CN116955964B - 一种连续路面气象状况分析及推演方法 - Google Patents

一种连续路面气象状况分析及推演方法 Download PDF

Info

Publication number
CN116955964B
CN116955964B CN202311207523.9A CN202311207523A CN116955964B CN 116955964 B CN116955964 B CN 116955964B CN 202311207523 A CN202311207523 A CN 202311207523A CN 116955964 B CN116955964 B CN 116955964B
Authority
CN
China
Prior art keywords
road surface
monitoring station
weather
target detection
preset target
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.)
Active
Application number
CN202311207523.9A
Other languages
English (en)
Other versions
CN116955964A (zh
Inventor
张振东
周雪城
黄亮
张迪
李英伟
肖瑶
朱承瑛
孙家清
肖鹏飞
田小毅
杨茜茜
姜荣升
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Meteorological Service Center
Original Assignee
Jiangsu Meteorological Service Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Meteorological Service Center filed Critical Jiangsu Meteorological Service Center
Priority to CN202311207523.9A priority Critical patent/CN116955964B/zh
Publication of CN116955964A publication Critical patent/CN116955964A/zh
Application granted granted Critical
Publication of CN116955964B publication Critical patent/CN116955964B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Hydrology & Water Resources (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种连续路面气象状况分析及推演方法，首先构建目标路段中全部各采集点分别对应的路温差异特征；接着构建各采集点相对各气象监测站的分组对应关系，以及获得各采集点分别相对其对应气象监测站的关系权重值；然后获得目标路段上全部各采集点位置分别对应预设目标检测时刻的路面温度、降水量；最后分天气情况分析，实现对目标路段的路面积水量检测，在实际应用中，利用路面气象状况模态推演技术，连续、高精确地实现目标路段对应目标检测时刻的路面气象检测，填补现有路面状况精度不足和判断不准确的缺陷，为交通和交管部门提供准确的冬季夜间路面状况信息，及时采取相应道路管制措施。

Description

一种连续路面气象状况分析及推演方法
技术领域
本发明涉及一种连续路面气象状况分析及推演方法，属于道路气象监测技术领域。
