CN114819501A - 一种公路交通气象物联网多源异构数据处理方法和系统 - Google Patents
一种公路交通气象物联网多源异构数据处理方法和系统 Download PDFInfo
- Publication number
- CN114819501A CN114819501A CN202210301681.XA CN202210301681A CN114819501A CN 114819501 A CN114819501 A CN 114819501A CN 202210301681 A CN202210301681 A CN 202210301681A CN 114819501 A CN114819501 A CN 114819501A
- Authority
- CN
- China
- Prior art keywords
- data
- meteorological
- highway
- traffic
- grid point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 238000001556 precipitation Methods 0.000 claims description 27
- 238000001514 detection method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 2
- 230000002411 adverse Effects 0.000 abstract description 3
- 238000007689 inspection Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000001757 thermogravimetry curve Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 241001513371 Knautia arvensis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种公路交通气象物联网多源异构数据处理方法和系统，该方法包括获取数据；对获取的区域气象站离散数据进行处理，生成公路沿线气象连续格点数据；根据公路交通气象监测站获取的实测气象数据，通过格点与距离最近的公路气象监测站建立回归方程，生成公路交通气象数据优化模型，提高公路沿线气象格点数据精度；将回归方程模型应用至公路沿线气象预报格点数据，提升预报格点数据精度。本发明可以综合运用各种类型的交通气象数据源，准确获取公路沿线交通气象监测和预报数据，提升公路交通气象监测预报精度，为不利天气条件下交通安全管控和行车安全提供支持。
Description
技术领域
本发明属于交通和气象灾害预报预警领域，尤其是一种公路交通气象物联网多源异构数据处理方法和系统。
背景技术
气象灾害是自然灾害中最为频繁而严重的灾害，占自然灾害的70％以上。气象因素对于陆地交通安全畅通有着举足轻重的影响，恶劣气候条件因其容易诱发交通事故、造成交通拥堵，已成为影响人民生命财产安全的主要原因，其频率之高、后果之严重、影响面之广，是其它领域的安全事故所不能比拟的，气象灾害防治越来越成为世界各国高度重视的问题。
基于高速公路交通事故对气象条件高度敏感性这一事实，迫切需要加强高速公路气象监测预报预警服务系统的建设，而公路气象预报信息系统作为国家交通(公路)信息服务平台的7大系统之一，其重要性正在不断被社会认可和提升。准确及时的道路交通天气预报预警服务是保障交通安全的重要举措，高速公路交通气象监测预报服务系统具有重要实用价值。
随着近年物联网、大数据产业的发展，物联网和大数据在各行各业中得到广泛应用。物联网在公路交通领域，可以实现包括交通气象条件在内的各类路域环境和公路运营状态的精准监测和信息互联传输，为交通安全运营和出行服务提供动态感知数据基础。大数据在公路交通领域，可解决长期以来存在的数据资源分散在各单位、各部门，数据账目不清晰、整合共享程度低，信息孤岛难以消除等问题，使得行业部门能较好的从顶层开展统一规划和利用，实现交通气象信息业务化、精准化的实际服务供给。借助大数据可进一步通过对物联网站点数据进行多分辨率插值和融合分析，增强了交通气象数据应用的准确性和时效性，实现了面向实际业务需求的监测数据预报、预警信息服务。
现有技术中，刘伟等发明一种基于通视距离监测的高速公路团雾预警系统和方法，该方法利用红外激光的定向性强和不干扰道路通勤的情况下测距，实现在公路狭长地段的团雾监测预警。杨潘发明了一种基于WebGIS的可视化智能交通监测预警系统，采用多种无线和有线的网络通信方式对分布在广域范围内的多个公路交通监测站远程管理，实现长期在恶劣野外环境工作。郭忠印等提出一种山区高速公路结冰环境预警系统及方法，解决公路范围内气象信息、路面状况信息、交通信息的不匹配问题。娄胜利等提出一种基于机器学习的跨海大桥雾监测系统及其应用方法，基于多源高时间分辨率遥感数据，结合相应高空间分辨率的遥感数据和大桥周边的气象站数据，利用大数据和机器学习技术，实现对大桥附近能见度情况监测，该方案减少能见度仪布设的成本，在保证安全的前提下保障了大桥的通勤能力。
上述现有技术多为针对团雾、结冰等某种具体道路高影响气象条件的监测预警方法，或针对公路交通气象监测站进行了远程可视化管理。
