本发明专利技术涉及一种基于集成深度学习的冬季沥青路面路表温度预测方法，属于公路交通气象监测技术领域。该方法包括：根据相关系数法与专家知识，选择对路面温度产生累积影响的气象因素；利用滑动窗口的方法切分时间序列数据，构造监督学习样本；采用获得的监督学习样本对集成深度学习的冬季沥青路面路表温度预测模型进行训练；集成深度学习的冬季沥青路面路表温度预测方法包括用LSTM神经网络模块、GRU神经网络模块、特征融合层和全连接层；利用训练后的模型对逐时路表温度进行预测。本发明专利技术通过融合多维气象因素的累积影响和路表温度周期性的集成深度学习网络，提升路表温度的准确率和鲁棒性，具有数据驱动、自学习、多粒度预测等技术特点。技术特点。技术特点。
【技术实现步骤摘要】
基于集成深度学习的冬季沥青路面路表温度预测方法
[0001]本专利技术属于智能交通和交通安全
，具体涉及一种基于集成深度学习的冬季沥青路面路表温度预测方法。
技术介绍
[0002]温度是沥青路面的抗滑性能、力学性能和耐久性能的重要影响因素，进影响公路安全性、机动性和舒稳性。与夏季路表高温(温度60℃及以上)易造成汽车爆胎、路面车辙病害不同，冬季路表低温(温度0℃及以下)易造成路面结冰湿滑、冻融破坏，恶化道路行车条件，极易诱引重大交通事故和大范围交通拥堵。因而，从源头主动预防事故的角度，如何精准预测冬季路表温度，为路面结冰风险研判提供重要依据，进而通过及时、主动出行信息服务、快速道路养护和主动交通管理活动，减轻低温冰雪天气对公路交通系统的影响，已成为数字交通、智慧高速中智能交通运行管控亟需解决的关键技术问题。
[0003]近年来，随着交通气象数据采集技术的发展，涌现出众多针对路表温度进行预测的方法，主要包括：理论分析法、统计分析法和机器学习法。理论分析法是根据热力学原理及路表辐射能量平衡条件，采用数值计算开发路表温度预测的机理模型，但该方法涉及多个物理参数，数值计算复杂，模型普适性较差。统计分析以历史的路面温度数据为基础，采用描述统计分析路面温度的时空分布特征，构建路表温度预测模型。统计分析方法模型计算简单，本地化预测模型在实例分析中准确度较高，但是，绝大多数模型以日最高、最低路表温度为目标，难以保证预测的时效性。近年来，随着大数据和人工智能等新一代信息技术的快速发展，采用数据驱动的机器学习算法，在处理高维度、大数据的复杂问题数据建模时表现优秀，这为人工智能技术应用于路面温度预测提供了新的契机，但既有机器学习模型多从路表温度周期性角度开发预测模型，未将模型与路面传热特性结合，缺乏对路表温度临近变化趋势的考虑，存在天气突然变化时预测误差大等问题。
技术实现思路
[0004]本专利技术的目的是为了解决现有技术的不足，提供一种基于集成深度学习的冬季沥青路面路表温度预测方法。
[0005]为实现上述目的，本专利技术采用的技术方案如下：
[0006]基于集成深度学习的冬季沥青路面路表温度预测方法，包括如下步骤：
[0007]步骤(1)，基于斯皮尔曼相关系数与路面热力学理论，选择对路面温度产生累积影响的气象因素；
[0008]步骤(2)，利用滑动窗口的方法切分产生累积影响的气象因素冬季历史时间序列数据及路表温度冬季历史时间序列数据，构造监督学习样本；
[0009]步骤(3)，采用步骤(2)获得的监督学习样本对基于集成深度学习的冬季沥青路面路表温度预测模型进行训练；
[0010]所述的基于集成深度学习的冬季沥青路面路表温度预测模型包括LSTM神经网络
模块、GRU神经网络模块、特征融合层和全连接层；
[0011]基于集成深度学习的冬季沥青路面路表温度预测模型采用LSTM神经网络模块提取气象因素的累积影响特征，采用GRU神经网络模块提取路表温度的周期性特征，之后利用特征融合层将提取出的周期性特征和累积影响特征融合为一个特征向量，最后，通过两个全连接层输出未来Δh后的路表温度；其中，LSTM 神经网络模块的输入为累积影响特征矩阵；
[0012]GRU神经网络模块的输入为周期性特征矩阵。
[0013]步骤(4)，实时采集对路面温度产生累积影响的气象因素数据，利用集成深度学习模型对高速公路路表温度进行预测。
[0014]进一步，优选的是，步骤(1)中，挑选出的对路面温度产生累积影响的气象因素为气温、湿度、降雨量和风速。
[0015]进一步，优选的是，步骤(3)中，累积影响特征矩阵如式(1)所示：
[0016][0017]其中，n为累积影响的滑动窗口大小，表征历史前Δt1小时，表示气象站在时间t观测到的气温，从时间t
‑
n到当前时间t观测到的历史气温表示为
[0018]表示气象站在时间t观测到的湿度；从时间t
‑
n到当前时间t观测到的历史湿度表示为
[0019]表示气象站在时间t观测到的风速；从时间t
‑
n到当前时间t观测到的历史风速表示为
[0020]表示气象站在时间t观测到的降雨量；从时间t
‑
n到当前时间t观测到的历史降雨量表示为
[0021]周期性特征矩阵如式(2)所示：
[0022]Y
td
＝[y
(t+Δh)
‑
24
,y