背景技术
雨、雪、冰冻等恶劣天气对道路交通安全和通行效率造成了巨大影响，传统路面气象状况主要依靠人工和固定仪器设备判别，存在着误差大、设备成本高、监测范围有限等缺陷。路面气象状况识别技术旨在帮助公路、交通、交管部门及时发现并定位结冰、积雪等不良路况，是路面维护及管理工作中的重要决策依据。高效的路面气象状况监测技术对保障公路交通安全，提高公路交通系统的信息化程度具有重大意义。
传统热谱地图技术主要针对路面温度进行高时空分辨率的反演，但路面温度无法直接反应路面气象状况的变化情况，因此路面气象状况的高时空分辨率推演技术是目前道路管理中亟需解决的问题。
发明内容
本发明所要解决的技术问题是提供一种连续路面气象状况分析及推演方法，采用全新设计逻辑，填补现有路面状况判断和预警能力不足的缺陷，为交通和交管部门提供准确的冬季夜间路面状况信息，及时采取相应道路管制措施。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种连续路面气象状况分析及推演方法，基于沿目标路段依次预先布设的各个采集点，执行如下步骤A至步骤E，对目标路段实现固态积水量检测；
步骤A.构建目标路段中全部各采集点分别对应的路温差异特征，然后进入步骤B；
步骤B.基于目标路段上各采集点位置所预先布设的预设数量个气象监测站，将其余各个采集点位置划归到各气象监测站，构建其余各个采集点相对各气象监测站的分组对应关系，然后进入步骤C；其中，气象监测站的数量小于采集点的数量；
步骤C.根据预设各因素，获得除各气象监测站位置以外各采集点分别相对其对应气象监测站的关系权重值，然后进入步骤D；
步骤D.各个气象监测站分别获得其所在位置对应预设目标检测时刻的路面温度、降水量，并获得各个气象监测站分别所对应各采集点对应预设目标检测时刻的路面温度、降水量，即获得目标路段上全部各采集点位置分别对应预设目标检测时刻的路面温度、降水量，然后进入步骤E；
步骤E.分天气情况分析，获得目标路段上全部各采集点位置分别对应预设目标检测时刻的路面积水量，并剔除其中的异常值，将剩余各路面积水量分别对应于目标路段上相应各采集点位置，实现对目标路段的路面积水量检测。
作为本发明的一种优选技术方案：所述步骤A中，获得目标路段中全部各采集点分别对应相同时间阶段的路面温度，并基于全部各采集点路面温度之间的平均值，获得各采集点路面温度分别相较该平均值之间的差值，构成目标路段中全部各采集点分别对应的路温差异特征。
作为本发明的一种优选技术方案：所述步骤B中，基于目标路段上各采集点位置所预先布设的预设数量个气象监测站，根据相邻两气象监测站之间路段彼此对半区域划分、并划归至对应侧气象监测站，构建气象监测站与其对应区域中各采集点之间对应关系，结合两端部气象监测站外侧方向的各采集点划归至其对应侧端部气象监测站，构建其余各个采集点相对各气象监测站的分组对应关系。
作为本发明的一种优选技术方案：所述步骤C中，分别针对除各气象监测站位置以外的各采集点，根据预设各因素包括采集点相距其对应气象监测站的地理位置距离、采集点相较其对应气象监测站的海拔位置差值、采集点所对应预设各环境类别下的预设值，结合预设各关系权重值对应的预设各分类类别，应用预训练好以采集点所对应各因素的值为输入，采集点所对应关系权重值为输出的采集点分类模型，获得采集点相对其所对应气象监测站的关系权重值，进而获得除各气象监测站位置以外各采集点分别相对其对应气象监测站的关系权重值。
作为本发明的一种优选技术方案：所述步骤D中，若预设目标检测时刻为自当前时刻起向历史时间方向中的时刻，则各个气象监测站分别检测获得其所在位置对应该时刻的路面温度、降水量，即构成对应预设目标检测时刻的路面温度Ts、降水量Pr；
