一种基于LSTM模型的路面温度预测方法及系统技术方案

技术编号：42504502 阅读：3 留言：0更新日期：2024-08-22 14:18

本发明专利技术涉及一种基于LSTM模型的路面温度预测方法及系统，该方法主要包括：1)数据采集阶段，收集历史气象数据、路面材质信息及过往温度记录；2)特征工程处理，选取对路面温度影响显著的特征变量；3)构建LSTM神经网络模型，利用其强大的时间序列分析能力，学习历史数据中的长期依赖关系；4)模型训练与优化，通过多次迭代调整模型参数，确保预测模型对复杂天气变化的适应性；本发明专利技术能够有效预测未来12小时的路温变化，为道路交通安全管理提供了即时的决策依据。通过实时预测应用部署，系统能够即时展示预测结果，确保了路面维护和交通安全措施的迅速响应。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术涉及路温技术的领域，尤其是涉及一种基于lstm模型的路面温度预测方法及系统。

技术介绍

1、随着社会经济的快速发展，道路交通安全与气象服务的需求日益精细化与智能化。其中，路面温度作为影响道路行驶条件、行车安全、路面养护以及气象预报准确性的重要因素，其精准预测具有至关重要的意义。然而，路温受多种复杂因素影响，包括但不限于大气温度、湿度、风速、太阳辐射、路面材质、地形地貌等，且其变化呈现出显著的时间序列特性，即具有明显的周期性、季节性以及随机波动性。此外，不同地理区域、不同季节、甚至同一站点的不同时间段，路温变化规律均可能存在显著差异，给路温预测带来了极大的挑战。

2、传统的路温预测方法，如经验公式法、统计模型法等，虽能在一定程度上揭示路温与气象要素间的定量关系，但往往难以充分捕捉路温随时间演变的复杂动态特性，尤其是在应对非线性、长短期依赖关系及极端气候事件时，预测准确性受限，此外，由于原始气象数据存在缺失值、异常值等现象，也会影响路温预测的准确性。

技术实现思路

1、为了解决上述技术问题，本专利技术专利提供一种基于lstm模型的路面温度预测方法及系统。

2、为了达到上述目的，本专利技术采用了以下方法：

3、一种基于lstm模型的路面温度预测方法，包括以下步骤：

4、步骤1、数据收集与预处理

5、步骤1.1、收集并整合多个气象站点的路温及相关气象要素历史数据，包括气温、气压、能见度、湿度，数据记录涵盖多年连续时段；</p>

6、步骤1.2、处理数据中的缺失值与异常值；

7、步骤2、数据整理与特征工程

8、步骤2.1、对时间信息进行处理，提取年、月、日、时、十天和半小时特征，并通过三角函数映射形成周期性特征；

9、步骤2.2、利用xgboost算法筛选出对路温预测影响最大的气象要素，剔除非关键或冗余信息；

10、步骤3、数据准备与模型输入构建

11、步骤3.1、对选定的特征进行最大最小值归一化，确保所有特征在同一尺度上；

12、步骤3.2、将数据集划分为训练集和测试集，针对未来路温预测任务，设定数据窗口大小，目标窗口大小；使用滑动时间窗对训练集进行切分，形成一系列包含输入数据x和标签值y的数据对；

13、步骤3.3、将数据集分割为适合训练的小批量数据，将分批后的数据转换为tensorflow数据集格式；

14、步骤4、模型构建与训练

15、步骤4.1、采用包含4个神经网络层的lstm网络，前三层为双向lstm，在第二层双向lstm后加入leakyrelu激活层，在3层bi-lstm后添加1层全连接层，将预测目标序列长度作为这一层的参数，以完成回归任务；

16、步骤4.2、使用历史数据对大模型进行预训练和测试，在目标时间点前一个月的小数据集上对加载的预训练模型进行微调。

17、作为本专利技术的优选，所述步骤1.2中处理数据中的缺失值与异常值的具体方法为：

18、将标记为缺失和缺测的数据设为nan；

19、根据月份划分数据，为每月的特定要素设定上限和下限，超出阈值的值设为nan；

20、使用z-score法找出异常值并设为nan；

21、将按月划分的数据还原并对其进行重采样，使用30分钟内的平均值作为重采样值；

22、对连续缺失值小于等于3的要素，根据时间关系进行线性插值填充；大于3的缺失值直接设为nan。

23、作为本专利技术的优选，在步骤3.2中，使用滑动时间窗对训练集进行切分时，在识别到滑动时间窗口内含有表示数据缺失的nan值时，系统自动忽略该值，不将其纳入构建的时间序列数据中。