然而，目前交通气象数据来源广泛，除了公路交通气象监测站以外，还包括气象行业的各类监测站点，以及公路移动气象检测设备采集的实时气象数据，这些数据源的特点各不相同，例如：气象行业监测站点精度较高，分布较为广泛，但大多没有位于公路沿线，可将其插值后形成连续格点数据，反演至公路沿线，用于路网级别的实况监测与预报；公路交通气象监测站精度较高，位于公路沿线，但数量较少，可以用于公路断面监测，或与连续格点数据配合使用，提升连续格点数据精度；公路移动气象检测数据精度最高，但需人工外业作业，获取成本较高，适合作为标定数据或为某些特殊试验或验证使用。
单一的数据来源难以提升公路交通气象监测预报精度，不能够为不利天气条件下交通安全管控和行车安全提供支持。如何将上述多源异构数据整合、处理，提升精度，并加以应用，是目前急需解决的问题。
发明内容
为了解决上述问题，本发明提供一种公路交通气象物联网多源异构数据处理方法和系统，将各渠道获得的气象数据进行统一汇总，实现交通气象多源异构数据处理分析展示、预报预警与对外共享，为公路交通全天候通行提供高效、快速的专业气象服务。
本发明利用公路气象格点数据优化模型获得公路高精度气象预报的方法：利用生成的公路气象数据优化模型对公路沿线格点预报数据进行优化，提高公路沿线气象预报精度。
本发明的技术方案具体如下：
一种公路交通气象物联网多源异构数据处理方法，包括如下步骤：
步骤(1)获取数据，包括区域气象站和公路沿线交通气象监测站数据；
步骤(2)对获取到的区域气象站数据进行插值，获取气象格点数据，读取公路沿线插值数据；对上述处理后的气象数据进行整理，建立数据库；
步骤(3)建立优化模型，对公路沿线格点数据进行优化，生成高精度的公路交通气象格点实况和预报数据；
步骤(4)将优化后生成的公路沿线的气象格点数据用于多种类气象监控服务和生成不同的气象数据产品。
进一步地，步骤(1)之后还包括数据清洗，对数据中的缺测值、异常值进行剔除，并对数据进行审查和校验。
进一步地，步骤(1)中，区域气象站和公路交通气象监测站数据包括气温、降水量、能见度、风力风向信息；获取的数据还包括公路交通GIS基础数据遥感影像、行政划分图、高速路网、国省干线矢量图、气象灾害易发点视频数据和路网阻断历史的统计分析支持数据。
进一步地，步骤(2)中，对获取的区域气象站离散数据进行插值处理，并反演至公路沿线，得到公路沿线特定分辨率连续格点数据，采集公路沿线格点位置处实测气象数据，采用交叉验证法进行精度检验并确定插值模型。
进一步地，步骤(3)中，根据公路交通气象监测站获取的实测气象数据，通过格点与距离最近的公路气象监测站建立回归方程，生成公路交通气象数据优化模型，提高公路沿线气象格点数据精度；将回归方程模型应用至公路沿线气象预报格点数据，提升预报格点数据精度。
本发明还涉及的一种公路交通气象物联网多源异构数据处理系统，包括采集器和处理器；采集器获取数据，包括区域气象站和公路沿线交通气象监测站数据；
处理器对获取到的各种气象数据进行数据清洗和插值，获取气象格点数据，读取公路沿线插值数据；对上述处理后的气象数据进行整理，存入数据库；调用数据，建立优化模型，对公路沿线格点数据进行优化，生成的高精度的公路交通格点数据和预报数据。
本发明还涉及的一种计算机系统，包括存储器、处理器以及在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明还涉及的一种电子设备，包括存储器、处理器以及在存储器上，并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明还涉及一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如上述方法的步骤。
与现有技术相比，本发明的有益效果具体如下：
增加数据来源途径，避免数据来源单一，造成信息获取有误，相比传统方法数据获取可靠性高。本发明提出的优化模型对气象格点数据的优化效果较好，可明显提高格点数据精度。
本发明集成“交通气象数据处理分析”和“信息服务”两部分内容。在应用本发明时，公路管理部门可以综合运用各种类型的交通气象数据源，准确获取公路沿线交通气象监测和预报数据，提升公路交通气象监测预报精度，为不利天气条件下交通安全管控和行车安全提供支持。
本发明可进一步结合智慧公路交通系统，结合物联网和云计算技术特点，进一步深化公路交通气象实时监测和短临预警方法研究，构建交通气象监测预警指标体系与技术方案，进一步丰富和提升恶劣气象条件下公路交通气象精准监测和预报预警手段，提高恶劣天气公路应急管控和灾害处治能力。
附图说明
图1为本发明的系统的结构框图；
图2为本发明的方法的流程图；
图3为本发明的方法中数据优化模型生成流程图；
图4为本发明实施例具体应用的信息服务内容结构图；
图5为麻昭高速公路高分辨率高速公路热谱图；
图6为具体实例的交通运输天气预警专报。
具体实施方式
下面将结合本申请实施例中的附图，对实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另外定义，本申请实施例中使用的技术术语或者科学术语应当为所属领域内具有一般技能的人士所理解的通常意义。本实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。“上”、“下”、“左”、“右”、“横”以及“竖”等仅用于相对于附图中的部件的方位而言的，这些方向性术语是相对的概念，它们用于相对于的描述和澄清，其可以根据附图中的部件所放置的方位的变化而相应地发生变化。
