一种路面凝冰时间预测方法、系统、装置及存储介质

1.本发明属于高速公路检测技术领域，具体涉及一种路面凝冰时间预测方法、系统、装置及存储介质。


背景技术：

2.高速公路沿线多变的气象环境一直都是阻碍高速公路系统安全高效运营的主要因素，而冰雪冻雨等恶劣气象条件对高速公路的影响尤为严重。冬季，由于降雪降雨或空气潮湿雾气大，在气温骤然下降情况下，一些高纬度和高海拔潮湿地区中的特殊高速公路路段，如山区特大桥梁、阴坡弯道等路面桥面极易凝冰。
3.路面凝冰不仅会影响高速公路的通行效率，而且给人们的出行带来极大的不便。目前国内外在路面凝冰问题上的研究主要集中在路面凝冰检测和除冰融雪技术上，而在预测即将发生路面凝冰时间方面的研究相对比较匮乏。
4.在冬季，高速公路路面温度的实际变化趋势并不是理想均匀直线下降，而是上下随机波动并缓慢下降，如图1、图5所示，导致上述专利cn104134098b的预测稳定性较差，同时其所预测结果具有较大的误差，不利于实际的工程推广应用。


技术实现要素：

5.针对现有预测方法存在的缺陷，本发明提供一种基于时序回归神经网络的路面凝冰时间预测方法、系统、装置及存储介质，提高了预测模型的稳定性、适用性和准确性。
6.本发明具体采用以下技术方案解决上述技术问题：
7.一种路面凝冰时间预测方法，包括如下步骤：
8.获取最近一组滚动窗口的时序路面温度数据为x
window
＝(x
n
‑
w
,x
n
‑
w+1
,
…
,x
n
‑1)；
9.对时序路面温度数据x
window
＝(x
n
‑
w
,x
n
‑
w+1
,
…
,x
n
‑1)进行归一化数据处理，得到归一化的时序路面温度数据；
10.初始化一个预测计步器p＝0，并记录当前时间值t
c
；将归一化的时序路面温度数据输入到已训练好的bp神经网络的时序回归预测模型，计算得到下个时刻的路面温度预测值为x
predict
(n+p)；
11.在x
predict
(n+p)>x
ice
时，使预测计步器p＝p+1，x
ice
为路面凝冰温度实际值；将下个时刻的路面温度预测值作为实时时序路面温度数据的最后一个时序数据，得到当前时序的时序路面温度数据x
window
，当x
predict
(n+p)≤x
ice
时，输出此时预测计步器p的值作为路面凝冰时间预测值。
12.进一步的，在预测前，先采集时序路面温度数据x＝(x0,x1,
…
,x
n
‑1)，如果时序路面温度数据x＝(x0,x1,
…
,x
n
‑1)的变化趋势为缓慢下降，则满足预测条件，进行预测。
13.进一步的，所述bp神经网络模型的获取方式如下：
14.s201、建立bp神经网络的时序回归预测模型，通过设置bp神经网络的网络层数和每一层的神经元个数，构建一个具有滚动窗口尺寸大小的神经网络输入、多个隐含层和单
个输出的bp神经网络模型，输出为路面温度值；
15.s202、预设bp神经网络的时序回归预测模型目标参数；
16.s203、将时序训练样本中的下一个路面温度真实数据作为bp神经网络标签值，时序训练样本中的具有滚动窗口尺寸大小的连续多个路面温度时序数据作为bp神经网络的输入值，训练bp神经网络的时序回归预测模型；
17.s204、判断bp神经网络的时序回归预测模型的评价指标是否满足预设的目标参数，若未满足，返回步骤s203，继续迭代训练bp神经网络的时序回归预测模型；若满足，则继续步骤s205；
18.步骤s205、保存已训练好的bp神经网络的时序回归预测模型。
19.进一步的，获得时序训练样本的方式为：获取监测路段的路面温度历史数据；将路面温度历史数据通过滚动窗口数据处理技术生成实际样本并归一化，获得时序训练样本。
20.进一步的，所述时序训练样本包括具有滚动窗口尺寸大小的连续多个路面温度时序数据和下一时刻路面温度真实数据。
21.本发明实施例提供的另一个技术方案是：
22.一种用于所述路面凝冰时间预测方法的系统，包括：
23.第一模块，用于获取最近一组滚动窗口的时序路面温度数据为x
window
＝(x
n
‑
w
,x
n
‑
w+1
,
…
,x
n
‑1)；
24.第二模块，用于对时序路面温度数据x
window
＝(x
n
‑
w
,x
n
‑
w+1
,
…
,x
n
‑1)进行归一化数据处理，得到归一化的时序路面温度数据；
25.第三模块，用于初始化一个预测计步器p＝0，并记录当前时间值t
c
；将归一化的时序路面温度数据输入到已训练好的bp神经网络的时序回归预测模型，计算得到下个时刻的路面温度预测值为x