若预设目标检测时刻为未到来的未来时刻，则基于各个气象监测站分别检测获得其所在位置对应当前时刻、以及历史时刻的各路面温度、各降水量，预测获得各个气象监测站所在位置分别对应未来时刻的路面温度、降水量，即构成各个气象监测站所在位置分别对应预设目标检测时刻的路面温度Ts、降水量Pr。
作为本发明的一种优选技术方案：所述步骤D中，基于预设目标检测时刻为未到来的未来时刻，按如下三种方法中的任意一种，获得各个气象监测站所在位置分别对应预设目标检测时刻的路面温度Ts；
方法1.则基于各个气象监测站分别检测获得其所在位置对应当前时刻t1的各路面温度Ts(t1)，分别针对各个气象监测站，执行如下操作：
首先按如下公式：
计算获得气象监测站对应当前时刻t1的地表热通量G(t1)，其中，表示路面热传导方程，ρ、c、T表示分别与气象监测站所在路面材质的密度、热容、温度相关的参数；Rn表示净辐射；H表示感热通量；γE表示潜热通量；
接着建立气象监测站对应当前时刻t1的路面温度Ts(t1)与G(t1)之间的关系如下：
其中，Cpd为道路路表层的比热；
然后，对上式关系进行时间差分，获得如下：
即根据Ts(t1)，预测获得气象监测站所在位置对应未来时刻t2的路面温度Ts(t2)；
进而获得各个气象监测站所在位置分别对应未来时刻t2的路面温度Ts(t2)，即构成各个气象监测站所在位置分别对应预设目标检测时刻的路面温度Ts；
方法2.基于以预设分类网路模型为基础，结合加权交叉熵损失函数，应用AdaBoost方法训练所获以气象监测站检测所获其所在位置对应预设各历史时刻下路面温度、以及预设各其他类型气象属性为输入，以气象监测站检测所获其所在位置对应未来时刻下路面温度为输出的路面温度预测模型，根据各个气象监测站分别检测获得其所在位置对应各历史时刻下的各路面温度、以及预设各其他类型气象属性，应用路面温度预测模型，预测获得气象监测站所在位置对应未来时刻的路面温度，即获得各个气象监测站所在位置分别对应未来时刻的路面温度，即构成各个气象监测站所在位置分别对应预设目标检测时刻的路面温度Ts；
方法3.分别针对各个气象监测站，基于气象监测站所在位置对应历史时刻下的连续路面温度变化，针对基于时间序列分析的ARIMA模型进行拟合，获得该气象监测站所对应的气象预测模型，进而应用气象预测模型，预测获得该气象监测站所在位置对应未来时刻的路面温度，即获得各个气象监测站所在位置分别对应未来时刻的路面温度，即构成各个气象监测站所在位置分别对应预设目标检测时刻的路面温度Ts。
作为本发明的一种优选技术方案：所述步骤D中，基于预设目标检测时刻为未到来的未来时刻，则基于各个气象监测站分别检测获得其所在位置对应当前时刻t1的降水量Pr(t1)，通过基于双偏振多普勒雷达外推方法，预测获得各个气象监测站所在位置分别对应未来时刻t2的降水量Pr(t2)，即构成各个气象监测站所在位置分别对应预设目标检测时刻的降水量Pr。
作为本发明的一种优选技术方案：所述步骤D中，基于各个气象监测站分别所在位置对应预设目标检测时刻的路面温度Ts，分别针对各个气象监测站所对应的各采集点，按如下公式：
获得各个气象监测站分别所对应各采集点对应预设目标检测时刻的路面温度Tsi，其中，表示采集点所对应气象监测站位置的路温差异特征，/>表示采集点所对应的路温差异特征，γ表示采集点相对其对应气象监测站的关系权重值。
作为本发明的一种优选技术方案：所述步骤D中，基于各个气象监测站分别获得其所在位置对应预设目标检测时刻的降水量Pr，根据气象监测站所在路段上空雷达反射率因子Z与气象监测站实况降水量之间建立的Z-I关系，推算获得各个气象监测站分别所对应各采集点对应预设目标检测时刻的降水量Pri。
作为本发明的一种优选技术方案：所述步骤E中，若预设目标检测时刻为自当前时刻起向历史时间方向中的时刻，则分别针对目标路段上的各采集点位置，做如下分天气情况分析：
