一种道路气象预测方法、装置、电子设备及存储介质
技术领域
本申请涉及表面状况预测领域,具体而言,涉及一种道路气象预测方法、装置、电子设备及存储介质。
背景技术
在路面结冰、湿滑等不利道路表面状况下,交通事故频发,单位时间内交通事故的发生概率是路面干燥条件下的十几倍甚至几十倍。不利路面状况不仅会造成生命财产的直接损失,还会降低交通运输的效率。由此,对路面表面状况进行准确预测,有着意义重大地预报服务需求。
传统的路面气象预报系统,是直接将天气预报映射到道路网络,这种预防方式往往存在较大的误差,也存在大量的漏报现象。
发明内容
本申请实施例的目的在于提供一种道路气象预测方法、装置、电子设备及存储介质,以改善传统的路面温度预报不准确的问题。
第一方面,本申请实施例提供了一种道路气象预测方法,包括:获取待测区域在第一未来时间段的天气预报信息;获取所述待测区域第一过去时间段的历史道路表面温度观测信息以及第二过去时间段的历史道路表面状况观测信息;根据所述待测区域的地理信息,利用预先建立的道路表面温度预测模型对所述天气预报信息、所述历史道路表面温度观测信息和历史道路表面状况观测信息进行处理,预测得到第二未来时间段的道路表面温度预测信息,所述第二未来时间段包含在所述第一未来时间段中。
本申请实施例通过结合地理环境、天气预报信息、历史道路表面温度以及历史道路表面状况,同时利用建立的道路表面温度预测模型先对道路表面温度进行预测,可以更加准确地得到待测区域的道路表面温度预测信息。
进一步地,所述方法还包括:根据待测区域的地理信息,利用预先建立的道路表面状况预测模型对所述天气预报信息、所述历史道路表面温度观测信息、所述道路表面温度预测信息和历史道路表面状况观测信息进行处理,预测得到待测区域中第二未来时间段的道路表面状况预测信息。
本申请实施例通过结合地理环境、天气预报信息、历史道路表面温度、历史道路表面状况以及预测的道路表面温度,同时利用道路表面状况预测模型对道路表面状况进行预测,可以更加准确地得到待测区域的道路表面状况预测信息,以便后续可以针对预测的道路表面状况预防交通事故的发生。
进一步地,所述利用预先建立的道路表面温度预测模型对所述天气预报信息和所述历史道路表面温度观测信息进行处理之前,所述方法还包括:获取待测区域的地理信息;获取所述待测区域的多个历史样本天气预报信息;获取所述待测区域的多个历史样本道路表面温度观测信息,每一历史样本道路表面温度观测信息对应一个历史样本天气预报信息;获取待测区域的多个历史样本道路表面状况观测信息,每一历史样本道路表面状况观测信息对应一个历史样本道路表面温度观测信息;将所述待测区域的地理信息、所有的历史样本天气预报信息、所有的历史样本道路表面温度观测信息和所有的历史样本道路表面状况观测信息作为输入,对时间递归神经网络进行训练,得到所述道路表面温度预测模型。
本申请实施例通过利用过去的天气预报信息、道路表面温度观测信息以及道路表面状况观测信息作为样本输入,对时间递归神经网络进行训练,可以得到道路表面温度预测,以提高道路表面温度预测的准确性,后续可以得到更加精确的道路表面温度预测信息,以便后续可以参考道路表面温度预测信息来得到精确的道路表面状况预测信息。
进一步地,所述利用预先建立的道路表面状况预测模型对所述天气预报信息、所述历史道路表面温度观测信息、所述道路表面温度预测信息和历史道路表面状况观测信息进行处理之前,所述方法还包括:利用所述道路表面温度预测模型对所述待测区域的地理信息、各个历史样本天气预报信息、对应的历史样本道路表面温度观测信息和对应的历史样本道路表面状况观测信息进行处理,得到所述待测区域的与各个历史样本天气预报信息对应的历史样本道路表面温度预测信息;将所述待测区域的地理信息、所有的历史样本天气预报信息、所有的历史样本道路表面温度观测信息、所有的历史样本道路表面状况观测信息和所有的历史样本道路表面温度预测信息作为输入,对时间递归神经网络进行训练,得到所述道路表面状况预测模型。
本申请实施例通过利用道路表面温度预测模型先对历史道路表面温度观测信息进行预测,可以得到对应的历史样本道路表面温度预测信息,同时利用历史地理信息、历史天气预报信息、历史样本道路表面温度预测信息、历史道路表面温度观测信息和历史道路表面状况观测信息作为样本输入,对时间递归神经网络进行训练,得到精确度更高的道路表面状况预测模型,后续可以更加准确地对道路表面状况进行预测。
进一步地,所述获取所述待测区域的多个历史样本天气预报信息,包括:获取所述待测区域的多种历史天气预报信息,不同种类的历史天气预报信息的来源不同;获取所述待测区域的多个子区域的历史天气观测信息,每一子区域的历史天气观测信息对应多种历史天气预报信息;以各个子区域的历史天气观测信息为目标,利用随机森林算法将对应的多种历史天气预报信息集成,得到对应的多个历史样本天气预报信息。
本申请实施例通过以历史天气观测信息为目标,利用随机森林算法从多种来源不同的历史天气预报信息中,选择出最佳的天气预报信息进行集成,由此可以得到预测效果较佳的历史样本天气预报信息,以便后续可以建立预测较为精确的道路表面温度预测模型和道路表面状况预测模型。
