[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

说明书

本发明涉及基于特征工程和LSTM的路表温度短临预测方法及系统，该方法对采集到的气象要素数据进行数据处理后，先通过随机森林模型对影响路表温度的气象要素进行重要性排序，选择影响较大的气象要素作为候选特征参数，将候选特征参数依次组合作为模型输入，构建长短期记忆神经网络路表温度预测模型，然后利用测试集测试，对比观测值和预测结果，选择效果最佳预测模型，并获得对应的气象要素特征组合，之后进行误差分析。本发明利用了随机森林高效简单、能够分析复杂相互作用特征的能力，结合长短期记忆网络可以更新最优权值和阈值的优点，使模型预测精度高，并对模型迭代更新，保证模型随时间推移的仍然具有较高的准确性和稳定性。

技术领域

本发明属于交通气象技术领域，具体涉及一种基于特征工程和LSTM的高速公路路表温度短临预测方法及系统。

背景技术

我国高速公路正向规模化、网络化快速发展，交通量和机动车驾驶员的逐年快速增长使得高速公路交通事故反弹压力较大。冬季低温冰冻天气会恶化道路行车条件，降低通行效率，易引发重特大交通事故，造成交通阻断、瘫痪。据统计，2018年我国重特大事故中恶劣天气占比达40％，而在影响公路交通气象灾害关键因子中，冰雪天气占比达27.41％。路表温度是导致公路低温结冰的关键因素，受气象条件、道路条件等多种因素的复杂关联影响。准确地预测短时间内路表温度，进而提供及时出行信息服务、动态交通流管控和快速道路养护，是实现不利天气下动态交通安全管控与智能决策支持的根本，这对从源头预防交通事故，提升我国高速公路交通安全水平，保障人民生命财产安全，践行交通强国战略具有重大意义。

路表温度预测模型主要有物理模型和统计模型两类。物理模型基于热力学原理及路表辐射能量平衡条件，采用机理法建模预测路表温度，具有较高的精度，但需要大量的数据支持。统计模型主要对路表温度与气温、总云量、太阳辐射等环境气象要素之间的关系进行研究来预测路表温度，应用简便。

近年来，随着高速公路交通气象动态监测数据日趋丰富和计算机算力的不断增长，机器学习算法开始应用于路表温度短临预测，由于气候变化和人类活动等多因素影响，现行传统机器学习路表温度预测方法所能达到的精度有限。

深度学习因其预报精度高，在交通领域已广泛应用于交通速度、交通流、轨迹预测等方面的预测，但在路表温度预测方面的应用较少。

发明内容

本发明的目的是为了解决现有技术的不足，提供一种基于特征工程和LSTM的路表温度短临预测方法及系统，采用随机森林(RF)关键特征提取、输入参数组合优化、数据窗口化处理以及长短时记忆神经网络(LSTM)时间序数据建模方法，建立了高速公路路表温度RF-LSTM预测模型，获得了高精度、可靠的路表温度预测结果。

为实现上述目的，本发明采用的技术方案如下：

基于特征工程和LSTM的路表温度短临预测方法，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；