)，控制溫度、濕度、風(fēng)速和降雨量四個(gè)變量。由于熱量守恒的作用中間道面溫度和道面表面的溫度對(duì)積冰厚度有影響，故另外采集了道面溫度、中間道面溫度和積冰厚度數(shù)據(jù)，綜合以上數(shù)據(jù)為輸入，積冰厚度為輸出，通過該模型訓(xùn)練測(cè)試對(duì)未來20分鐘的積冰厚度進(jìn)行預(yù)測(cè)。

粒子群算法對(duì)支持向量回歸尋優(yōu)初始時(shí)需對(duì)參數(shù)的尋優(yōu)范圍、種群數(shù)目和迭代次數(shù)進(jìn)行設(shè)置，保證每組的仿真尋優(yōu)初始參數(shù)設(shè)置相同，方便仿真結(jié)果作對(duì)比。算法尋優(yōu)的初始參數(shù)設(shè)置如下：終止迭代數(shù)為1000，種群數(shù)目為30，支持向量機(jī)C、g的取值范圍為c∈[0.1，1000]，g∈[0.01，100]，ε為0.001。

為比較本文優(yōu)化方法的效果，除上述初始時(shí)的參數(shù)設(shè)置相同，還要在相同的設(shè)備，相同的數(shù)據(jù)量下運(yùn)行比較。另外文中選用BP神經(jīng)網(wǎng)絡(luò)來進(jìn)行對(duì)比。為了更直觀的說明改進(jìn)PSO-SVR的優(yōu)越性能，模型的誤差檢驗(yàn)采用均方誤差(MSE)的評(píng)價(jià)指標(biāo)來反映3種建模方法的效果，表3給出了3種方法對(duì)積冰厚度預(yù)測(cè)效果的對(duì)比情況。由表3中可以看出BP神經(jīng)網(wǎng)絡(luò)的平均誤差率為0.38%，Ratnaweera PSO-SVR的平均誤差率為0.31%，改進(jìn)的PSO-SVR的平均誤差率為0.27%誤差率最小，改進(jìn)的PSO-SVR預(yù)測(cè)效果最佳。圖4展示了本文預(yù)測(cè)方法的結(jié)果與BP神經(jīng)網(wǎng)絡(luò)、Ratnaweera PSO-SVR的對(duì)比圖。

表3 不同建模方法的預(yù)測(cè)效果對(duì)比

5 結(jié)論

針對(duì)冬季機(jī)場(chǎng)在凍雨條件下道面積冰厚度的問題，根據(jù)正交實(shí)驗(yàn)法設(shè)計(jì)了實(shí)驗(yàn)方案，建立了改進(jìn)的PSO-SVR預(yù)測(cè)模型，對(duì)機(jī)場(chǎng)道面未來20分鐘積冰厚度進(jìn)行了預(yù)測(cè)，得到如下結(jié)論：

1)搭建了室內(nèi)模擬實(shí)驗(yàn)系統(tǒng)，保證實(shí)驗(yàn)環(huán)境溫、濕度、風(fēng)速和降雨量的可控性，另外采集了道面溫度和中間道面溫度的數(shù)據(jù)，保證了數(shù)據(jù)的可靠性，為模型的建立做準(zhǔn)備。使用正交實(shí)驗(yàn)法進(jìn)行實(shí)驗(yàn)方案設(shè)計(jì)，根據(jù)極差分析法極差R的大小，分析影響積冰厚度的影響因子主次順序?yàn)椋航涤炅?溫度-風(fēng)速-濕度。

圖4 預(yù)測(cè)結(jié)果對(duì)比圖

2)針對(duì)SVR參數(shù)尋優(yōu)困難的問題使用粒子群對(duì)支其進(jìn)行參數(shù)尋優(yōu)。同時(shí)粒子群算法在參數(shù)尋優(yōu)的過程中易陷入局部最優(yōu)和過早收斂的問題，提出使用權(quán)重遞減的方法和改善學(xué)習(xí)因子范圍的方法改善粒子群算法。通過仿真結(jié)果表明改進(jìn)的PSO-SVR優(yōu)化效果最佳，其平均誤差率由BP神經(jīng)網(wǎng)絡(luò)的0.38%降低到0.27%，平均誤差率降低了0.11%。將該模型用于機(jī)場(chǎng)積冰的預(yù)測(cè)，可為機(jī)場(chǎng)的運(yùn)行管理提供依據(jù)。