进一步地,所述获取所述待测区域的多个子区域的历史天气观测信息,包括:获取所述待测区域的初始历史天气观测信息;根据所述多个子区域的地理信息,对所述初始历史天气观测信息进行同化处理,得到所述待测区域的多个子区域的历史天气观测信息。
本申请实施例可以获取到待测区域的初始历史天气观测信息,再根据划分的子区域的地理信息对其进行同化处理,得到与待测区域的多个子区域对应的历史天气观测信息,以便后续可以的到效果更佳的历史样本天气预报信息,以便后续建立模型对道路表面温度和道路表面状况进行准确预测。
进一步地,所述获取所述待测区域的多个历史样本道路表面温度观测信息,包括:获取所述待测区域的初始历史天气观测信息和初始历史道路表面温度观测信息;将所述待测区域的地理信息和所有的初始历史天气观测信息作为输入,以所述初始历史道路表面温度观测信息为目标,对神经网络进行训练,得到道路表面温度观测细化模型;根据所述待测区域的各个子区域的地理信息,利用所述道路表面温度观测细化模型对初始历史天气观测信息进行处理,得到待测区域的多个历史样本道路表面温度观测信息。
本申请实施例通过利用神经网络建立道路表面温度观测细化模型,以建立历史道路表面温度与地理信息、历史天气观测信息之间的对应关系,最后可以根据道路观测细化模型,得到更加精确的历史样本道路表面温度观测信息。
进一步地,所述获取待测区域的多个历史样本道路表面状况观测信息,包括:获取所述待测区域的初始历史天气观测信息和初始历史道路表面状况观测信息;将所述待测区域的地理信息、所有的初始历史天气观测信息以及所有的历史样本道路表面温度观测信息作为输入,以所述初始历史道路表面状况观测信息为目标,对神经网络进行训练,得到道路表面状况观测细化模型;根据所述待测区域的各个子区域的地理信息,利用所述道路表面状况观测细化模型对初始历史天气观测信息和历史样本道路表面温度观测信息进行处理,得到待测区域的多个历史样本道路表面状况观测信息。
本申请实施例通过利用神经网络建立道路表面状况观测细化模型,已建立历史道路表面状况与地理信息、历史天气观测信息以及历史道路表面温度观测信息之间的对应关系,最后可以根据道路表面状况观测细化模型,得到更加精确的历史样本道路表面状况观测信息,以便后续建立模型对道路表面温度和道路表面状况进行准确预测。
第二方面,本申请实施例提供了一种道路气象预测装置,所述装置包括:天气获取模块,用于获取待测区域在第一未来时间段的天气预报信息;温度观测模块,用于获取所述待测区域第一过去时间段的历史道路表面温度观测信息以及第二过去时间段的历史道路表面状况观测信息;温度预测模块,用于根据所述待测区域的地理信息,利用预先建立的道路表面温度预测模型对所述天气预报信息、所述历史道路表面温度观测信息和历史道路表面状况观测信息进行处理,预测得到第二未来时间段的道路表面温度预测信息,所述第二未来时间段包含在所述第一未来时间段中。
本申请实施例通过结合地理环境、天气预报信息以及历史道路表面温度,同时通过温度预测模块利用建立的道路表面温度预测模型先对道路表面温度进行预测,可以更加准确地得到待测区域的道路表面温度预测信息。
第三方面,本申请实施例提供了一种电子设备,包括:处理器、存储器和总线,其中,所述处理器和所述存储器通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如上述的方法。
第四方面,本申请实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如上述的方法。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种道路气象预测方法的流程示意图;
图2为本申请实施例提供的又一种道路气象预测方法的流程示意图;
图3为本申请实施例提供的一种道路表面温度预测模型建立方法的流程示意图;
图4为本申请实施例提供的一种道路表面状况预测模型建立方法的流程示意图;
图5为本申请实施例提供的一种道路气象预测装置的结构示意图;
图6为一种可应用于本申请实施例中的电子设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
对道路气象进行预测具有重大意义,而道路气象包括:道路表面温度和道路表面状况。其中,对交通安全存在重大影响的不利道路表面状况主要包括:路面湿滑、积冰、积雪、凝冰、霜、积水等等。这些不利道路表面状况通常会使得交通工具在行驶的过程中,交通工具的摩擦系数降低,制动距离急剧减小。除了这些不利道路表面状况之外,道路表面温度过高容易导致车辆爆胎,道路表面温度过低也经常带来摩擦系数巨变。因此,精准定量的道路表面温度和道面表面状况,有着意义重大地预报服务需求。准确、提前的路面表面状况预报可以很好的预防规避交通安全损失、特别是生命财产的损失。
然而,目前国内对道路表面状况的预测服务存在着巨大的问题。现有的道路表面状况预测主要是利用天气预报直接映射到道路网络,比如,根据天气预报可以获知某区域将会在某天有中雪,则该区域道路表面状况预报为积雪。这种预测方式完全没有考虑道路的实际情况,造成了大量的错误预报。雪落在路面上,有的情况下会形成积雪,有的则会迅速融化并蒸发为干燥路面,有的则融化到某个阶段又因为道路表面温度较低形成积冰。除此之外,这种预测方式还存在着大量的漏报。以对驾驶安全危险极大的暗冰这种道路表面状况为例,在没有任何降水的情况下,仅仅因为空气湿度高和道路表面温度低,就会在路面上形成薄薄的一层暗冰,肉眼几乎不可见。像此类风险,利用天气预报的直接映射就无法进行纳入。