如图1所示，本实施例的公路交通气象多源异构数据处理系统，包括采集器、处理器、存储器和显示器；
采集器采集区域气象站和公路沿线交通气象监测站数据，进行常规的数据解析、异常处理。
处理器进行数据清洗、标准化定义、数据检验、数据精度提升、叠加分析、时段分析、已积累历史数据分析。
显示器进行GIS信息展示、交通气象数据可视化、交通气象叠加结果展示；
外服系统作为接收处理后的数据的端口，具有传统的交通气象信息服务接口定制功能，通过标准化的行业服务接口实现数据共享。
标准化定义体现在接口和专报服务中，数据检验、精度提升、叠加分析、时段分析、已积累历史数据分析用于步骤7中，通过可视化模块，完成GIS信息展示，数据查询，将路网矢量数据、气象数据分级叠加，展现实时及未来数据。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。
这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
如图2所示，本实施例的公路交通气象多源异构数据处理方法，包括如下几个部分：
步骤1：获取数据
包括以下两类：交通气象数据和其他类数据。
交通气象数据主要来源是区域气象站(通常由气象部门提供)数据、公路交通气象监测站(通常由公路管理部门提供)数据。
交通气象数据重点关注对公路行车安全影响较大的数据类型，包括气温、降水量、能见度、风力风向信息等。
其他类数据还可以包括公路交通GIS基础数据遥感影像、行政划分图、高速路网、国省干线矢量图；气象灾害易发点视频数据和路网阻断历史的统计分析支持数据。此类数据用于后面数据服务，专报生成、软件服务中，根据实际需要进行选择。
步骤2：对收集到的气象数据进行清洗，对数据中的缺测值、异常值进行剔除，并对数据进行审查和校验。
对数据中的缺失值，根据缺失值的重要程度以及缺失值的分布情况选择方法。缺失率少且属性重要程度低的情况下，当属性为数值型数据则根据数据分布情况采用简单填充。属性为类别属性，则用一个全局常量‘Unknow’填充。对于缺失值高、属性重要程度高的数据，根据数据类型使用随机插值法或热平台插补进行填充。对于异常值处理，采用基于密度或者基于聚类的检测方法，找到异常值，采用删除或平均值替代方法对其处理。
通过数据清洗对接收到的数据进行消除数据异常的操作。
异常数据包括以下2种：1)信息格式有误无法解析的数据；2)不存在或无法正常访问的数据信息。
记录上述异常数据并通报管理员，对数据进行审查，修改和删除。
步骤3：对步骤2处理后的数据进行整理，建立数据库。
根据交通气象数据和其他数据的实际存储需求，同时考虑与第三方数据库进行数据传输与交互的需求，进行数据库设计，设计时要考虑后续的扩展能力。
步骤4：从数据库中提取区域气象站数据，选择不同插值方法进行插值，生成特定分辨率连续格点数据(例如：1kmx1km、3kmx3km、5kmx5km等)，反演至公路沿线，得到公路沿线连续格点插值数据。通过专用交通气象检测车辆，采集公路沿线格点位置处实测气象数据，采用交叉验证法进行精度检验并确定插值模型。
首先获得实测数据，获取实测数据方法：使用专用的气象检测车辆，获取公路沿线格点位置处的实测气象数据。
采用交叉验证法进行检验，用格点处插值与实测气象数据值的差对插值模型进行评判。
可用均方根误差ERMS作为评判标准。
式中ERMS为均方根误差；Za，i为第i格点的实测值；Ze，i为该格点插值，n为格点的站点数目。
选取出均方根误差最小的插值模型，作为该气象类型的插值模型。
步骤5：公路交通气象数据优化模型生成
根据公路交通气象监测站获取的实测气象数据，通过格点与距离最近的公路气象监测站建立回归方程构建模型，生成公路交通气象数据优化模型，对公路沿线格点数据进行优化，提高公路沿线气象格点数据精度。同样通过专用交通气象检测车辆采集公路沿线格点位置处实测气象数据，采用交叉验证法进行精度检验并确定回归方程模型。
结合图3进行说明，生成公路气象格点数据后，对公路沿线格网数据进行进一步的优化。
根据公路交通气象监测站点的数据，通过生成公路交通气象数据优化模型提高公路沿线气象格网的数据精度。
格点与距离最近的公路气象监测站建立回归方程构建模型。回归方程的准确性的高低与样本数量的多少有密切的关系；样本数量越多，得到的回归方程准确率就越高。选择自变量与因变量，格网点插值为自变量，公路气象监测站数据为因变量。公路气象监测站和格网点插值的历史数据作为样本进行回归分析，生成回归模型。
回归模型的种类较多，根据交通气象站的数目不同，选取不同的回归模型。回归模型的种类有：一元线性回归、多项式回归和多元回归法等。
利用最小二乘方法求得模型的参数值，最小二乘的目的是求得一个使得全局残差平方和最小的参数集，构建回归方程，生成公路气象格点数据优化模型。
模型检验
利用交通气象检测车辆获取特定时刻公路沿线格点处的气象信息，该数据作为对照集。计算同一时间回归方程对格点的优化结果。比对两者数据，确定回归方程。
步骤6：将回归方程模型应用至公路沿线气象预报格点数据，提升预报格点数据精度。
步骤7：通过上述步骤获取的公路交通实况与预报气象数据，通过数据接口、专报、软件模块等多种方式，在道路、路网甚至更大的时空范围内，为交通运输行业提供专业、稳定的交通气象信息服务。
