本發(fā)明涉及交通氣象領(lǐng)域，尤其是涉及一種基于物理約束的高速公路路面溫度預(yù)報方法。

背景技術(shù)：

1、高速公路路面溫度的準確預(yù)報對于交通安全至關(guān)重要。路面溫度直接影響到車輛的行駛性能和安全性，特別是在極端天氣條件下，如冬季低溫結(jié)冰或夏季高溫爆胎等情況，準確的路面溫度預(yù)報能夠幫助交通管理部門提前采取措施，有效預(yù)防交通事故的發(fā)生。然而，現(xiàn)有的路面溫度預(yù)報方法存在一些局限性，難以滿足實際需求，具體體現(xiàn)在：單一站點數(shù)據(jù)：大多數(shù)現(xiàn)有的路面溫度預(yù)報方法僅基于單一站點的氣象數(shù)據(jù)進行分析，忽略了周邊站點的影響。這種方法在復雜天氣條件下往往表現(xiàn)不佳，因為單一站點的數(shù)據(jù)無法全面反映整個區(qū)域的氣象狀況。例如，一個站點的溫度可能受到局部地形、建筑物遮擋等因素的影響，而這些因素在其他站點可能不存在，導致預(yù)報結(jié)果的偏差。

2、缺乏物理約束：現(xiàn)有的預(yù)報方法多基于數(shù)據(jù)驅(qū)動的機器學習算法，如支持向量機（svm）、隨機森林（rf）等。這些方法雖然能夠在一定程度上捕捉數(shù)據(jù)之間的關(guān)系，但缺乏對物理過程的深入理解。路面溫度的變化是由一系列復雜的物理過程引起的，包括太陽輻射、空氣溫度、風速、濕度等因素的共同作用。單純依賴數(shù)據(jù)驅(qū)動的方法難以準確反映這些物理過程，導致預(yù)報結(jié)果的可靠性較低。

3、時空數(shù)據(jù)處理能力不足：現(xiàn)有的方法在處理多站點、多氣象要素的時空數(shù)據(jù)時存在局限。高速公路沿線的氣象條件具有高度的空間異質(zhì)性和時間動態(tài)性，需要一個能夠高效處理大規(guī)模時空數(shù)據(jù)的模型。傳統(tǒng)的統(tǒng)計方法和簡單的機器學習模型在這方面表現(xiàn)不佳，無法有效提取和利用這些復雜數(shù)據(jù)中的有用信息。

4、模型泛化能力有限：現(xiàn)有的預(yù)報模型往往在特定區(qū)域或特定時間段內(nèi)表現(xiàn)較好，但在其他區(qū)域或時間段內(nèi)的泛化能力較差。這是因為模型訓練時使用的數(shù)據(jù)集可能不具有代表性，或者模型本身缺乏足夠的魯棒性。在實際應(yīng)用中，高速公路的氣象條件和路面狀況會隨著地理位置、季節(jié)變化等因素而有所不同，模型需要具備較強的泛化能力才能適應(yīng)各種情況。

5、面對上述局限性，迫切需要一種能夠綜合利用多站點數(shù)據(jù)、考慮物理過程、高效處理時空數(shù)據(jù)且具備較強泛化能力的路面溫度預(yù)報方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是為了解決上述技術(shù)問題，提供一種基于物理約束的高速公路路面溫度預(yù)報方法。

2、為了達到上述目的，本發(fā)明提供的一種基于物理約束的高速公路路面溫度預(yù)報方法，采用如下的技術(shù)方案：

3、一種基于物理約束的高速公路路面溫度預(yù)報方法，包括以下步驟：

4、s1、獲取區(qū)域內(nèi)所有站點的氣象數(shù)據(jù)，獲取區(qū)域內(nèi)數(shù)值天氣預(yù)報模式輸出的多要素的按經(jīng)緯度劃分的網(wǎng)格數(shù)據(jù)；獲取路面溫度的歷史觀測數(shù)據(jù)、地理數(shù)據(jù)；

5、s2、對獲取的原始數(shù)據(jù)集進行預(yù)處理，加入時間信息，構(gòu)建時間特征；

6、s3、搭建u-net神經(jīng)網(wǎng)絡(luò)模型，并對該模型進行訓練；在u-net模型的基礎(chǔ)上，構(gòu)建雙向lstm網(wǎng)絡(luò)，處理時間序列數(shù)據(jù)，捕捉時間序列中的雙向依賴關(guān)系，在訓練過程中使用損失函數(shù)來評估和優(yōu)化模型的性能；

7、s4、在模型中加入物理約束，對模型結(jié)果進行優(yōu)化，將數(shù)據(jù)劃分為訓練集和測試集，使用訓練集和測試集對模型進行訓練和參數(shù)優(yōu)化；所述物理約束包括溫度變化的時間關(guān)系、季節(jié)性與日夜變化特征、材料熱特性、熱平衡方程。

8、s5、使用驗證集對訓練好的模型進行評估，檢驗?zāi)Ｐ偷姆夯芰皖A(yù)報精度。

9、作為本發(fā)明的優(yōu)選，所述步驟s2的具體方法為：

10、步驟21、對收集到的原始數(shù)據(jù)集進行清洗，處理其中的缺失值和異常值；

11、步驟22、加入時間信息，構(gòu)建時間特征，時間特征包括分鐘、小時、日、月；

12、步驟23、將預(yù)處理后的數(shù)據(jù)按照一定比例劃分為訓練集、測試集和驗證集，準備用于模型訓練和評估。

13、作為本發(fā)明的優(yōu)選，所述步驟s3中搭建u-net神經(jīng)網(wǎng)絡(luò)模型，并對該模型進行訓練的具體方法為：

14、將u-net網(wǎng)絡(luò)結(jié)構(gòu)劃分為六個部分：輸入層、卷積層、池化層、上采樣層、跳躍連接層以及輸出層；

15、將預(yù)處理后的多站點多氣象要素預(yù)報數(shù)據(jù)輸入輸入層，通過卷積層卷積，通過池化層池化之后，進行濾波降維，保留數(shù)據(jù)主要特征；