图1为本申请实施例提供的一种道路气象预测方法的流程示意图,本申请实施例提供了一种道路气象预测方法,包括:
步骤110:获取待测区域在第一未来时间段的天气预报信息。
步骤120:获取所述待测区域第一过去时间段的历史道路表面温度观测信息以及第二过去时间段的历史道路表面状况观测信息。
在本申请可选的实施过程中,为了对待测区域的未来的道路表面温度进行预测,可以通过利用道路表面温度预测模型来进行预测。其中,道路表面温度预测模型主要是对待测区域的地理信息、天气预报信息、历史道路表面温度观测信息、历史道路表面状况观测信息和道路表面温度预测信息之间建立了映射关系。
由此,为了实现对待测区域的道路表面温度的精准预测,可以获取第一未来时间段的天气预报信息,如未来60小时内待测区域的天气预报或未来48小时内待测区域的天气预报。也可以获取第一过去时间段的历史道路表面温度观测信息,如过去12小时待测区域实际的道路表面温度信息或过去24小时待测区域实际的道路表面温度信息。还可以获取第二过去时间段的历史表面状况观测信息。如:过去12小时待测区域实际的道路表面状况信息或过去24小时待测区域实际的道路表面状况信息。天气预报信息、历史道路表面温度观测信息和历史道路表面状况观测信息的准确获取,有利于后续对待测区域的道路表面温度进行准确预测。
其中,第一未来时间段的时长大小和第一过去时间段的时长大小可以不限定,具体的可以根据道路表面温度预测模型的输入需要以及实际的道路表面温度预测的需求进行调整。第一过去时间段与第二过去时间段的时间长度可以不一致,也可以一致,第一过去时间段和第二过去时间的时间长度不限定,具体的可以根据实际的待测区域的道路表面状况预测需求进行调整。
并且,步骤110、步骤120之间的执行顺序不限定可以根据实际需求进行调整。
值得说明的是,在实际的道路表面温度预测过程中,会主要影响道路表面温度变化的主要影响因素有:地理信息、天气、历史实际的道路表面温度、历史实际的道路表面状况等因素。
对于地理信息来说,由于待测区域中道路分布较为分散,各个地形均有道路的分布,而各个地形也会对道路的温度产生影响。例如:分布在山阴面的道路与分布在山阳面的道路,由于照射的太阳的时间长度的不同,道路表面温度也可能会存在差异,由此,在对道路表面温度进行预测时考虑待测区域的地理信息的影响程度,可以提高道路表面温度预测的准确性。
其中,地理信息主要是对道路表面温度产生较大影响的信息,例如:道路物理属性信息(道路材料)、桥涵隧信息、地形地理数据、自然下垫面数据等,地理信息的具体类型可以根据实际需求进行调整。而本申请实施例通过使用了地形地理数据和自然下垫面数据,充分考虑了地形遮挡和道路周围环境(例如大型湖泊等水体)的影响,也使用了道路物理属性信息和桥涵隧信息,明确区分不同道路属性的特点,使得预报合理性和预报准确率更高。
对于天气来说,天气也是道路表面温度变化的主要影响要因素之一,由于天气的不同可能会导致道路的温度发生差异,例如:通常情况下,天气为下雨时的道路表面温度,相较于天气为晴天时的道路表面温度更低。因此,在对道路表面温度进行预测时考虑待测区域的未来的天气的影响程度,即第一未来时间段的天气预报信息,可以提高道路表面温度预测的准确性。
其中,天气预报信息也主要是对道路表面温度产生较大影响的信息,例如:10米风、2米温度、2米相对湿度、表面气压、降雨量、降雪量等,具体的天气预报信息的类型可以根据实际路面温度预测的需求进行调整。
对于历史实际的道路表面温度来说,由于道路的比热容较大,温度的变化也可以参考历史的实际的道路表面温度的变化情况,即可以获取第一过去时间段的历史道路表面温度观测信息,也有利于对道路表面温度进行准确预测。
对于历史实际的道路表面状况来说,由于道路表面状况和道路表面温度互相影响,因此,道路的表面状况发生变化的也会引起道路表面温度的变化,即可以获取第二过去时间段的历史道路表面状况观测信息,也有利于对道路表面温度进行准确预测。
步骤130:根据所述待测区域的地理信息,利用预先建立的道路表面温度预测模型对所述天气预报信息、所述历史道路表面温度观测信息和历史道路表面状况观测信息进行处理,预测得到第二未来时间段的道路表面温度预测信息,所述第二未来时间段包含在所述第一未来时间段中。
在本申请可选的实施过程中,由于预先建立的道路表面温度预测模型主要是对待测区域的地理信息、天气预报信息、历史道路观测信息和道路表面温度预测信息之间建立了映射关系。因此,在获取到天气预报信息和历史道路表面温度观测信息之后,可以根据待测区域的地理信息,同时利用道路表面温度预测模型对天气预报信息和历史道路表面温度观测信息进行处理,预测得到对应的第二未来时间段的道路表面温度预测信息,如未来48小时的待测区域内的道路表面温度预测信息。
