【技术实现步骤摘要】
本专利技术涉及交通气象领域，尤其是涉及一种基于物理约束的高速公路路面温度预报方法。
技术介绍
1、高速公路路面温度的准确预报对于交通安全至关重要。路面温度直接影响到车辆的行驶性能和安全性，特别是在极端天气条件下，如冬季低温结冰或夏季高温爆胎等情况，准确的路面温度预报能够帮助交通管理部门提前采取措施，有效预防交通事故的发生。然而，现有的路面温度预报方法存在一些局限性，难以满足实际需求，具体体现在：单一站点数据：大多数现有的路面温度预报方法仅基于单一站点的气象数据进行分析，忽略了周边站点的影响。这种方法在复杂天气条件下往往表现不佳，因为单一站点的数据无法全面反映整个区域的气象状况。例如，一个站点的温度可能受到局部地形、建筑物遮挡等因素的影响，而这些因素在其他站点可能不存在，导致预报结果的偏差。
2、缺乏物理约束：现有的预报方法多基于数据驱动的机器学习算法，如支持向量机（svm）、随机森林（rf）等。这些方法虽然能够在一定程度上捕捉数据之间的关系，但缺乏对物理过程的深入理解。路面温度的变化是由一系列复杂的物理过程引起的，包括太阳辐射、空气温度、风速、湿度等因素的共同作用。单纯依赖数据驱动的方法难以准确反映这些物理过程，导致预报结果的可靠性较低。
3、时空数据处理能力不足：现有的方法在处理多站点、多气象要素的时空数据时存在局限。高速公路沿线的气象条件具有高度的空间异质性和时间动态性，需要一个能够高效处理大规模时空数据的模型。传统的统计方法和简单的机器学习模型在这方面表现不佳，无法有效提取和利用这些复杂数据中的有用
4、模型泛化能力有限：现有的预报模型往往在特定区域或特定时间段内表现较好，但在其他区域或时间段内的泛化能力较差。这是因为模型训练时使用的数据集可能不具有代表性，或者模型本身缺乏足够的鲁棒性。在实际应用中，高速公路的气象条件和路面状况会随着地理位置、季节变化等因素而有所不同，模型需要具备较强的泛化能力才能适应各种情况。
5、面对上述局限性，迫切需要一种能够综合利用多站点数据、考虑物理过程、高效处理时空数据且具备较强泛化能力的路面温度预报方法。
技术实现思路
1、本专利技术的目的是为了解决上述技术问题，提供一种基于物理约束的高速公路路面温度预报方法。
2、为了达到上述目的，本专利技术提供的一种基于物理约束的高速公路路面温度预报方法，采用如下的技术方案：
3、一种基于物理约束的高速公路路面温度预报方法，包括以下步骤：
4、s1、获取区域内所有站点的气象数据，获取区域内数值天气预报模式输出的多要素的按经纬度划分的网格数据；获取路面温度的历史观测数据、地理数据；
5、s2、对获取的原始数据集进行预处理，加入时间信息，构建时间特征；
6、s3、搭建u-net神经网络模型，并对该模型进行训练；在u-net模型的基础上，构建双向lstm网络，处理时间序列数据，捕捉时间序列中的双向依赖关系，在训练过程中使用损失函数来评估和优化模型的性能；
7、s4、在模型中加入物理约束，对模型结果进行优化，将数据划分为训练集和测试集，使用训练集和测试集对模型进行训练和参数优化；所述物理约束包括温度变化的时间关系、季节性与日夜变化特征、材料热特性、热平衡方程。
8、s5、使用验证集对训练好的模型进行评估，检验模型的泛化能力和预报精度。
9、作为本专利技术的优选，所述步骤s2的具体方法为：
10、步骤21、对收集到的原始数据集进行清洗，处理其中的缺失值和异常值；
11、步骤22、加入时间信息，构建时间特征，时间特征包括分钟、小时、日、月；
12、步骤23、将预处理后的数据按照一定比例划分为训练集、测试集和验证集，准备用于模型训练和评估。
13、作为本专利技术的优选，所述步骤s3中搭建u-net神经网络模型，并对该模型进行训练的具体方法为：
14、将u-net网络结构划分为六个部分：输入层、卷积层、池化层、上采样层、跳跃连接层以及输出层；
15、将预处理后的多站点多气象要素预报数据输入输入层，通过卷积层卷积，通过池化层池化之后，进行滤波降维，保留数据主要特征；
16、数据进入到上采样层中，进行逐层重构，最终输出整个空间场的数据订正结果。
17、作为本专利技术的优选，所述步骤s3中构建双向lstm网络，处理时间序列数据，捕捉时间序列中的双向依赖关系，在训练过程中使用损失函数来评估和优化模型的性能的具体方法为：
18、从历史观测数据中提取每个时间点的路面温度，从u-net神经网络模型输出的订正后的气象数据，包括气温、辐射、风速、云量、湿度，加入时间信息，包括分钟、小时、日、月；