predict
(n+p)；
26.第四模块，用于在x
predict
(n+p)>x
ice
时，使预测计步器p＝p+1，x
ice
为路面凝冰温度实际值；将下个时刻的路面温度预测值作为实时时序路面温度数据的最后一个时序数据，得到当前时序的时序路面温度数据x
window
，当x
predict
(n+p)≤x
ice
时，输出此时预测计步器p的值作为路面凝冰时间预测值。
27.本发明实施例提供的另一个技术方案是：
28.一种用于所述路面凝冰时间预测方法的装置，其特征在于，包括：存储器和处理器；
29.所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现所述的路面凝冰时间预测方法。
30.本发明实施例提供的另一个技术方案是：
31.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现所述的路面凝冰时间预测方法。
32.与现有技术相比，本发明具有以下有益效果：
33.1)本发明通过构建bp神经网络的时序回归预测模型，利用滚动窗口数据处理技术避免了时序样本数据的随机波动，保证了模型预测的稳定性。
34.2)本发明可采用大量路面温度历史数据来持续优化基于bp神经网络的时序回归预测模型，从而提升了模型预测路面凝冰时间的精确性。
35.3)本发明尤其适用于寒冷或高海拔易结冰的高危路段，便于高速公路运营部门掌握所属路段的路面状况，并及时提前发布路面凝冰预警信息，降低交通事故率，提升高速公路安全通行能力，满足公众对智慧高速日益增长的需求。
附图说明
36.构成本技术的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
37.图1为某路段实际采集到的路面温度数据及时序回归bp神经网络拟合曲线图。
38.图2为本发明bp神经网络的时序回归预测模型结构示意图。
39.图3为本发明bp神经网络的时序回归预测模型训练过程中均方误差(mse)随训练周期变化趋势图。
40.图4为本发明bp神经网络的时序回归预测路面凝冰时间流程图。
41.图5为本发明bp神经网络的时序回归预测路面凝冰时间结果图。
具体实施方式
42.下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
43.以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本技术所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
44.本发明提供一种基于时序回归神经网络的路面凝冰时间预测方法，包括待预测路段的路面温度历史数据滚动窗口预处理阶段、bp神经网络的时序回归预测模型训练阶段和路面凝冰时间实时预测阶段。待预测路段的路面温度历史数据滚动窗口预处理阶段首先获取监测路段的路面温度历史数据，如表1所示，表中的每时序间隔1分钟。
45.表1某路段路面温度历史数据
[0046][0047]
通过滚动窗口数据处理技术生成实际样本并归一化，获得时序训练样本；滚动窗口数据处理技术使用连续多个(滚动窗口尺寸)路面温度时序数据作为一组实际样本来预测下一个路面温度数据；归一化将路面温度映射到[0,1]区间内；时序训练样本包括具有滚动窗口尺寸大小的连续多个路面温度时序数据和下一时刻路面温度真实数据。
[0048]
本实施例中的滚动窗口尺寸大小为6，预测步长为1，因此可得到表2所示的路面温度时序回归训练样本，最后一个为时序回归预测样本：196，(
‑
2.8
‑
2.9
‑
2.8
‑
2.8
‑
2.8
‑
3.0),
‑
3.1。
[0049]
表2时序回归训练样本
[0050][0051]
bp神经网络的时序回归预测模型训练阶段，包括：
[0052]
步骤s201：建立bp神经网络的时序回归预测模型，通过设置bp神经网络的网络层数和每一层的神经元个数，构建一个具有滚动窗口尺寸大小的神经网络输入、多个隐含层和单个输出的bp神经网络模型，输出为路面温度值。本实施例bp神经网络的时序回归预测模型结构图如图2所示，预测模型参数如表3所示。
[0053]
表3 bp神经网络的时序回归预测模型参数
[0054][0055]
步骤s202：预设bp神经网络的时序回归预测模型目标参数，本实施例预设训练目标参数如表4所示。
[0056]
表4训练目标参数
[0057][0058]