利用生成的气象数据和相应路段的公路交通GIS基础数据遥感影像、行政划分图等，通过可视化模块，完成GIS信息展示，数据查询，将路网矢量数据、气象数据分级叠加，展现实时及未来数据。
结合图4，可提供信息服务实现对路况的实时监测，快捷获取公路各段的气象信息，如降水、强风和能见度。
针对降水的监测预警，短时强降水造成的低能见度对公路交通安全运营的危害较大。短时强降水的策略为：大范围趋势预报+强降水短临预警+实况跟踪+更新信息，具体预警预报流程如下：
大范围趋势预报：获取指定时间预报格点数据：1小时降水、3小时降水、6小时降水、12小时降水、24小时降水；获取指定时间起报任意点7天天气现象预报；结合气象局常规天气预报中预测降水天气出现的范围，生成路网大范围降水趋势预报。
强降水短临预警：从路网大范围降水趋势预报中筛选出可能发生强降水的路段，结合24小时强降水预报信息，预测未来24小时将会发生强降水的路段，考虑发布强降水预警；
强降水实况跟踪：发布强降水预警后，通过跟踪监测重点关注路段的5分钟雨量、10分钟雨量、1小时雨量、1小时能见度和逐5分钟的短临降水预报，对于布设有交通气象站的路段，跟踪观测交通气象站数据，综合分析、判断并及时做出进一步发布临近预报或取消预警预报的结论。
更新临近预报信息：当重点关注路段降水量超过警戒值，并且相邻时间的能见度出现下降趋势，同时根据逐5分钟的短临降水预报，若未来1小时降水量仍高于警戒值，则可考虑发布强降水的临近预报。临近预报时效在半小时左右，可根据分路段或分区预报。
应对大风处理策略为：大范围趋势预报+短临预警+实况跟踪+桥梁专题，具体预警预报流程如下：
大范围趋势预报：基于指定时间预测格点的顺时风、日最大风数据和指定时间起报任意点的7天天气现象预报数据，结合国家气象局常规天气预报中预测大风天气出现的范围，生成路网大范围风速趋势预报；
强风短临预警：当出现正常天气下风速≥15m/s，或者出现强冷空气风速≥10m/s时，可考虑发布强风预警；
强风实况跟踪：发布强风预警后，连续跟踪指定时间的顺时风、小时最大风、小时极大风、日最大风、日极大风实况格点数据，综合分析、判断并及时做出进一步发布临近预报或取消预警预报的结论。
特大桥梁大风预警专题：生成单独形成针对典型特大桥梁的大风预警专题，对桥梁上的风力进行监测。
低能见度处理策略为：大范围趋势预报+短临预警+实况跟踪更新信息，具体预警预报流程如下：
大范围趋势预报：基于指定时间预测格点的能见度、日最低能见度、湿度、气温、风速数据和指定时间起报任意点7天天气现象预报获取的未来能见度预报信息，结合国家气象局常规天气预报中预测低能见度天气出现的范围，生成路网大范围能见度趋势预报；
低能见度短临预警：从路网大范围能见度趋势预报中筛选出可能发生低能见度的路段，结合道路的24、48、72小时浓雾预报，预测未来24小时将会发生低能见度的路段，考虑发布低能见度预警；
低能见度实况跟踪+信息更新：发布低能见度预警后，应根据指定时间格点的小时最低能见度、日最低能见度、湿度、气温、风速实况数据跟踪监测重点关注路段的有关气象要素，综合分析、判断并及时做出进一步发布临近预报或取消预警预报的结论。
通过上述步骤获取的公路交通实况与预报气象数据，进行交通气象信息服务接口定制，通过标准化的数据接口、专报、软件模块等多种方式实现数据共享。在道路、路网甚至更大的时空范围内，为交通运输行业提供专业、稳定的交通气象信息服务。
数据接口服务：通过交通行业专网与公网，以API服务调用方式，为行业用户提供专业交通气象信息服务。如交通气象站点数据查询服务、路网交通气象监测预警预报信息服务等。
专报服务：指根据实际业务需求，制作交通气象信息专报，例如目前为公安部门制作的《交通运输天气预警》、《重大交通气象灾害预警》等。
软件服务：以定制开发形式，作为独立模块/软件整体嵌入第三方系统平台。
作为具体应用实例，本实施例的方法：
实验数据来源：2021年8月11日至2021年8月23日，13天的经数据清洗后的云南麻昭高速公路气温数据。数据包括公路沿线1kmx1km气象插值格点数据和麻昭高速沿线交通气象监测站的气温数据，以及2021年8月25日麻昭高速沿线气象预报数据。
以气温数据说明模型建立过程。选取麻昭高速前中后段三处气象监测站及与之最近的格点上午11时气温数据，三处气象站分别为麻昭高速沿线牛家沟大桥K1697+850、昭阳特大桥K1742+550和小海子大桥K1783+000气象监测站。具体数据如下：
表1牛家沟大桥K1697+850处及最近格点气温数据(℃)
| 日期 | 8.11 | 8.12 | 8.13 | 8.14 | 8.15 | 8.16 | 8.17 | 8.18 | 8.19 | 8.20 |
| 监测站数据 | 27.3 | 24.8 | 28.5 | 29.6 | 23.9 | 28.7 | 28.8 | 27.2 | 23.1 | 25.2 |
| 格点气象数据 | 26.4 | 22.8 | 26.8 | 27.4 | 22.9 | 27.1 | 26.5 | 25.3 | 20.1 | 22.3 |
表2昭阳特大桥K17742+550处及最近格点气温数据(℃)
| 日期 | 8.11 | 8.12 | 8.13 | 8.14 | 8.15 | 8.16 | 8.17 | 8.18 | 8.19 | 8.20 |