天气情况1).当采集点位置对应预设目标检测时刻的路面温度Tsi＞0时，进一步分析若采集点所对应气象监测站所在位置对应预设目标检测时刻的降水量Pr＞0、或者采集点所对应气象监测站所在位置的路面状况判识为潮湿时，则判定采集点位置有降水发生，按如下公式：
Wri＝Pri-E-k
获得采集点位置对应预设目标检测时刻的路面积水量Wri，其中，Pri为采集点位置对应预设目标检测时刻的降水量，E为蒸发量，k为径流量；
天气情况2).当采集点位置对应预设目标检测时刻的路面温度Tsi＝0时，进一步分析若采集点所对应气象监测站所在位置对应预设目标检测时刻的降水量Pr＞0、或者采集点所对应气象监测站所在位置的路面状况判识为潮湿、结冰或积雪时，则判定采集点位置有降雪或结冰情况发生，按如下公式：
获得采集点位置对应预设目标检测时刻的路面积水量Wri，其中，R为净辐射通量，Lf为水的融化热，Gl为地表向地下的热通量；
天气情况3).当采集点位置对应预设目标检测时刻的路面温度Tsi＜0时，进一步分析若采集点所对应气象监测站所在位置对应预设目标检测时刻的降水量Pr＞0、或者采集点所对应气象监测站所在位置的路面状况判识为结冰或积雪时，则判定采集点位置有降雪或结冰情况发生，按如下公式：
获得采集点位置对应预设目标检测时刻的路面积水量Wri；
天气情况4).除上述天气情况1)、天气情况2)、天气情况3)以外，则判定采集点位置无降水、降雪或结冰情况发生，获得采集点位置对应预设目标检测时刻的路面积水量Wri＝0；
若预设目标检测时刻为未到来的未来时刻，则分别针对目标路段上的各采集点位置，做如下分天气情况分析：
天气情况1).当采集点位置对应预设目标检测时刻的路面温度Tsi＞0时，进一步分析若采集点所对应气象监测站所在位置对应预设目标检测时刻的降水量Pr＞0时，则判定采集点位置有降水发生，按如下公式：
Wri＝Pri-E-k
获得采集点位置对应预设目标检测时刻的路面积水量Wri，其中，Pri为采集点位置对应预设目标检测时刻的降水量，E为蒸发量，k为径流量；
天气情况2).当采集点位置对应预设目标检测时刻的路面温度Tsi＝0时，进一步分析若采集点所对应气象监测站所在位置对应预设目标检测时刻的降水量Pr＞0时，则判定采集点位置有降雪或结冰情况发生，按如下公式：
获得采集点位置对应预设目标检测时刻的路面积水量Wri，其中，R为净辐射通量，Lf为水的融化热，Gl为地表向地下的热通量；
天气情况3).当采集点位置对应预设目标检测时刻的路面温度Tsi＜0时，进一步分析若采集点所对应气象监测站所在位置对应预设目标检测时刻的降水量Pr＞0时，则判定采集点位置有降雪或结冰情况发生，按如下公式：
获得采集点位置对应预设目标检测时刻的路面积水量Wri；
天气情况4).除上述天气情况1)、天气情况2)、天气情况3)以外，则判定采集点位置无降水、降雪或结冰情况发生，获得采集点位置对应预设目标检测时刻的路面积水量Wri＝0。
本发明所述一种连续路面气象状况分析及推演方法，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明所设计一种连续路面气象状况分析及推演方法，首先构建目标路段中全部各采集点分别对应的路温差异特征；接着构建各采集点相对各气象监测站的分组对应关系，以及获得各采集点分别相对其对应气象监测站的关系权重值；然后获得目标路段上全部各采集点位置分别对应预设目标检测时刻的路面温度、降水量；最后分天气情况分析，实现对目标路段的路面积水量检测，在实际应用中，利用路面气象状况模态推演技术，连续、高精确地实现目标路段对应目标检测时刻的路面气象检测，填补现有路面状况精度不足和判断不准确的缺陷，为交通和交管部门提供准确的冬季夜间路面状况信息，及时采取相应道路管制措施。
附图说明