其中,为了可以对待测区域内道路表面温度进准确预测,第二未来时间段可以包含在第一未来时间段内,即第二未来时间段的起点在第一未来时间段之内,第二未来时间段的终点也在第一未来时间段内。例如:第一未来时间段为未来60小时,则第二未来时间段可以为未来24小时,也可以为未来48小时,还可以为未来60小时。具体的第一未来时间段和第二未来时间段的时长可以根据实际的道路表面温度预测的精度进行调整。
图2为本申请实施例提供的又一种道路气象预测方法的流程示意图,如图2所示,所述方法还包括:
步骤140:根据待测区域的地理信息,利用预先建立的道路表面状况预测模型对所述天气预报信息、所述历史道路表面温度观测信息、所述道路表面温度预测信息和历史道路表面状况观测信息进行处理,预测得到待测区域中第二未来时间段的道路表面状况预测信息。
在本申请可选的实施过程中,为了获取准确的道路表面状况预测信息,可以利用道路表面状况预测模型对多个影响道路表面状况信息的影响因素进行处理,预测得到待测区域对应的第二未来时间段的道路表面状况信息,如未来48小时的待测区域内的道路表面状况信息。
需要说明的是,在实际的道路表面状况预测过程中,道路表面温度也是影响道路表面状况的主要原因之一,因此,除去与上述描述的地理信息、天气、历史实际的道路表面温度等因素,还有历史实际的道路表面温度以及预测的道路表面温度。
对于历史实际的道路表面状况来说,由于道路表面温度与道路表面状况相互影响,道路表面温度的变化可能会导致道路表面状况的巨大变化。例如:在道路表面温度较高时,积水可以迅速被蒸发,道路表面状况可以为干燥,表征干燥路面。在道路表面温度较低时,积水不会被迅速蒸发,道路表面状况可以为积水,表征路面有积水。由此,在对道路表面状况进行预测时考虑待测区域的道路表面温度的影响程度,可以提高道路表面状况预测的准确性。
值得说明的是,为了保证对待测区域每一公里的道路表面温度和道路表面状况进行准确预测。在根据待测区域对应的地理信息,利用模型对道路表面温度和道路表面状况进行预测时,道路表面温度预测信息、道路表面状况预测信息可以与待测区域内的道路轨迹进行匹配,明确每一公里分辨率的道路表面温度预测信息和道路表面状况预测信息。
举例来说,本申请实施例提供了一种基于多源数据深度学习的路面温度与路面表面状况精准预报的方法,可以提供未来48小时、高准确率、分辨率可达1公里的道路表面温度预测和道路表面状况预测。所有影响预测的因素和内容完全基于路面,直接反映出道路未来的实际变化过程。
还需要说明的是,由于预测的是不同的对象,由此,对道路表面状况存在影响的地理信息可以与对道路表面温度进行影响的地理信息不同,例如,地理信息还可以为:道路物理属性信息、桥涵隧信息、地形地理数据、自然下垫面数据等,具体的地理信息的类型可以根据实际的预测需求进行调整。
图3为本申请实施例提供的一种道路表面温度预测模型建立方法的流程示意图,在步骤130之前,所述方法还包括:
步骤210:获取待测区域的地理信息。
步骤220:获取所述待测区域的多个历史样本天气预报信息。
步骤230:获取所述待测区域的多个历史样本道路表面温度观测信息,每一历史样本道路表面温度观测信息对应一个历史样本天气预报信息。
步骤240:获取待测区域的多个历史样本道路表面状况观测信息,每一历史样本道路表面状况观测信息对应一个历史样本道路表面温度观测信息。
步骤250:将所述待测区域的地理信息、所有的历史样本天气预报信息、所有的历史样本道路表面温度观测信息和所有的历史样本道路表面状况观测信息作为输入,对时间递归神经网络进行训练,得到所述道路表面温度预测模型。
在本申请可选的实施过程中,由于在实际的道路表面温度预测过程中,会主要影响道路表面温度变化的主要影响因素有:地理信息、天气、历史实际的道路表面温度、历史实际的道路表面状况等因素。由此,我们可以通过获取上述主要影响因素的历史数据作为输入,对时间递归神经网络进行训练,并以历史样本道路表面温度观测信息作为训练目标,可以得到道路表面温度预测模型,以便后续可以对待测区域的未来的道路表面温度进行预测。
其中,历史样本天气预报信息、历史样本道路表面温度观测信息和历史样本道路表面状况观测信息在时间上一一对应,例如,未来60小时的历史样本天气预报信息对应过去48小时的历史样本道路表面温度观测信息,过去24小时的历史样本道路表面温度观测信息对应过去12小时的历史样本道路表面状况观测信息。具体的对应关系不限定,可以根据实际的预测需求进调整。
值得说明的是,道路表面温度预测模型可以表征建立了待测区域中的历史样本天气预报信息、历史样本道路表面状况观测信息和历史样本道路表面温度观测信息之间的映射关系,使得后续可以在得到天气预报信息、历史道路表面温度观测信息和历史道路表面状况观测信息之后,可以通过道路表面温度预测模型,得到准确的待测区域的道路表面温度预测信息。
其中,获取的历史样本的时间可以为历史2年,也可以为历史5年,具体的历史样本时间可以根据实际需求进行调整。
并且,步骤210、步骤220、步骤230、步骤240之间的执行顺序不限定可以根据实际需求进行调整。