| 监测站数据 | 25.3 | 27.8 | 26.5 | 27.6 | 26.9 | 27.7 | 26.8 | 25.4 | 24.4 | 26.6 |
| 格点气象数据 | 25.4 | 26.8 | 27.8 | 27.4 | 24.9 | 25.1 | 25.5 | 23.3 | 22.1 | 28.2 |
表3小海子大桥K1783+000处及最近格点气温数据(℃)
利用最小二乘原理建立回归方程。如下
y＝0.714x+6.5677；
公式中y为公路气象监测站处气温值，x为格点数据值。
数据检验
利用该模型对公路沿线各气象格点进行处理，检验模型效果。
检验数据通过气象检测车辆获取公路实况气象数据进行采集。
随机选择麻昭高速公路沿线5个格点，获取其8月21日至8月23日的温度数据。使用模型对其数据进行优化，同时使用气象检测车辆获取其同一时间的实地气温数据作为检验值，对模型精度进行检验，具体数据如下：
表4 8月21日至8月23日格点实况温度数据优化结果(℃)
此处通过均方根误差对数据进行检验。
式中ERMS为均方根误差；Za，i为格点气象数据或模型优化值；Ze，i为实测值，n为天数。
分别计算格点气象数据和模型优化后数据的均方根误差，原始格点气象数据均方根误差分别为0.61、0.74、1.10、0.99、0.74；模型优化后格点数据均方根误差分别为0.141、0.141、0.52、0.41、0.45。
通过数据比较可得到如下结论：
通过生成模型，对格点数据进行优化，可对公路沿线的格点数据进行优化，提高其数据准确性。后期通过增加样本数量，模型精度可进一步得到提高。
同理，可生成降水、能见度和风速数据相对应的优化模型，对格点数据处理。
将模型推广应用于预报格点数据中，对气象格点数据预报精度进行提高，以下进行举例。数据选取2021年8月25日麻昭高速公路沿线五处格点的气温预报数据，使用模型对其进行优化。在8月25日当天使用气象监测车辆在格点实际位置处进行实测结果进行检验，具体结果如下：
表5 8月25日格点预测温度数据优化结果(℃)
| 格点 | A | B | C | D | E |
| 预报温度 | 24.7 | 26.5 | 23.8 | 27.7 | 25.1 |
| 模型优化后结果 | 24.2 | 25.5 | 23.6 | 26.3 | 24.5 |
| 实测温度 | 24.4 | 25.7 | 23.2 | 26.8 | 24.2 |
路段温度检测
上述气温模型建立的公路沿线高精度热谱地图，实现连续路面温度监测预警预报。该方法可有效监测道路情况，应用于公路安全保障，解决冬季交管部门关注的“暗冰”问题，满足精细化交通气象保障服务需求。
创建的麻昭高速公路高分辨率高速公路热谱图，如图5所示，将其与高速公路交通气象监测站网结合，形成麻昭高速路网温度监测预警预报产品。此项技术成果可为管理处开展道路养护作业、冬季融雪除冰以及布站选址建议等工作提供科学依据。
监测预警流程如下：
若热谱地图显示公路某段气温≥35，结合云南省气象局发布的公路沿线地方天气预报，天气预报为晴热，总云量≤5，可发布极端高温预警预报。
路面高温预报：结合公路沿线气象监测站的路温监测数据，发布路面高温预警预报。当路面温度>55℃、气温≥35℃时，发布预警预报。
高温实况跟踪：当发布预报后，应根据实时气温格点数据和交通气象站路面温度监测数据，连续跟踪监测有关温度要素，如考虑天气条件不利于在预报时段和地段内出现高温时应及时解除预警、预报。
降雪、冰冻预报：基于未来时间的公路沿线温度格点预报信息，根据地方气象局常规天气预报，当有强冷空气南下，省内有大范围降温，气温将降至1–2℃，并且有降水时，可考虑发布降雪、冰冻预警。
路面结冰预警：结合路面实时格点气温数据信息，发布路面结冰预警预报。对于布设有交通气象站的路段，读取路面状态检测信息，当检测到路面结冰时，发布预警。
路面积雪预警：当重点关注路段对应的站点及格点有持续性中到大雪时，应考虑公路路面积雪，并实时监测沿线交通站的积雪深度。
路网气象预警
此处以云南省高速公路及主要省国道干线2021年1月18日至1月22日降雨预警专报为例，如图6所示。专报制作思路为：获取未来降水预报信息，结合省气象局常规天气预报中预测降水天气出现的范围，生成全省路网大范围降水趋势预报。
降水信息获取，获取云南全省公路沿线的降水预报数据。从数据库中获取云南省1月18日至1月22日连续四日公路沿线降雨预报格点数据，获取省气象局1月18日至1月22日全省降水预报信息。
数据统计
对数据进行统计分类，计算各段公路四日累计降水量，根据降水量对全省公路进行分类，结合省气象局的全省降水预报数据，发布各段公路未来降水信息。
生成专报数据。
根据数据统计情况绘制预警专报。专报底图选择云南省公路交通1:500万交通线划图数据。根据数据统计结果在底图添加相应内容，突出表现降水较大线路及事故高发路段，通知各部门做出相应措施。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种公路交通气象物联网多源异构数据处理方法，其特征在于：包括如下步骤：
步骤（1）获取数据，包括区域气象站和公路沿线交通气象监测站数据；
步骤（2）对获取到的区域气象站数据进行插值，获取气象格点数据，读取公路沿线插值数据；对上述处理后的气象数据进行整理，建立数据库；
步骤（3）建立优化模型，对公路沿线格点数据进行优化，生成高精度的公路交通气象格点实况和预报数据；