图1是本发明设计连续路面气象状况分析方法的流程示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明所设计一种连续路面气象状况分析及推演方法，基于沿目标路段依次预先布设的各个采集点，执行如下步骤A至步骤E，对目标路段实现固态积水量检测。
步骤A.获得目标路段中全部各采集点分别对应相同时间阶段的路面温度，并基于全部各采集点路面温度之间的平均值，获得各采集点路面温度分别相较该平均值之间的差值，构成目标路段中全部各采集点分别对应的路温差异特征，然后进入步骤B。
步骤B.基于目标路段上各采集点位置所预先布设的预设数量个气象监测站，根据相邻两气象监测站之间路段彼此对半区域划分、并划归至对应侧气象监测站，构建气象监测站与其对应区域中各采集点之间对应关系，结合两端部气象监测站外侧方向的各采集点划归至其对应侧端部气象监测站，构建其余各个采集点相对各气象监测站的分组对应关系，然后进入步骤C；其中，气象监测站的数量小于采集点的数量。
步骤C.分别针对除各气象监测站位置以外的各采集点，根据预设各因素包括采集点相距其对应气象监测站的地理位置距离、采集点相较其对应气象监测站的海拔位置差值、采集点所对应预设各环境类别下的预设值，结合预设各关系权重值对应的预设各分类类别，应用预训练好以采集点所对应各因素的值为输入，采集点所对应关系权重值为输出的采集点分类模型，获得采集点相对其所对应气象监测站的关系权重值，进而获得除各气象监测站位置以外各采集点分别相对其对应气象监测站的关系权重值，然后进入步骤D。
步骤D.各个气象监测站分别获得其所在位置对应预设目标检测时刻的路面温度、降水量，并获得各个气象监测站分别所对应各采集点对应预设目标检测时刻的路面温度、降水量，即获得目标路段上全部各采集点位置分别对应预设目标检测时刻的路面温度、降水量，然后进入步骤E。
上述步骤D在实际应用当中，若预设目标检测时刻为自当前时刻起向历史时间方向中的时刻，则各个气象监测站分别检测获得其所在位置对应该时刻的路面温度、降水量，即构成对应预设目标检测时刻的路面温度Ts、降水量Pr；若预设目标检测时刻为未到来的未来时刻，则基于各个气象监测站分别检测获得其所在位置对应当前时刻、以及历史时刻的各路面温度、各降水量，预测获得各个气象监测站所在位置分别对应未来时刻的路面温度、降水量，即构成各个气象监测站所在位置分别对应预设目标检测时刻的路面温度Ts、降水量Pr。
这里关于预设目标检测时刻为未到来的未来时刻，按如下三种方法中的任意一种，获得各个气象监测站所在位置分别对应预设目标检测时刻的路面温度Ts。
方法1.基于各个气象监测站分别检测获得其所在位置对应当前时刻t1的各路面温度Ts(t1)，分别针对各个气象监测站，执行如下操作：
首先按如下公式：
计算获得气象监测站对应当前时刻t1的地表热通量G(t1)，其中，表示路面热传导方程，ρ、c、T表示分别与气象监测站所在路面材质的密度、热容、温度相关的参数；Rn表示净辐射；H表示感热通量；γE表示潜热通量。
接着建立气象监测站对应当前时刻t1的路面温度Ts(t1)与G(t1)之间的关系如下：
其中，Cpd为道路路表层的比热。
然后，对上式关系进行时间差分，获得如下：
即根据Ts(t1)，预测获得气象监测站所在位置对应未来时刻t2的路面温度Ts(t2)。
进而获得各个气象监测站所在位置分别对应未来时刻t2的路面温度Ts(t2)，即构成各个气象监测站所在位置分别对应预设目标检测时刻的路面温度Ts。
方法2.基于以预设分类网路模型为基础，结合加权交叉熵损失函数，应用AdaBoost方法训练所获以气象监测站检测所获其所在位置对应预设各历史时刻下路面温度、以及预设各其他类型气象属性为输入，以气象监测站检测所获其所在位置对应未来时刻下路面温度为输出的路面温度预测模型，根据各个气象监测站分别检测获得其所在位置对应各历史时刻下的各路面温度、以及预设各其他类型气象属性，应用路面温度预测模型，预测获得气象监测站所在位置对应未来时刻的路面温度，即获得各个气象监测站所在位置分别对应未来时刻的路面温度，即构成各个气象监测站所在位置分别对应预设目标检测时刻的路面温度Ts。