(t+Δh)
‑
48
,
…
,y
(t+Δh)
‑
24
×
m
](2)
[0023]其中，m为周期性特征影响的滑动窗口大小，表征历史前m天，y
t
表示气象站在时间t观测到的路表温度，Δh表示预测的时间间隔，m为表示天数。
[0024]进一步，优选的是，n为7，m为3；loss函数为MAE，Learning rate为0.001，优化器为Adam。
[0025]进一步，优选的是，假设GRU神经网络模块和LSTM神经网络模块的节点数分别为j和k，累积影响特征表示为周期性特征表示为然后，将累积影响特征和周期性特征输入特征融合模块，特征融合模块将其融合为既包含累积影响又包含周期性的融合特征
[0026]进一步，优选的是，LSTM神经网络模块包括2个LSTM层，第一层LSTM 网络为100个神经元，第二层LSTM网络为200个神经元；GRU神经网络模块包括2个GRU层，第一层GRU网络为100个神经元，第二层GRU网络为200 个神经元；LSTM神经网络模块和GRU神经网络模块均采用tanh作为激活函数；通过特征融合层将LSTM模块和GRU模块的输出进行融合后，输入两层全连接层进行预测。
[0027]进一步，优选的是，Δh为1h。本领域技术人员应该知晓，Δh支持1h、3h 和6h等多个预测间隔，优选的是Δh为1h。
[0028]本专利技术同时提供基于集成深度学习的冬季沥青路面路表温度预测系统，包括：
[0029]气象因素选择模块，用于基于斯皮尔曼相关系数与路面热力学理论，选择对路面温度产生累积影响的气象因素；
[0030]第一处理模块，用于利用滑动窗口的方法切分产生累积影响的气象因素冬季历史时间序列数据及路表温度冬季历史时间序列数据，构造监督学习样本；
[0031]第二处理模块，用于采用第一处理模块获得的监督学习样本对基于集成深度学习的冬季沥青路面路表温度预测模型进行训练；
[0032]所述的基于集成深度学习的冬季沥青路面路表温度预测模型包括LSTM神经网络模块、GRU神经网络模块、特征融合层和全连接层；
[0033]基于集成深度学习的冬季沥青路面路表温度预测模型采用LSTM神经网络模块提取气象因素的累积影响特征，采用GRU神经网络模块提取路表温度的周期性特征，之后利用本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于集成深度学习的冬季沥青路面路表温度预测方法，其特征在于，包括如下步骤：步骤(1)，基于斯皮尔曼相关系数与路面热力学理论，选择对路面温度产生累积影响的气象因素；步骤(2)，利用滑动窗口的方法切分产生累积影响的气象因素冬季历史时间序列数据及路表温度冬季历史时间序列数据，构造监督学习样本；步骤(3)，采用步骤(2)获得的监督学习样本对基于集成深度学习的冬季沥青路面路表温度预测模型进行训练；所述的基于集成深度学习的冬季沥青路面路表温度预测模型包括LSTM神经网络模块、GRU神经网络模块、特征融合层和全连接层；基于集成深度学习的冬季沥青路面路表温度预测模型采用LSTM神经网络模块提取气象因素的累积影响特征，采用GRU神经网络模块提取路表温度的周期性特征，之后利用特征融合层将提取出的周期性特征和累积影响特征融合为一个特征向量，最后，通过两个全连接层输出未来Δh后的路表温度；其中，LSTM神经网络模块的输入为累积影响特征矩阵；GRU神经网络模块的输入为周期性特征矩阵。步骤(4)，实时采集对路面温度产生累积影响的气象因素数据，利用集成深度学习模型对高速公路路表温度进行预测。2.根据权利要求1所述的基于集成深度学习的冬季沥青路面路表温度预测方法，其特征在于，步骤(1)中，挑选出的对路面温度产生累积影响的气象因素为气温、湿度、降雨量和风速。3.根据权利要求1所述的基于集成深度学习的冬季沥青路面路表温度预测方法，其特征在于，步骤(3)中，累积影响特征矩阵如式(1)所示：其中，n为累积影响的滑动窗口大小，表征历史前n小时，表示气象站在时间t观测到的气温，从时间t
‑
n到当前时间t观测到的历史气温表示为n到当前时间t观测到的历史气温表示为表示气象站在时间t观测到的湿度；从时间t
‑
n到当前时间t观测到的历史湿度表示为为表示气象站在时间t观测到的风速；从时间t
‑
n到当前时间t观测到的历史风速表示为为表示气象站在时间t观测到的降雨量；从时间t
‑
n到当前时间t观测到的历史降雨量表示为周期性特征矩阵如式(2)所示：Y
td
＝[y
(t+Δh)
‑
24
,y
(t+Δh)
‑
48
,
…
,y
(t+Δh)
‑
24
×
m
]
ꢀꢀꢀ
(2)其中，m为周期性特征影响的滑动窗口大小，表征历史前m天，y
t
表示气象站在时间t观测
到的路表温度，Δh表示预测的时间间隔。4.根据权利要求3所述的基于集...
【专利技术属性】
技术研发人员：涂成银，张孟，白淑敏，戴秉佑，
申请(专利权)人：张孟白淑敏戴秉佑，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。