Machine learning regression and classification methods for fog events prediction

Abstract

Los eventos atmosféricos de baja visibilidad suelen estar asociados con la formación de niebla. De hecho, los eventos de baja visibilidad extrema afectan profundamente el transporte aéreo y terrestre, los aeropuertos y las carreteras y autovías, causando accidentes y problemas de tráfico cada año. Los algoritmos de aprendizaje automático (ML) se han aplicado con éxito a muchos problemas de predicción de formación de niebla y baja visibilidad. El problema asociado a la predicción de este tipo de eventos se puede formular como una regresión o como una tarea de clasificación, lo que tiene un impacto en el tipo de enfoque de ML que se utilizará, así como en la calidad de las predicciones obtenidas. En este artículo, realizamos un análisis completo de los problemas de predicción en eventos de baja visibilidad, formulados como problemas de regresión y clasificación. Discutimos el funcionamiento de una gran cantidad de algoritmos de ML en cada tipo de problema y evaluamos su funcionamiento en término de calidad de las soluciones obtenidas, bajo un marco de comparación común. De acuerdo con los resultados obtenidos, se proporcionan indicaciones sobre cuál es la formulación más eficiente para abordar las predicciones de baja visibilidad, y los enfoques de ML que obtienen mejores soluciones para la predicción de este tipo de eventos.

Atmospheric low-visibility events are usually associated with fog formation. Extreme low-visibility events deeply affect the air and ground transportation, airports and motor-road facilities causing accidents and traffic problems every year. Machine Learning (ML) algorithms have been successfully applied to many fog formation and low-visibility prediction problems. The associated problem can be formulated either as a regression or as a classification task, which has an impact on the type of ML approach to be used and on the quality of the predictions obtained. In this paper we carry out a complete analysis of low-visibility events prediction problems, formulated as both regression and classification problems. We discuss the performance of a large number of ML approaches in each type of problem, and evaluate their performance under a common comparison framework. According to the obtained results, we will provide indications on what the most efficient formulation is to tackle low-visibility predictions and the best performing ML approaches for low-visibility events prediction.