这里方法2具体诸如按如下步骤执行。
a.收集历史路温、环境温度、降水、风速等数据，并对数据进行预处理，将处理好的数据按照时间顺序排列，并划分为训练集和测试集。
b.构建弱分类器，将整理好的数据带入算法，同时初始化样本权重，初始化样本权重：其中N为样本总数；在当前样本权重下依次训练多个分类器，每次训练时调整样本权重，让错误样本得到更多关注度；计算分类器Gm(x)的误差率∈m,为更好的反映分类器的错误率可使用加权交叉熵损失函数：
其中，l(ht(xi),yi)表示分类器ht对样本xi的预测结果与真实标签yi之间的交叉熵损失。
同时计算分类器Gm(x)的系数αt,其中对αt的计算方式使用指数函数来计算分类器的权重。从而让分类器的权重更加平滑,改进后的公式表达为：
更新样本权重；
得到最终的分类器：
其中，xi是第i个样本的特征向量，yi是第i个样本的标签，N是样本总数，Gm(x)为第m个弱分类器，wt+1,i为第t+1轮迭代中第i个样本权重，αt为第t个分类器的系数。
c.将多个弱分类器结合，形成一个强分类器，可使用投票加权方法将弱分类器结合。
d.将测试集输入构建好的模型中，对模型进行评估，达到预期评价结果后可进行预测。
e.将训练好的模型，对未来一段时间内的路面温度进行预测，得出Ts(t+i)。
方法3.分别针对各个气象监测站，基于气象监测站所在位置对应历史时刻下的连续路面温度变化，针对基于时间序列分析的ARIMA模型进行拟合，获得该气象监测站所对应的气象预测模型，进而应用气象预测模型，预测获得该气象监测站所在位置对应未来时刻的路面温度，即获得各个气象监测站所在位置分别对应未来时刻的路面温度，即构成各个气象监测站所在位置分别对应预设目标检测时刻的路面温度Ts。
这里方法3具体诸如按如下步骤执行。
a.确定路面温度历史时间序列的平稳性，保证均值和方差在时间上保持不变,如果不平稳，需要进行差分处理，变为平稳序列。
b.确定ARIMA模型中的参数，ARIMA模型可表示为：
ARIMA(p,d,q)＝AR(p)+I(d)+MA(q)
其中，AR(p)是自回归模型，I(d)是差分模型，MA(q)是移动平均模型。
自回归模型AR(p)的公式如下：
其中，yt是时间序列在时刻t的值，c是常数，是自回归系数，∈t是误差项。
差分模型I(d)的公式如下：
Δyt＝(1-L)dyt
其中，Δyt是时间序列在时刻t的一阶差分，L是滞后算子，d是差分次数。
移动平均模型MA(q)的公式如下：
其中，μ是常数，∈t是误差项，θi是移动平均系数。
ARIMA模型的预测公式表示如下：
其中，是在t时刻预测t+h时刻Ts(t+h)的值，h是预测的步长。
c.利用已处理好的历史路温数据代入到拟合好的ARIMA模型中进行预测，得到Ts(t+h)的值。
另外关于上述步骤D中的未来时刻的降水量，具体设计基于预设目标检测时刻为未到来的未来时刻，则基于各个气象监测站分别检测获得其所在位置对应当前时刻t1的降水量Pr(t1)，通过基于双偏振多普勒雷达外推方法，预测获得各个气象监测站所在位置分别对应未来时刻t2的降水量Pr(t2)，即构成各个气象监测站所在位置分别对应预设目标检测时刻的降水量Pr。
基于上述各气象监测站所在位置对应预设目标检测时刻的路面温度、降水量的获得，进一步执行获得目标路段上全部各采集点位置分别对应预设目标检测时刻的路面温度、降水量，其中，关于路面温度，基于各个气象监测站分别所在位置对应预设目标检测时刻的路面温度Ts，分别针对各个气象监测站所对应的各采集点，按如下公式：
获得各个气象监测站分别所对应各采集点对应预设目标检测时刻的路面温度Tsi，其中，表示采集点所对应气象监测站位置的路温差异特征，/>表示采集点所对应的路温差异特征，γ表示采集点相对其对应气象监测站的关系权重值。
