时空大数据驱动的大气能见度影响因素分析及精细化预报方法研究

The research on atmospheric visibility influence factor analysis and prediction has significant meaning to safeguarding the traffic safety, improving the quality of atmospheric environment and preventing urban disasters. However, traditional methods on influence factor analysis are mostly based on test of significance, and its direction to visibility prediction is very limited. Existing methods on atmospheric visibility prediction have relatively low precision, especially to the situation of low visibility. Therefore it is hard to satisfy practical requirements. This project fuses heterogeneous data sources including meteorology, traffic, population and land utilization, integrates machine learning, data mining and semantic analysis technologies, proposes influence factor analysis methods based on Granger causal graphical model and multi-dimensional sequential pattern discovery, and builds domain ontology through semantic reasoning technologies, and finally further improves the prediction precision. On the other hand, this project builds atmospheric visibility prediction model based on spatio-temporal extreme learning machine model, and spatio-temporal deep forest model, thus providing high-precision (>90%), fine-grained (1km*1km grid) prediction results.

研究大气能见度的影响因素分析及预报方法，对保障交通安全、改善大气环境质量和城市防灾减灾具有十分重要的意义。然而现有对能见度影响因素的分析主要基于相关显著性检验，分析结果单一，且对能见度预测的指导作用有限。对能见度的预测精度不高，尤其对低能见度缺乏精细化预报，远不能满足实际需要。本课题一方面采用关联分析、因果分析方法深入挖掘能见度的影响因素，研究基于动态Granger图模型的影响因素分析方法及基于多维模式发现的影响因素分析方法，并利用语义分析技术构建领域知识库，基于语义推理对影响因素进行筛选，将影响因素的分析结果反馈回预测系统，从而进一步提升预测精度。另一方面研究大气能见度的建模与预测方法，通过大数据分析技术，融合气象、污染物、地形分布、突发事件等多源异构数据，提出基于多元时空极限学习机的模型以及基于多元时空深度森林的模型，提供高精度细粒度的大气能见度预报，为交管部门和人们出行提供数据支撑。

大气能见度是反映大气透明度的指标，它与人类的日常生活密切相关，能见度的好坏可以直接反映一个地区的大气环境质量。而大气能见度水平在近几十年来呈现总体下降的趋势，局部地区大气能见度低、雾霾发生频率高，严重影响人们的正常生产和生活。大气能见度影响因素分析可以揭示大气能见度与其他影响因素（如温度、湿度、降水量等）之间存在的潜在联系，在环境关系、空气污染追因和雾霾治理方面具有重要意义，而对于大气能见度的精准预测又能够保障交通安全，尤其对低能见度天气的预测可以使人们有针对性地控制和预防空气污染事件的发生，这对于交管部门和广大出行市民具有积极的意义。. 在大气能见度影响因素分析方面，传统的基于统计的方法无法表征大气能见度与其影响因素之间复杂的非线性关系，仅仅可以得到一个粗略和定性的分析结果，另一方面，在多站点的大气能见度预测研究中，传统方法多为基于每个气象站点分别建模预测，这种方法不仅时间耗费大，而且无法将气象站点之间的地理位置因素考虑其中，因此预测结果的准确性有提升空间。. 为了改进这种不足，本项目提出了基于动态Granger图模型的影响因素分析方法及基于多维模式发现的影响因素分析方法，并利用语义分析技术构建领域知识库，基于语义推理对影响因素进行筛选，将影响因素的分析结果反馈回预测系统，用于指导预测模型的构建，从而进一步提升预测精度。另一方面，研究大气能见度的建模与预测方法，通过时空数据挖掘技术，提取能见度及其相关数据的关联模式、稀有模式，并重点研究能见度的建模与预测方法，融合气象、污染物、地形分布、突发事件等多源异构数据，提出了基于Seq2Seq多步迭代的预测方法以及基于STAM-GCN的多站点预测方法，提供未来72小时高精度（>90%）、细粒度（1公里×1公里）的大气能见度预报，从而为交管部门和人们出行提供数据支撑。课题研究成果反馈给北京市气象局进行验证，并用于气象局实际的能见度预报及影响因素分析。