[发明专利]基于特征工程和LSTM的路表温度短临预测方法及系统

权利要求书

1.基于特征工程和LSTM的路表温度短临预测方法，其特征在于，包括如下步骤：

S1，采集n类气象要素数据及路表温度数据；分别对每一类的气象要素数据及路表温度数据中的缺失值进行填补，并对1min气象数据及路表温度按Tmin为时间间隔求平均值，使气象要素数据及路表温度数据平滑为Tmin间隔样本数据；

S2，对平滑后的Tmin间隔样本数据进行标准化处理，然后以标准化处理后的气象要素数据作为输入，以标准化处理后的路表温度数据为输出，构建随机森林模型；

S3，通过随机森林模型对气象要素进行重要性排序；选择重要度大于1％的气象要素作为候选特征参数；

S4，对候选特征参数，先将重要度最高的特征参数与路表温度结合作为组合1，然后再将重要性次之的特征参数与组合1结合作为组合2，重复此步骤直至候选特征参数全部结合完；对不同组合进行滑动窗口化获得不同特征参数组合时序数据集和路表温度时序数据集；之后对数据集划分为训练集和测试集；

S5，以训练集中的各个特征参数组合时序数据集作为输入因子，以路表温度时序数据集中未来T分钟标准化处理后的路表温度作为输出因子，构建长短期记忆神经网络LSTM路表温度预测模型；

S6，以测试集中的各个特征参数组合时序数据集作为输入，输入到S5构建长短期记忆神经网络LSTM路表温度预测模型中，获得未来T分钟标准化处理后的路表温度的预测值，然后通过反标准化处理得到测试集路表温度预测结果

S7，对比S6得到的预测结果和S1中经过平滑处理后的这T分钟平均路表温度y，选择平均绝对误差MAE最小的预测模型作为最佳预测模型，并获得对应的特征参数组合；

S8，对S7得到的最佳预测模型的预测值进行误差分析，以实时采集获得的相应的特征参数组合时序数据集作为输入，将输出通过反标准化处理得到路表温度预测值，当|预测值-真实值|≤±0.5℃时，则采用该模型进行高速公路路表温度预测。

2.根据权利要求1所述的基于特征工程和LSTM的路表温度短临预测方法，其特征在于，步骤S1中，n类气象要素数据分别为能见度、气温、湿度、风速、风向、气压、水膜厚度、冰层厚度、雪层厚度和湿滑系数；T＝10。

3.根据权利要求1所述的基于特征工程和LSTM的路表温度短临预测方法，其特征在于，步骤S1中，用前、后两个值的平均值或相对应的时间区间均值对缺失值进行填补。

4.根据权利要求1所述的基于特征工程和LSTM的路表温度短临预测方法，其特征在于，步骤S2中，通过Z-score方法对数据进行标准化处理。

5.根据权利要求1所述的基于特征工程和LSTM的路表温度短临预测方法，其特征在于，步骤S4中采用数据窗口化的方式产生数据集，即固定训练样本的大小，将新的观测数据不断更新到训练集作为训练样本；训练集和测试集的样本数量比为7:3。

6.根据权利要求1所述的基于特征工程和LSTM的路表温度短临预测方法，其特征在于，步骤S5中，所述的长短期记忆神经网络路表温度预测模型由输入层、LSTM层和全连接层组成。