步骤（4）将优化后生成的公路沿线的气象格点数据用于多种类气象监控服务和生成不同的气象数据产品。
2.根据权利要求1所述的方法，其特征在于：步骤（1）之后还包括数据清洗，对数据中的缺测值、异常值进行剔除，并对数据进行审查和校验。
3.根据权利要求1所述的方法，其特征在于：步骤（1）中，区域气象站和公路交通气象监测站数据包括气温、降水量、能见度、风力风向信息；获取的数据还包括公路交通GIS基础数据遥感影像、行政划分图、高速路网、国省干线矢量图、气象灾害易发点视频数据和路网阻断历史的统计分析支持数据。
4.根据权利要求1所述的方法，其特征在于：步骤（2）中，对获取的区域气象站离散数据进行插值处理，并反演至公路沿线，得到公路沿线特定分辨率连续格点数据，采集公路沿线格点位置处实测气象数据，采用交叉验证法进行精度检验并确定插值模型。
5.根据权利要求1所述的方法，其特征在于：步骤（3）中，根据公路交通气象监测站获取的实测气象数据，通过格点与距离最近的公路气象监测站建立回归方程，生成公路交通气象数据优化模型，提高公路沿线气象格点数据精度；将回归方程模型应用至公路沿线气象预报格点数据，提升预报格点数据精度。
6.一种公路交通气象物联网多源异构数据处理系统，其特征在于：包括采集器和处理器；采集器获取数据，包括区域气象站和公路沿线交通气象监测站数据；
处理器对获取到的各种气象数据进行数据清洗和插值，获取气象格点数据，读取公路沿线插值数据；对上述处理后的气象数据进行整理，存入数据库；调用数据，建立优化模型，对公路沿线格点数据进行优化，生成的高精度的公路交通格点数据和预报数据。
7.一种计算机系统，包括存储器、处理器以及在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现上述权利要求1至5中任一所述方法的步骤。
8.一种电子设备，包括存储器、处理器以及在存储器上，并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现上述权利要求1至5中任一所述方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于：该计算机程序被处理器执行时，实现如权利要求1至5中任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210301681.XA CN114819501B (zh) | 2022-03-25 | 2022-03-25 | 一种公路交通气象物联网多源异构数据处理方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210301681.XA CN114819501B (zh) | 2022-03-25 | 2022-03-25 | 一种公路交通气象物联网多源异构数据处理方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114819501A true CN114819501A (zh) | 2022-07-29 |
| CN114819501B CN114819501B (zh) | 2023-09-15 |
Family
ID=82530076
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210301681.XA Active CN114819501B (zh) | 2022-03-25 | 2022-03-25 | 一种公路交通气象物联网多源异构数据处理方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114819501B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521403A (zh) * | 2011-12-26 | 2012-06-27 | 南京成风大气信息技术有限公司 | 精细化气象信息服务系统 |
| CN108227041A (zh) * | 2017-12-27 | 2018-06-29 | 中国海洋大学 | 基于站点实测数据和模式结果的水平能见度预报方法 |
| CN110044373A (zh) * | 2019-05-27 | 2019-07-23 | 北京气象在线科技有限公司 | 一种精细化交通气象服务信息生成方法 |
| CN110211325A (zh) * | 2019-06-27 | 2019-09-06 | 上海同望信息技术有限公司 | 一种基于气象大数据的区域道路结冰高精度监测预警系统 |
| CN113159714A (zh) * | 2021-04-01 | 2021-07-23 | 国网河南省电力公司电力科学研究院 | 一种面向电网的气象数据订正方法 |
| CN113222019A (zh) * | 2021-05-13 | 2021-08-06 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 输电线路杆塔的气象预报数据处理方法、装置、设备 |
| CN113298295A (zh) * | 2021-05-06 | 2021-08-24 | 国网河南省电力公司电力科学研究院 | 一种面向电力生产的气象预报系统 |