还需要说明的是,时间递归神经网络(time recursive neural network)是具有树状阶层结构且网络节点按其连接顺序对输入信息进行递归的人工神经网络(ArtificialNeural Network,ANN),是深度学习(deep learning)算法之一。本申请实施例主要是采用双向LSTM网络对道路表面温度和道路表面状况进行预测。考虑到双向LSTM网络使得预测算法可以长时间记忆过去,最长可累积过去24小时的路面历史信息,能够非常好的刻画复杂非线性变化过程,其相比于短期记忆的RNN算法,明显的提高了预测效果;另一方面,双向LSTM也将未来可对道路表面温度和道路表面状况形成硬约束的预测信息纳入了算法的回路中,与单向只考虑历史信息的LSTM比较结果来看,进一步的提高的预测的稳健性。
还可以说明的是,为了保证对待测区域每一公里的道路表面温度和道路表面状况进行准确预测,在建立预测模型时,可以通过获取的多个历史样本信息的分辨率为一公里,使得后续建立的道路表面温度预测模型和道路表面状况预测模型可以对每一公里的道路表面温度和道路表面状况进行预测。
举例来说,利用历史时长为2年的1公里分辨率的未来60小时的天气预报信息、过去12小时的1公里分辨率道路表面温度观测信息以及过去24小时的1公里分辨率的道路表面状况观测信息,同时根据地理信息中的道路物理属性信息、桥涵隧信息、分钟级自动站观测历史数据、地形地理数据、自然下垫面数据,以1公里分辨率未来48小时道路表面温度观测信息作为学习目标,搭建双向LSTM网络,最优调参后完成1公里分辨率天气预报信息、道路物理属性信息、桥涵隧信息、分钟级自动站观测、地形地理数据、自然下垫面数据、过去12小时1公里分辨率道路表面温度观测以及过去24小时1公里分辨率道路表面状况到1公里分辨率未来48小时道路表面温度预测关系的建立,即得到道路表面温度预测模型。
图4为本申请实施例提供的一种道路表面状况预测模型建立方法的流程示意图,在所述利用预先建立的道路表面状况预测模型对所述天气预报信息、所述历史道路表面温度观测信息、所述道路表面温度预测信息和历史道路表面状况观测信息进行处理之前,所述方法还包括:
步骤310:利用所述道路表面温度预测模型对所述待测区域的地理信息、各个历史样本天气预报信息、对应的历史样本道路表面温度观测信息和对应的历史样本道路表面状况观测信息进行处理,得到所述待测区域的与各个历史样本天气预报信息对应的历史样本道路表面温度预测信息。
步骤320:将所述待测区域的地理信息、所有的历史样本天气预报信息、所有的历史样本道路表面温度观测信息、所有的历史样本道路表面状况观测信息和所有的历史样本道路表面温度预测信息作为输入,对时间递归神经网络进行训练,得到所述道路表面状况预测模型。
在本申请可选的实施过程中,由于在实际的道路表面状况预测过程中,还需要考虑道路表面温度预测信息对道路表面状况的影响。由此,我们可以通过获取上述主要影响因素和温度预测信息的历史数据作为输入,对时间递归神经网络进行训练,并以历史样本道路表面状况观测信息作为训练目标,可以得到道路表面状况预测模型,以便后续可以对待测区域的未来的道路表面状况进行预测。
其中,历史样本道路表面温度预测信息与历史样本天气预报信息在时间上一一对应,例如,未来48小时的历史样本道路表面温度预测信息对应未来60小时的历史样本天气预报信息。具体的对应关系不限定,可以根据实际的预测需求进调整。
值得说明的是,道路表面状况预测模型可以表征建立了待测区域中的历史样本天气预报信息、历史样本道路表面状况观测信息、历史样本道路表面温度观测信息、历史道路表面温度预测信息之间的映射关系,使得后续可以在得到天气预报信息、历史道路表面温度观测信息和历史道路表面状况观测信息、历史道路表面温度预测信息之后,可以通过道路表面状况预测模型,得到准确的待测区域的道路表面状况预测信息。
举例来说,利用历史时长为2年的1公里分辨率的未来60小时的天气预报信息、过去12小时的1公里分辨率道路表面温度观测信息、过去24小时的1公里分辨率的道路表面状况观测信息以及上述预测得到的未来48小时的1公里分辨率的道路表面温度预测信息,同时根据地理信息中的道路物理属性信息、桥涵隧信息、分钟级自动站观测历史数据、地形地理数据、自然下垫面数据、雷达数据、卫星数据,以1公里分辨率未来48小时道路表面状况观测信息作为学习目标,搭建双向LSTM网络,最优调参后完成1公里分辨率天气预报信息、道路物理属性信息、桥涵隧信息、分钟级自动站观测、地形地理数据、自然下垫面数据、雷达数据、卫星数据、过去12小时1公里分辨率道路表面温度观测、过去24小时1公里分辨率道路表面状况以及未来48小时的1公里分辨率道路表面温度预测到1公里分辨率未来48小时道路表面状况预测关系的建立,即得到道路表面状况预测模型。
在上述实施例的基础上,步骤220具体包括:获取所述待测区域的多种历史天气预报信息,不同种类的历史天气预报信息的来源不同;获取所述待测区域的多个子区域的历史天气观测信息,每一子区域的历史天气观测信息对应多种历史天气预报信息;以各个子区域的历史天气观测信息为目标,利用随机森林算法将对应的多种历史天气预报信息集成,得到对应的多个历史样本天气预报信息。