关于降水量，基于各个气象监测站分别获得其所在位置对应预设目标检测时刻的降水量Pr，根据气象监测站所在路段上空雷达反射率因子Z与气象监测站实况降水量之间建立的Z-I关系，推算获得各个气象监测站分别所对应各采集点对应预设目标检测时刻的降水量Pri。
步骤E.分天气情况分析，获得目标路段上全部各采集点位置分别对应预设目标检测时刻的路面积水量，并剔除其中的异常值，将剩余各路面积水量分别对应于目标路段上相应各采集点位置，实现对目标路段的路面积水量检测。
上述步骤E在实际应用当中，若预设目标检测时刻为自当前时刻起向历史时间方向中的时刻，则分别针对目标路段上的各采集点位置，做如下分天气情况分析。
天气情况1).当采集点位置对应预设目标检测时刻的路面温度Tsi＞0时，进一步分析若采集点所对应气象监测站所在位置对应预设目标检测时刻的降水量Pr＞0、或者采集点所对应气象监测站所在位置的路面状况判识为潮湿时，则判定采集点位置有降水发生，按如下公式：
Wri＝Pri-E-k
获得采集点位置对应预设目标检测时刻的路面积水量Wri，其中，Pri为采集点位置对应预设目标检测时刻的降水量，E为蒸发量，k为径流量。
天气情况2).当采集点位置对应预设目标检测时刻的路面温度Tsi＝0时，进一步分析若采集点所对应气象监测站所在位置对应预设目标检测时刻的降水量Pr＞0、或者采集点所对应气象监测站所在位置的路面状况判识为潮湿、结冰或积雪时，则判定采集点位置有降雪或结冰情况发生，按如下公式：
获得采集点位置对应预设目标检测时刻的路面积水量Wri，其中，R为净辐射通量，Lf为水的融化热，Gl为地表向地下的热通量。
天气情况3).当采集点位置对应预设目标检测时刻的路面温度Tsi＜0时，进一步分析若采集点所对应气象监测站所在位置对应预设目标检测时刻的降水量Pr＞0、或者采集点所对应气象监测站所在位置的路面状况判识为结冰或积雪时，则判定采集点位置有降雪或结冰情况发生，按如下公式：
获得采集点位置对应预设目标检测时刻的路面积水量Wri；
天气情况4).除上述天气情况1)、天气情况2)、天气情况3)以外，则判定采集点位置无降水、降雪或结冰情况发生，获得采集点位置对应预设目标检测时刻的路面积水量Wri＝0。
若预设目标检测时刻为未到来的未来时刻，则分别针对目标路段上的各采集点位置，做如下分天气情况分析。
天气情况1).当采集点位置对应预设目标检测时刻的路面温度Tsi＞0时，进一步分析若采集点所对应气象监测站所在位置对应预设目标检测时刻的降水量Pr＞0时，则判定采集点位置有降水发生，按如下公式：
Wri＝Pri-E-k
获得采集点位置对应预设目标检测时刻的路面积水量Wri，其中，Pri为采集点位置对应预设目标检测时刻的降水量，E为蒸发量，k为径流量。
天气情况2).当采集点位置对应预设目标检测时刻的路面温度Tsi＝0时，进一步分析若采集点所对应气象监测站所在位置对应预设目标检测时刻的降水量Pr＞0时，则判定采集点位置有降雪或结冰情况发生，按如下公式：
获得采集点位置对应预设目标检测时刻的路面积水量Wri，其中，R为净辐射通量，Lf为水的融化热，Gl为地表向地下的热通量。
天气情况3).当采集点位置对应预设目标检测时刻的路面温度Tsi＜0时，进一步分析若采集点所对应气象监测站所在位置对应预设目标检测时刻的降水量Pr＞0时，则判定采集点位置有降雪或结冰情况发生，按如下公式：
获得采集点位置对应预设目标检测时刻的路面积水量Wri。
天气情况4).除上述天气情况1)、天气情况2)、天气情况3)以外，则判定采集点位置无降水、降雪或结冰情况发生，获得采集点位置对应预设目标检测时刻的路面积水量Wri＝0。