19、输入层接收上述准备好的数据，双向lstm层捕捉时间序列数据的双向关系，dropout层通过随机丢弃部分神经元，减少模型的复杂性，防止过拟合，输出层生成未来的路面温度预测结果；
20、使用均方误差作为基本损失函数，评估模型预测值与实际值之间的差异；
21、
22、其中，是实际的路面温度，是模型预测的路面温度，n是样本数量；
23、使用训练集数据对模型进行训练，通过反向传播算法优化模型参数，使得损失函数最小化；
24、使用验证集数据评估模型的性能。
25、作为本专利技术的优选，在模型中加入温度变化的时间关系约束的方法为：
26、在损失函数中加入一个额外的惩罚项，来约束温度变化率：
27、其中，是时间点(t)的温度预测值，是调节参数。
28、作为本专利技术的优选，在模型中加入季节性与日夜变化特征约束的方法为：在模型中加入季节参数和日照时长作为附加的输入特征。
29、作为本专利技术的优选，在模型中加入材料热特性约束的方法为：在模型中加入路面材料的热导率、比热容和密度作为附加的输入特征。
30、作为本专利技术的优选，在模型中加入热平衡方程约束的方法为：在损失函数中加入热平衡方程的惩罚项，所述热平衡方程表达为：
31、 其中，是输入热量，是散失热量，是温度变化量。
32、综上所述，本申请包括以下至少一种有益技术效果：
33、1、本专利技术通过构建u-net神经网络模型和双向lstm网络，并在模型中加入物理约束，显著提高了路面温度预测的精度和可靠性。首先，u-net神经网络模型能够有效地将多站点多气象要素预报数据的空间场数据订正到点，输出每个站点的订正后的气象数据。这一过程不仅提高了气象数据的准确性，还为后续的时间序列预测提供了高质量的输入数据。其次，双向lstm网络通过捕捉时间序列数据的双向依赖关系，能够更全面地理解历史数据中的模式和趋势，从而提高预测的准确性。最后，通过在损失函数中加入物理约束，如温度变化的光滑性约束和热平衡方程，模型的预测结果不仅在数值上更加准确，而且更加符合实际的物理规律。本文档来自技高网...
【技术保护点】
1.一种基于物理约束的高速公路路面温度预报方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于物理约束的高速公路路面温度预报方法，其特征在于：所述步骤S2的具体方法为：
3.根据权利要求1所述的基于物理约束的高速公路路面温度预报方法，其特征在于：所述步骤S3中搭建U-net神经网络模型，并对该模型进行训练的具体方法为：
4.根据权利要求1所述的基于物理约束的高速公路路面温度预报方法，其特征在于：所述步骤S3中构建双向LSTM网络，处理时间序列数据，捕捉时间序列中的双向依赖关系，在训练过程中使用损失函数来评估和优化模型的性能的具体方法为：
5.根据权利要求4所述的基于物理约束的高速公路路面温度预报方法，其特征在于：在模型中加入温度变化的时间关系约束的方法为：
6.根据权利要求4所述的基于物理约束的高速公路路面温度预报方法，其特征在于：在模型中加入季节性与日夜变化特征约束的方法为：在模型中加入季节参数和日照时长作为附加的输入特征。
7.根据权利要求4所述的基于物理约束的高速公路路面温度预报方法，其特征在
8.根据权利要求4所述的基于物理约束的高速公路路面温度预报方法，其特征在于：在模型中加入热平衡方程约束的方法为：在损失函数中加入热平衡方程的惩罚项，所述热平衡方程表达为： 其中，是输入热量，是散失热量，是温度变化量。
...【技术特征摘要】
1.一种基于物理约束的高速公路路面温度预报方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于物理约束的高速公路路面温度预报方法，其特征在于：所述步骤s2的具体方法为：
3.根据权利要求1所述的基于物理约束的高速公路路面温度预报方法，其特征在于：所述步骤s3中搭建u-net神经网络模型，并对该模型进行训练的具体方法为：
4.根据权利要求1所述的基于物理约束的高速公路路面温度预报方法，其特征在于：所述步骤s3中构建双向lstm网络，处理时间序列数据，捕捉时间序列中的双向依赖关系，在训练过程中使用损失函数来评估和优化模型的性能的具体方法为：
5.根据权利要求4所述的基于物理约束的高速公路路面温度预报方法...
【专利技术属性】
技术研发人员：朱承瑛，王可心，杜良永，朱寿鹏，魏晓奕，祖繁，周林义，何琰，单婵，吴泓，张振东，慕熙昱，曾燕，吴昊，严殊祺，
申请(专利权)人：南京气象科技创新研究院，
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。