能见度对人们日常生活有巨大影响。例如,短期的低能见度预测精度对高速公路交通和飞机飞行非常重要。尤其是飞行活动,低能见度会给飞机飞行带来视程障碍,危及飞行安全。在本文中,我们尝试通过机器学习方法预测能见度,尤其是低能见度情况。我们首先通过数据的统计特征和相关性分析等方法,分析北京气象观测站54511的能见度数据,为后续的模型拟合提供先验信息。此外,我们还通过空间上的最邻近插补以填补缺失数据。在实验中,我们通过长短期记忆模型(Long Short-Term Memory Mod-el,LSTM)来预测能见度。通过调整损失函数和神经网络结构,我们将更好的优化模型,使得预测结果更加适用于实践应用,即,更加关注低能见度部分的数据预测精度。我们分别通过回归和分类方法预测能见度。对于回归模型,我们构建了加权的损失函数,以提升低能见度数据预测精度。以平均绝对误差为评估标准,我们发现长短期记忆回归模型预测结果优于常用的随机森林方法与多层感知机模型。此外,我们发现在长短期记忆模型解决时间序列预测问题时,系统性的“时间滞后”现象将会出现,这主要是由于训练集中数据量的不足导致模型的系统误差。对于分类模型,我们通过机场常用能见度起降分级标准将数据分类预测。通过分类模型,我们发现,尽管不能得到能见度的精确数值预测结果,但能见度的分级预测更加准确。这也可以为现实应用中的飞机起降提供更多的参考信息。