在本申请可选的实施过程中,历史样本天气预报信息的获得可以通过查阅资料的方式,选择一种来源的天气预报信息作为历史样本天气预报信息。而本申请实施例为了获取较为准确的历史样本天气预报信息,也可以以历史天气观测信息为目标,通过随机森林算法对多种来源的历史天气预报信息进行集成算法学习,选择出最佳的历史样本预报信息,以便后续可以建立较为准确的模型进行道路表面温度和道路表面状况的预测。
其中,多种来源的历史天气预报信息可以包括:历史长度为2年的GRAPES未来60小时历史天气预报数据、人工指导未来60小时历史天气预报数据、EC集合预报未来60小时历史天气预报数据、GFS天气预报未来60小时历史天气预报数据,其中具体的历史长度不限定,可以根据实际的建模需求进行调整。同时历史天气预报信息的类型不限定,可以根据实际的预测需求进调整。
值得说明的是,随机森林算法为通过集成学习的思想将多棵树集成的一种算法,它的基本单元是决策树,而它的本质属于机器学习的一大分支——集成学习方法。由此,通过随机森林算法能从多种历史天气预报信息中选择出最优的天气多元融合预报算法,得到对应的多个历史样本天气预报信息。
在上述实施例的基础上,步骤220还可以具体包括:获取所述待测区域的初始历史天气观测信息;根据所述多个子区域的地理信息,对所述初始历史天气观测信息进行同化处理,得到所述待测区域的多个子区域的历史天气观测信息。
在本申请可选的实施过程中,为了可以对每一公里的道路表面温度和道路表面状况进行预测,也即为了获取每一公里的历史样本天气预报信息,可以先对获取的初始历史天气观测信息进行预处理。根据待测区域多个子区域的地理信息,对初始历史天气观测信息进行同化处理,由此可以得到待测区域的多个子区域的历史天气观测信息。
其中,初始历史天气观测信息一般是通过标准表面状况站观测得到的,而标准表面状况站在待测区域内设置可能不均,并且得到的初始历史天气观测信息表示的范围较大,精度不高。因此,为了提高天气观测信息的精度,可以将待测区域划分为多个子区域,并且,根据多个子区域的地理信息将初始历史天气观测信息同化为道路沿线的天气观测信息,即多个子区域的历史天气观测信息。
其中,地理信息可以为标准表面状况站观测历史数据、卫星资料、雷达资料,根据所述地理信息可以确定道路路线,以便进行同化操作。具体的地理信息的类型不限定,可以根据实际需求进行调整。
举例来说,获取历史长度为2年的分钟级自动站观测得到的初始历史天气观测信息、标准表面状况站观测历史数据、卫星资料、雷达资料,同化为道路沿线多个1公里格点的历史天气观测信息。再获取历史长度为2年的GRAPES未来60小时历史天气预报数据、人工指导未来60小时历史天气预报数据、EC集合预报未来60小时历史天气预报数据、GFS天气预报未来60小时历史天气预报数据,采用上述获得的道路沿线1公里格点的历史天气观测信息作为学习目标,通过随机森林算法集成出最优的多元融合预报算法,对道路沿线1公里的格点提供未来60小时的历史样本天气预报信息。
在上述实施例的基础上,步骤230具体包括:获取所述待测区域的初始历史天气观测信息和初始历史道路表面温度观测信息;将所述待测区域的地理信息和所有的初始历史天气观测信息作为输入,以所述初始历史道路表面温度观测信息为目标,对神经网络进行训练,得到道路表面温度观测细化模型;根据所述待测区域的各个子区域的地理信息,利用所述道路表面温度观测细化模型对初始历史天气观测信息进行处理,得到待测区域的多个历史样本道路表面温度观测信息。
在本申请可选的实施过程中,由于初始历史道路表面温度观测信息是通过埋入接触式温度测量传感器进行测量得到的,而地面温度表在待测区域内设置可能不均,并且得到的初始历史道路表面温度观测信息表示的范围较大,精度不高。由此,可以利用多层神经网络建立地理信息、初始历史天气观测信息与历史样本道路表面温度观测信息之间的对应关系,即得到道路表面温度观测细化模型,以对地理信息、初始历史天气观测信息进行处理,得到对应的多个历史样本道路表面温度观测信息,由此,为精细化待测区域内1公里分辨率颗粒度下预测道路表面温度和道路表面状况提供前提基础。
举例来说,获取历史长度为2年的初始历史天气观测信息、路面温度观测数据、地形地理数据和自然下垫面数据;以路面温度观测数据为学习目标,使用初始历史天气观测信息、地形地理数据、下垫面数据搭建三层神经网络结构,建立初始历史天气观测信息、地形地理数据、下垫面数据到历史样本道路表面温度观测信息的实时精确关系;最后利用上述初始历史天气观测信息、地形地理数据、下垫面数据到实际密度路面温度观测的实时关系推广到1公里分辨率,最终完成历史长度为2年的1公里分辨率的历史样本道路表面温度观测信息。其中,神经网络的层数不限定,可以根据实际的预测需求进行调整。
在上述实施例的基础上,步骤240具体包括:获取所述待测区域的初始历史天气观测信息和初始历史道路表面状况观测信息;将所述待测区域的地理信息、所有的初始历史天气观测信息以及所有的历史样本道路表面温度观测信息作为输入,以所述初始历史道路表面状况观测信息为目标,对神经网络进行训练,得到道路表面状况观测细化模型;根据所述待测区域的各个子区域的地理信息,利用所述道路表面状况观测细化模型对初始历史天气观测信息和历史样本道路表面温度观测信息进行处理,得到待测区域的多个历史样本道路表面状况观测信息。