16、數(shù)據(jù)進入到上采樣層中，進行逐層重構(gòu)，最終輸出整個空間場的數(shù)據(jù)訂正結(jié)果。

17、作為本發(fā)明的優(yōu)選，所述步驟s3中構(gòu)建雙向lstm網(wǎng)絡(luò)，處理時間序列數(shù)據(jù)，捕捉時間序列中的雙向依賴關(guān)系，在訓練過程中使用損失函數(shù)來評估和優(yōu)化模型的性能的具體方法為：

18、從歷史觀測數(shù)據(jù)中提取每個時間點的路面溫度，從u-net神經(jīng)網(wǎng)絡(luò)模型輸出的訂正后的氣象數(shù)據(jù)，包括氣溫、輻射、風速、云量、濕度，加入時間信息，包括分鐘、小時、日、月；

19、輸入層接收上述準備好的數(shù)據(jù)，雙向lstm層捕捉時間序列數(shù)據(jù)的雙向關(guān)系，dropout層通過隨機丟棄部分神經(jīng)元，減少模型的復雜性，防止過擬合，輸出層生成未來的路面溫度預(yù)測結(jié)果；

20、使用均方誤差作為基本損失函數(shù)，評估模型預(yù)測值與實際值之間的差異；

21、

22、其中，是實際的路面溫度，是模型預(yù)測的路面溫度，n是樣本數(shù)量；

23、使用訓練集數(shù)據(jù)對模型進行訓練，通過反向傳播算法優(yōu)化模型參數(shù)，使得損失函數(shù)最小化；

24、使用驗證集數(shù)據(jù)評估模型的性能。

25、作為本發(fā)明的優(yōu)選，在模型中加入溫度變化的時間關(guān)系約束的方法為：

26、在損失函數(shù)中加入一個額外的懲罰項，來約束溫度變化率：

27、其中，是時間點(t)的溫度預(yù)測值，是調(diào)節(jié)參數(shù)。

28、作為本發(fā)明的優(yōu)選，在模型中加入季節(jié)性與日夜變化特征約束的方法為：在模型中加入季節(jié)參數(shù)和日照時長作為附加的輸入特征。

29、作為本發(fā)明的優(yōu)選，在模型中加入材料熱特性約束的方法為：在模型中加入路面材料的熱導率、比熱容和密度作為附加的輸入特征。

30、作為本發(fā)明的優(yōu)選，在模型中加入熱平衡方程約束的方法為：在損失函數(shù)中加入熱平衡方程的懲罰項，所述熱平衡方程表達為：

31、?其中，是輸入熱量，是散失熱量，是溫度變化量。

32、綜上所述，本技術(shù)包括以下至少一種有益技術(shù)效果：

33、1、本發(fā)明通過構(gòu)建u-net神經(jīng)網(wǎng)絡(luò)模型和雙向lstm網(wǎng)絡(luò)，并在模型中加入物理約束，顯著提高了路面溫度預(yù)測的精度和可靠性。首先，u-net神經(jīng)網(wǎng)絡(luò)模型能夠有效地將多站點多氣象要素預(yù)報數(shù)據(jù)的空間場數(shù)據(jù)訂正到點，輸出每個站點的訂正后的氣象數(shù)據(jù)。這一過程不僅提高了氣象數(shù)據(jù)的準確性，還為后續(xù)的時間序列預(yù)測提供了高質(zhì)量的輸入數(shù)據(jù)。其次，雙向lstm網(wǎng)絡(luò)通過捕捉時間序列數(shù)據(jù)的雙向依賴關(guān)系，能夠更全面地理解歷史數(shù)據(jù)中的模式和趨勢，從而提高預(yù)測的準確性。最后，通過在損失函數(shù)中加入物理約束，如溫度變化的光滑性約束和熱平衡方程，模型的預(yù)測結(jié)果不僅在數(shù)值上更加準確，而且更加符合實際的物理規(guī)律。這種多方面的優(yōu)化確保了模型在各種氣象條件下的預(yù)測性能，為交通管理和安全預(yù)警提供了可靠的依據(jù)。

34、2、在模型構(gòu)建過程中，通過加入dropout層和物理約束，本案有效減少了模型的過擬合風險，提高了模型的泛化能力。dropout層通過隨機丟棄部分神經(jīng)元，減少了模型的復雜性，避免了模型在訓練數(shù)據(jù)上過度擬合。這使得模型在面對未見過的數(shù)據(jù)時，能夠保持較好的預(yù)測性能。此外，物理約束的引入不僅提高了模型的預(yù)測精度，還增強了模型的魯棒性。例如，溫度變化的光滑性約束確保了預(yù)測結(jié)果的平滑性，避免了突兀的溫度變化，這在實際應(yīng)用中是非常重要的。熱平衡方程的約束則確保了模型的預(yù)測結(jié)果符合物理規(guī)律，使得模型在不同氣象條件和路面材料下的預(yù)測更加可靠。這些措施共同作用，使得模型在實際應(yīng)用中表現(xiàn)出更強的泛化能力和更高的穩(wěn)定性。