| CN114004137A (zh) * | 2021-09-22 | 2022-02-01 | 国网河北省电力有限公司 | 一种多源气象数据融合与预处理方法 |
-
2022
- 2022-03-25 CN CN202210301681.XA patent/CN114819501B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521403A (zh) * | 2011-12-26 | 2012-06-27 | 南京成风大气信息技术有限公司 | 精细化气象信息服务系统 |
| CN108227041A (zh) * | 2017-12-27 | 2018-06-29 | 中国海洋大学 | 基于站点实测数据和模式结果的水平能见度预报方法 |
| CN110044373A (zh) * | 2019-05-27 | 2019-07-23 | 北京气象在线科技有限公司 | 一种精细化交通气象服务信息生成方法 |
| CN110211325A (zh) * | 2019-06-27 | 2019-09-06 | 上海同望信息技术有限公司 | 一种基于气象大数据的区域道路结冰高精度监测预警系统 |
| CN113159714A (zh) * | 2021-04-01 | 2021-07-23 | 国网河南省电力公司电力科学研究院 | 一种面向电网的气象数据订正方法 |
| CN113298295A (zh) * | 2021-05-06 | 2021-08-24 | 国网河南省电力公司电力科学研究院 | 一种面向电力生产的气象预报系统 |
| CN113222019A (zh) * | 2021-05-13 | 2021-08-06 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 输电线路杆塔的气象预报数据处理方法、装置、设备 |
| CN114004137A (zh) * | 2021-09-22 | 2022-02-01 | 国网河北省电力有限公司 | 一种多源气象数据融合与预处理方法 |
Non-Patent Citations (2)
| Title |
|---|
| 鹿业涛等: "基于GIS的全国交通道路气象信息反演算法研究", 《第30届中国气象学会年会论文集》 * |
| 鹿业涛等: "基于GIS的全国交通道路气象信息反演算法研究", 《第30届中国气象学会年会论文集》, 9 June 2014 (2014-06-09), pages 1 - 6 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114819501B (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112070286B (zh) | 复杂地形流域的降水预报预警系统 | |
| KR100899243B1 (ko) | 지아이에스를 이용한 재해 상황 분석 시스템 및 그 방법 | |
| CN108646319A (zh) | 一种短时强降雨预报方法及系统 | |
| Liu et al. | A comprehensive risk analysis of transportation networks affected by rainfall‐induced multihazards | |
| Shao et al. | The application of big data in the analysis of the impact of urban floods: A case study of Qianshan River Basin | |
| Zhou et al. | Real‐time prediction and ponding process early warning method at urban flood points based on different deep learning methods | |
| Kurte et al. | Regional-scale spatio-temporal analysis of impacts of weather on traffic speed in Chicago using probe data | |
| Fior et al. | Correlating extreme weather conditions with road traffic safety: A unified latent space model | |
| Murdock et al. | Climate Extremes in the Canadian Columbia Basin: a preliminary assessment | |
| CN114819501B (zh) | 一种公路交通气象物联网多源异构数据处理方法和系统 | |
| Zhang et al. | Spatiotemporal characteristics of regional precipitation events in the Jing‐Jin‐Ji region during 1989–2018 | |