在本申请可选的实施过程中,由于初始历史道路表面状况观测信息是通过传统的道路气象视频和红外观测设备进行测量得到的,而道路气象监测设备在待测区域内设置可能不均,并且得到的初始历史道路表面状况观测信息表示的范围较大,精度不高。同时,影响道路表面状况的因素还有道路表面温度。由此,可以利用多层神经网络建立地理信息、初始历史天气观测信息、历史样本道路表面温度观测信息与历史样本道路观测信息之间的对应关系,即得到道路表面温度观测细化模型,以对地理信息、初始历史天气观测信息、历史样本道路表面温度观测信息进行处理,得到对应的多个历史样本道路表面状况观测信息,由此,为精细化待测区域内1公里分辨率颗粒度下预测道路表面温度和道路表面状况提供前提基础。其中,神经网络的层数不限定,可以根据实际的预测需求进行调整。
在实际的业务搭建更新的过程中,对于地理信息来说,由于待测区域的地理信息较为稳定,且为了保持各个模型参数的稳定,可以将历史获取的地形地理数据、自然下垫面数据、道路物理属性信息和桥涵隧信息均按半静态参数、与预测算法搭建中的设定进行相同设置。更新地理信息的频率可以为每半年更新一次,也可以为每一年更新一次,具体的更新地理信息的频率不限定,可以根据实际的预测需求进行调整。
对于天气预测信息来说,可以每天获取一次多种天气预报信息,也可以每天获取两次多种天气预报信息,对应刷新天气预报信息。具体的刷新天气预报信息的频率可以根据需求进行调整。举例来说,GRAPES未来60小时历史天气预报数据、人工指导未来60小时天气预报数据、EC集合预报未来60小时天气预报数据、GFS天气预报未来60小时天气预报数据,可以于每日北京时间早晚8:00各进行获取一次,获取完毕即时刷新1公里分辨率未来60小时天气预报信息。
对于道路表面温度观测信息和道路表面状况观测信息来说,可以每5分钟刷新一次道路表面温度观测信息或每20分钟刷新一次道路表面状况观测信息。具体的刷新道路表面温度观测信息和道路表面状况观测信息的频率可以根据需求进行调整。举例来说,初始道路表面温度观测信息每5分钟刷新获取最新实测,即时刷新1公里分辨率道路表面温度观测信息;雷达观测资料每6分钟获取最新实测、卫星观测资料每10分钟获取最新实测、天气预报数据每12小时获取最新预测,获取完毕即时刷新1公里分辨率道路表面状况观测信息。
对于道路表面温度预测以及道路表面状况预测来说,可以使用上述刷新完的数据进行道路表面温度预测以及道路表面状况预测,使得得到的道路表面温度预测信息以及道路表面状况预测信息更加准确。
图5为本申请实施例提供的一种道路气象预测装置40的结构示意图,基于同一发明构思,本申请实施例还提供了一种道路气象预测装置40,包括:天气获取模块410,用于获取待测区域在第一未来时间段的天气预报信息;观测模块420,用于获取所述待测区域第一过去时间段的历史道路表面温度观测信息以及第二过去时间段的历史道路表面状况观测信息;温度预测模块430,用于根据所述待测区域的地理信息,利用预先建立的道路表面温度预测模型对所述天气预报信息、所述历史道路表面温度观测信息和历史道路表面状况观测信息进行处理,预测得到第二未来时间段的道路表面温度预测信息,所述第二未来时间段包含在所述第一未来时间段中。
在上述实施例的基础上,所述装置还包括:表面状况预测模块,用于根据待测区域的地理信息,利用预先建立的道路表面状况预测模型对所述天气预报信息、所述历史道路表面温度观测信息、所述道路表面温度预测信息和历史道路表面状况观测信息进行处理,预测得到待测区域中第二未来时间段的道路表面状况预测信息。
在上述实施例的基础上,所述装置还包括:地理获取模块,用于获取待测区域的地理信息;历史天气预报模块,用于获取所述待测区域的多个历史样本天气预报信息;历史温度观测模块,用于获取所述待测区域的多个历史样本道路表面温度观测信息,每一历史样本道路表面温度观测信息对应一个历史样本天气预报信息;历史表面状况观测模块,用于获取待测区域的多个历史样本道路表面状况观测信息,每一历史样本道路表面状况观测信息对应一个历史样本道路表面温度观测信息;温度预测训练模块,用于将所述待测区域的地理信息、所有的历史样本天气预报信息、所有的历史样本道路表面温度观测信息和所有的历史样本道路表面状况观测信息作为输入,对时间递归神经网络进行训练,得到所述道路表面温度预测模型。
在上述实施例的基础上,所述装置还包括:历史表面状况预测模块,用于利用所述道路表面温度预测模型对所述待测区域的地理信息、各个历史样本天气预报信息、对应的历史样本道路表面温度观测信息和对应的历史样本道路表面状况观测信息进行处理,得到所述待测区域的与各个历史样本天气预报信息对应的历史样本道路表面温度预测信息;表面状况预测训练模块,用于将所述待测区域的地理信息、所有的历史样本天气预报信息、所有的历史样本道路表面温度观测信息、所有的历史样本道路表面状况观测信息和所有的历史样本道路表面温度预测信息作为输入,对时间递归神经网络进行训练,得到所述道路表面状况预测模型。
在上述实施例的基础上,所述历史天气预报模块具体用于:获取所述待测区域的多种历史天气预报信息,不同种类的历史天气预报信息的来源不同;获取所述待测区域的多个子区域的历史天气观测信息,每一子区域的历史天气观测信息对应多种历史天气预报信息;以各个子区域的历史天气观测信息为目标,利用随机森林算法将对应的多种历史天气预报信息集成,得到对应的多个历史样本天气预报信息。
