【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 ...
【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。