冬季暴雪、积冰天气会使机场跑道大面积结冰,由此常常导致航班延误、旅客滞留,甚至机场关闭等情况。跑道温度是跑道结冰的重要因素,在一定时间范围内对跑道温度进行短时精准预测,将为跑道积冰预警提供关键信息。因此本文针对冰雪天气下跑道温度预测问题进行研究,具体研究内容包括:首先基于冰雪天气下跑道温度的实测数据,分析了冰雪天气下跑道温度的变化特征。并采用最大信息系数法判断跑道温度与其周围多个影响因素的相关程度。根据相关性计算结果确定后续跑道温度预测模型的主要输入特征变量。其次针对跑道温度机理模型随预测时间延长,预测残差不断增大的问题,建立基于MFOA-KELM误差补偿的改进机理模型。利用KELM拟合跑道温度主要特征变量与机理预测残差之间的非线性关系,提前预测下一个时刻的机理残差值,将预测的机理残差与机理预测值叠加作为补偿后的改进机理模型预测值。并使用MFOA算法对KELM进行参数寻优。以冰雪天气下的跑道温度实测数据验证了该误差补偿方法的有效性。再次针对冰雪天气下跑道温度的复杂时序特征与不同冰雪天气下跑道温度的差异性,对冰雪天气下的跑道温度进行聚类分析,针对每一类别的跑道温度分别建立LSTM多元时间序列模型预测跑道温度。并以冰雪天气下跑道温度的实测数据验证了该方法的可行性。最后为提高冰雪天气下跑道温度短时预测的准确性和稳定性,综合跑道结构的机理特性与LSTM神经网络的动态时序性,建立了以MFOA-KELM误差补偿的改进机理模型和LSTM多元时间序列模型为基础,基于最小误差赋权法的跑道温度混合预测模型。以冰雪天气下的跑道温度实测数据验证了该混合模型的预测准确性。预测结果显示,在预测时长为20min,残差阈值为±0.5℃时,最小误差混合模型的预测准确率至少可以达到98%,好于改进机理模型和LSTM时间序列模型的预测结果。该混合模型能够为跑道温度短时预测提供有效思路。