步骤s203：将时序训练样本中的下一个路面温度真实数据作为bp神经网络标签值，时序训练样本中的具有滚动窗口尺寸大小的连续多个路面温度时序数据作为bp神经网络的输入值，训练bp神经网络的时序回归预测模型。
[0059]
步骤s204：判断bp神经网络的时序回归预测模型的评价指标是否满足步骤s202预设的任一目录训练目标，若未满足，返回步骤s203，继续迭代训练bp神经网络的时序回归预测模型；若满足，则继续步骤s205。
[0060]
步骤s205：保存已训练好的bp神经网络的时序回归预测模型，时序回归曲线如图1、均方误差(mse)如图3所示，预测模型训练结果数据如表5所示。
[0061]
表5预测模型训练结果
[0062][0063]
路面凝冰时间实时预测阶段包括如下步骤：
[0064]
步骤s301：为方便跟传统直线均匀方法预测比较，假设现场实际采集到的时序路面温度数据为表1的一部分数据x＝(x0,x1,
…
,x
n
‑1)，其中n＝16，如表6所示，获取到的最近一组滚动窗口的时序路面温度数据为x
window
＝(
‑
0.20
‑
0.20
‑
0.30
‑
0.30
‑
0.30
‑
0.40)。
[0065]
表6现场路面温度时序数据
[0066]
时序温度值(℃)时序温度值(℃)008
‑
0.3109
‑
0.32010
‑
0.23011
‑
0.24
‑
0.112
‑
0.35
‑
0.113
‑
0.36
‑
0.214
‑
0.37
‑
0.215
‑
0.4
[0067]
步骤302：初始化一个预测计步器p＝0，并记录当前时间值t
c
。
[0068]
步骤s303：时序路面温度数据x＝(x0,x1,
…
,x
n
‑1)的变化趋势总体缓慢下降，如图5所示，满足预测条件。
[0069]
步骤304：对时序路面温度数据x
window
＝(
‑
0.20
‑
0.20
‑
0.30
‑
0.30
‑
0.30
‑
0.40)进行归一化数据处理，得到归一化的时序路面温度数据。
[0070]
步骤s305：将归一化的时序路面温度数据输入到已训练好的bp神经网络的时序回归预测模型，计算得到下个时刻的路面温度预测值为x
predict
(n+p)＝
‑
0.39。
[0071]
步骤306：已探测路面凝冰温度实际值为x
ice
＝
‑
2.8℃，因x
predict
(n+p)>x
ice
，预测计步器p＝p+1，同时利用滚动窗口特性，将下个时刻的路面温度预测值作为实时时序路面温度数据的最后一个时序数据，得到当前时序的时序路面温度数据为x
window
＝(
‑
0.20
‑
0.30
‑
0.30
‑
0.30
‑
0.40
‑
0.39)，并转到步骤304，继续迭代预测；当p＝116时，x
predict
(n+p)＝
‑
2.80满足条件x
predict
(n+p)≤x
ice
，则转到步骤s307。
[0072]
步骤307：因预测计步器p＝116>0，同时每步代表1分钟，即在前时间值t
c
之后再过116分钟左右，路面温度可能将至凝冰温度x
ice
＝
‑
2.8。
[0073]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0074]
仿真结果分析：
[0075]
本发明bp神经网络的时序回归预测路面凝冰时间与专利cn104134098b两点直线预测方法以及如表1所示的实际发生路面凝冰需要的时间比较，结果如表7所示。
[0076]
表7预测结果比较
[0077][0078]
由表7可出看到：
[0079]
本发明bp神经网络的时序回归预测方法基本上与实际测量的路面发生凝冰时间相接近，而传统的两点直接预测方法具有较大的预测误差。
[0080]
由图1和图5可以看到：传统的两点直线预测方法与实际测量的路面温度变化趋势偏离较大，而本发明bp神经网络的时序回归预测方法基本上真实地反映出路面温度的实际非线性缓慢下降变化趋势，具有较好的预测稳定性和准确性。
[0081]
综上所述，本发明实施例提供的路面凝冰时间预测方法：
[0082]
1)本发明通过构建bp神经网络的时序回归预测模型，利用滚动窗口数据处理技术避免了时序样本数据的随机波动，保证了路面凝冰时间预测的稳定性。
[0083]
2)本发明可采用大量路面温度历史数据来持续优化基于bp神经网络的时序回归
预测模型，从而提升了模型预测路面凝冰时间的精确性。
[0084]
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。