技术特征：
1.一种路面凝冰时间预测方法，其特征在于，包括如下步骤：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)；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；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)；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。2.根据权利要求1所述的路面凝冰时间预测方法，其特征在于，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。3.根据权利要求1所述的路面凝冰时间预测方法，其特征在于，所述bp神经网络模型的获取方式如下：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；s202、预设bp神经网络的时序回归预测模型目标参数；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；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；步骤s205、保存已训练好的bp神经网络的时序回归预测模型。4.根据权利要求3所述的路面凝冰时间预测方法，其特征在于，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。5.根据权利要求1所述的路面凝冰时间预测方法，其特征在于，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。6.一种用于权利要求1～5任一项所述路面凝冰时间预测方法的系统，其特征在于，包括：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)；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；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)；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。7.一种用于权利要求1～5任一项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；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，实现如权利要求1至5任一项所述的路面凝冰时间预测方法。8.一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，实现如权利要求1至5任一项所述的路面凝冰时间预测方法。
技术总结
本发明公开了一种路面凝冰时间预测方法、系统、装置及存储介质，路面凝冰时间预测方法包括：获取最近一组滚动窗口路面温度数据，进行归一化数据处理，初始化一个预测计步器p＝0，并记录当前时间值t
技术研发人员：王秋才 韩博 闫茂德 左磊 杨盼盼
受保护的技术使用者：长安大学
技术研发日：2021.06.24
技术公布日：2021/9/24