在上述实施例的基础上,所述历史天气预报模块具体用于:获取所述待测区域的初始历史天气观测信息;根据所述多个子区域的地理信息,对所述初始历史天气观测信息进行同化处理,得到所述待测区域的多个子区域的历史天气观测信息。
在上述实施例的基础上,所述历史温度观测模块具体用于:获取所述待测区域的初始历史天气观测信息和初始历史道路表面温度观测信息;将所述待测区域的地理信息和所有的初始历史天气观测信息作为输入,以所述初始历史道路表面温度观测信息为目标,对神经网络进行训练,得到道路表面温度观测细化模型;根据所述待测区域的各个子区域的地理信息,利用所述道路表面温度观测细化模型对初始历史天气观测信息进行处理,得到待测区域的多个历史样本道路表面温度观测信息。
在上述实施例的基础上,所述历史表面状况观测模块具体用于:获取所述待测区域的初始历史天气观测信息和初始历史道路表面状况观测信息;将所述待测区域的地理信息、所有的初始历史天气观测信息以及所有的历史样本道路表面温度观测信息作为输入,以所述初始历史道路表面状况观测信息为目标,对神经网络进行训练,得到道路表面状况观测细化模型;根据所述待测区域的各个子区域的地理信息,利用所述道路表面状况观测细化模型对初始历史天气观测信息和历史样本道路表面温度观测信息进行处理,得到待测区域的多个历史样本道路表面状况观测信息。
本申请实施例提供道路气象预测装置40用于执行上述方法,其具体的实施方式与道路气象预测方法的实施方式一致,此处不再赘述。
请参照图6,图6示出了一种可应用于本申请实施例中的电子设备的结构框图。电子设备10可以包括存储器101、存储控制器102、处理器103、外设接口104、输入输出单元105、显示单元107。
所述存储器101、存储控制器102、处理器103、外设接口104、输入输出单元105、显示单元107各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。至少一个软件或固件(firmware)存储于所述存储器101中或固化在操作系统(operating system,OS)中的软件功能模块。所述处理器103用于执行存储器101中存储的可执行模块,软件功能模块或计算机程序。
其中,存储器101可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器101用于存储程序,所述处理器103在接收到执行指令后,执行所述程序,前述本申请实施例任一实施例揭示的方法可以应用于处理器103中,或者由处理器103实现。
处理器103可以是一种集成电路芯片,具有信号的处理能力。上述的处理器103可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器103也可以是任何常规的处理器等。
所述外设接口104将各种输入/输出装置耦合至处理器103以及存储器101。在一些实施例中,外设接口104,处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
输入输出单元105用于提供给用户输入数据实现用户与所述电子设备10的交互。所述输入输出单元105可以是,但不限于,鼠标和键盘等。
显示单元107在所述电子设备10与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中,所述显示单元107可以是液晶显示器或触控显示器。若为触控显示器,其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作,并将该感应到的触控操作交由处理器103进行计算和处理。
可以理解,图6所示的结构仅为示意,所述电子设备10还可包括比图6中所示更多或者更少的组件,或者具有与图6所示不同的配置。图6中所示的各组件可以采用硬件、软件或其组合实现。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
综上所述,本申请实施例提供了一种道路气象预测方法、装置、电子设备及存储介质,方法包括:获取待测区域在第一未来时间段的天气预报信息;获取待测区域第一过去时间段的历史道路表面温度观测信息以及第二过去时间段的历史道路表面状况观测信息;根据待测区域的地理信息,利用预先建立的道路表面温度预测模型对天气预报信息、历史道路表面温度观测信息和历史道路表面状况观测信息进行处理,预测得到第二未来时间段的道路表面温度预测信息,第二未来时间段包含在第一未来时间段中。本申请实施例通过结合地理环境、天气预报信息、历史道路表面温度以及历史道路表面状况,同时利用建立的道路表面温度预测模型先对道路表面温度进行预测,可以更加准确地得到待测区域的道路表面温度预测信息。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
需要说明的是,功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。