24、作为本专利技术的优选，所述xgboost算法中，通过调整以下几个超参数来优化模型：

25、1)learning_rate：学习率控制每次迭代中权重更新的大小；

26、2)max_depth：树的最大深度，控制模型的复杂度；

27、3)min_child_weight：每个叶子节点被划分为一个子节点的最小权重。

28、作为本专利技术的优选，在时间序列预测算法lstm中，通过调整以下几个超参数来优化模型：

29、1)batch_size：每次训练时使用的样本数量；

30、2)dropout_rate：dropout层随机丢弃的比例；

31、3)num_layers：lstm网络的层数。

32、作为本专利技术的优选，在小数据集上进行再训练微调，主要调整以下几个重要超参数：

33、1)epoch：训练轮数；

34、2)days：用于训练的天数集数据集大小；

35、3)batch_size：小数据集上每次训练时使用的样本数量。

36、本专利技术还公开了上述基于lstm模型的路面温度预测方法的系统，包括：

37、第一模块，用于从原始数据源中获取气象站点的历史观测数据，并进行预处理操作，以确保数据的质量和完整性；

38、第一模块，用于对预处理后的数据进行整理，并通过特征工程手段提取有助于路温预测的关键特征；

39、第三模块，用于将整理好的数据按照滑动时间窗方式组织成模型所需的输入数据x和标签值y，并进行批次划分；

40、第四模块，用于构建基于lstm的神经网络模型，进行模型训练和调优，并保存训练好的模型以供后续使用。

41、综上所述，本专利技术专利包括以下至少一种有益技术效果：

42、1、本专利技术的lstm模型利用其强大的时间序列分析能力，通过捕捉复杂的非线性关系和长期依赖性，显著提升了路面温度预测的准确性。特别是对于夜间低温预警，模型表现出了高度的适应性，能够有效预测未来12小时的路温变化，为道路交通安全管理提供了即时的决策依据。通过实时预测应用部署，系统能够即时展示预测结果，确保了路面维护和交通安全措施的迅速响应。

43、2、本专利技术在数据预处理阶段，通过细致的步骤处理缺失值和异常值，以及利用三角函数映射和xgboost算法筛选特征，显著提升了数据质量和模型的预测效能。这一系列预处理和特征工程不仅过滤了噪声数据，还强化了模型对关键气象要素的敏感度，使得模型即使在面对不同站点、不同季节和时段的复杂情况下，也能保持较好的预测效果。特别是通过灵活的微调策略，模型在保持高准确率的同时，降低了对硬件资源的依赖，提高了实际应用的灵活性。

44、3、本专利技术通过深度定制的lstm网络结构，结合leakyrelu激活层和全连接层，模型在捕捉周期性和趋势性特征方面表现卓越，显著提升了模型的泛化能力。超参数的精细调整，如学习率、树的最大深度、dropout率等，确保了模型在保持高预测精度的同时，有效避免了过拟合现象。这种针对特定任务优化的网络设计，不仅提升了模型的预测性能，还为模型在不本文档来自技高网...

【技术保护点】

1.一种基于LSTM模型的路面温度预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于LSTM模型的路面温度预测方法，其特征在于，所述步骤1.2中处理数据中的缺失值与异常值的具体方法为：

3.根据权利要求1所述的基于LSTM模型的路面温度预测方法，其特征在于：在步骤3.2中，使用滑动时间窗对训练集进行切分时，在识别到滑动时间窗口内含有表示数据缺失的NaN值时，系统自动忽略该值，不将其纳入构建的时间序列数据中。

4.根据权利要求1所述的基于LSTM模型的路面温度预测方法，其特征在于：所述XGBoost算法中，通过调整以下几个超参数来优化模型：

5.根据权利要求1所述的基于LSTM模型的路面温度预测方法，其特征在于：在时间序列预测算法LSTM中，通过调整以下几个超参数来优化模型：

6.根据权利要求1所述的基于LSTM模型的路面温度预测方法，其特征在于：在小数据集上进行再训练微调，主要调整以下几个重要超参数：

7.一种用于权利要求1-6中所述的基于LSTM模型的路面温度预测方法的系统，其特征在于，包括：

...

【技术特征摘要】

1.一种基于lstm模型的路面温度预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于lstm模型的路面温度预测方法，其特征在于，所述步骤1.2中处理数据中的缺失值与异常值的具体方法为：

3.根据权利要求1所述的基于lstm模型的路面温度预测方法，其特征在于：在步骤3.2中，使用滑动时间窗对训练集进行切分时，在识别到滑动时间窗口内含有表示数据缺失的nan值时，系统自动忽略该值，不将其纳入构建的时间序列数据中。

4.根据权利要求1所述的基于lst...

【专利技术属性】
技术研发人员：秦浪，朱承瑛，袁成松，杜良永，易梓豪，游浩，刘琴，王雅琪，
申请(专利权)人：南京本元环境科技研究院有限公司，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人