| Jamal et al. | A Generalized Accelerated Failure Time Model to Predict Restoration Time from Power Outages | |
| Liu et al. | Variations of extreme precipitation events with sub-daily data: a case study in the Ganjiang River basin | |
| KR102308748B1 (ko) | 폭우 재해취약성 분석 고도화 시스템 | |
| CN114664041A (zh) | 一种基于深度学习的多传感器融合预警预测方法 | |
| Pasqualini et al. | Electric Power Outage Forecasting: Model | |
| Zhang et al. | Sustainable effect of coal mining on hydrological drought risk: a case study on Kuye river basin, China | |
| Fior et al. | Estimating the incidence of adverse weather effects on road traffic safety using time series embeddings | |
| CN112365563A (zh) | 降雨频率图集数字化和暴雨高风险区划可视化分析系统 | |
| Kršmanc et al. | METRo Model Testing at Slovenian Road Weather Stations and Suggestions for Further Improvements | |
| CN111160608A (zh) | 极端降水天气指数的应用方法、应用系统、电子设备及存储介质 | |
| Lin et al. | Revealing the spatial variation in vehicle travel time with weather and driver travel frequency impacts: Findings from the Guangdong–Hong Kong–Macao Greater Bay Area, China | |
| Sears | Flooding from the Ground Up: An Analysis of Rain and River Behavior on the North Shore of Kaua ‘i | |
| Wong | Advances in Kriging-Based Modelling Approaches of Winter Weather Vehicular Collisions–A Region-Wide Geostatistical Investigation | |
| Baldwin et al. | Automated estimation of winter driving conditions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 650000 Yunnan province Kunming City Road No. 9 Xiang Shi Tuo Patentee after: Yunnan Provincial Transportation Planning and Design Research Institute Co.,Ltd. Country or region after: China Address before: No. 9, Shuangfeng Road, Guandu District, Kunming, Yunnan 650200 Patentee before: BROADVISION ENGINEERING CONSULTANTS Country or region before: China |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240322 Address after: 650000 Yunnan province Kunming City Road No. 9 Xiang Shi Tuo Patentee after: Yunnan Provincial Transportation Planning and Design Research Institute Co.,Ltd. Country or region after: China Patentee after: YUNNAN COMMUNICATIONS INVESTMENT & CONSTRUCTION GROUP CO.,LTD. Address before: 650000 Yunnan province Kunming City Road No. 9 Xiang Shi Tuo Patentee before: Yunnan Provincial Transportation Planning and Design Research Institute Co.,Ltd. Country or region before: China |