上述技术方案所设计连续路面气象状况分析及推演方法，首先构建目标路段中全部各采集点分别对应的路温差异特征；接着构建各采集点相对各气象监测站的分组对应关系，以及获得各采集点分别相对其对应气象监测站的关系权重值；然后获得目标路段上全部各采集点位置分别对应预设目标检测时刻的路面温度、降水量；最后分天气情况分析，实现对目标路段的路面积水量检测，在实际应用中，利用路面气象状况模态推演技术，连续、高精确地实现目标路段对应目标检测时刻的路面气象检测，填补现有路面状况精度不足和判断不准确的缺陷，为交通和交管部门提供准确的冬季夜间路面状况信息，及时采取相应道路管制措施。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (8)

1.一种连续路面气象状况分析及推演方法，其特征在于：基于沿目标路段依次预先布设的各个采集点，执行如下步骤A至步骤E，对目标路段实现固态积水量检测；
步骤A.构建目标路段中全部各采集点分别对应的路温差异特征，然后进入步骤B；
步骤B.基于目标路段上各采集点位置所预先布设的预设数量个气象监测站，将其余各个采集点位置划归到各气象监测站，构建其余各个采集点相对各气象监测站的分组对应关系，然后进入步骤C；其中，气象监测站的数量小于采集点的数量；
步骤C.根据预设各因素，获得除各气象监测站位置以外各采集点分别相对其对应气象监测站的关系权重值，然后进入步骤D；
步骤D.各个气象监测站分别获得其所在位置对应预设目标检测时刻的路面温度、降水量，并获得各个气象监测站分别所对应各采集点对应预设目标检测时刻的路面温度、降水量，即获得目标路段上全部各采集点位置分别对应预设目标检测时刻的路面温度、降水量，然后进入步骤E；
步骤E.分天气情况分析，获得目标路段上全部各采集点位置分别对应预设目标检测时刻的路面积水量，并剔除其中的异常值，将剩余各路面积水量分别对应于目标路段上相应各采集点位置，实现对目标路段的路面积水量检测；
步骤D中，基于各个气象监测站分别所在位置对应预设目标检测时刻的路面温度Ts，分别针对各个气象监测站所对应的各采集点，按如下公式：
获得各个气象监测站分别所对应各采集点对应预设目标检测时刻的路面温度Tsi，其中，表示采集点所对应气象监测站位置的路温差异特征，/>表示采集点所对应的路温差异特征，γ表示采集点相对其对应气象监测站的关系权重值；
并且步骤D中，基于各个气象监测站分别获得其所在位置对应预设目标检测时刻的降水量Pr，根据气象监测站所在路段上空雷达反射率因子Z与气象监测站实况降水量之间建立的Z-I关系，推算获得各个气象监测站分别所对应各采集点对应预设目标检测时刻的降水量Pri。
2.根据权利要求1所述一种连续路面气象状况分析及推演方法，其特征在于：所述步骤A中，获得目标路段中全部各采集点分别对应相同时间阶段的路面温度，并基于全部各采集点路面温度之间的平均值，获得各采集点路面温度分别相较该平均值之间的差值，构成目标路段中全部各采集点分别对应的路温差异特征。
3.根据权利要求1所述一种连续路面气象状况分析及推演方法，其特征在于：所述步骤B中，基于目标路段上各采集点位置所预先布设的预设数量个气象监测站，根据相邻两气象监测站之间路段彼此对半区域划分、并划归至对应侧气象监测站，构建气象监测站与其对应区域中各采集点之间对应关系，结合两端部气象监测站外侧方向的各采集点划归至其对应侧端部气象监测站，构建其余各个采集点相对各气象监测站的分组对应关系。
4.根据权利要求1所述一种连续路面气象状况分析及推演方法，其特征在于：所述步骤C中，分别针对除各气象监测站位置以外的各采集点，根据预设各因素包括采集点相距其对应气象监测站的地理位置距离、采集点相较其对应气象监测站的海拔位置差值、采集点所对应预设各环境类别下的预设值，结合预设各关系权重值对应的预设各分类类别，应用预训练好以采集点所对应各因素的值为输入，采集点所对应关系权重值为输出的采集点分类模型，获得采集点相对其所对应气象监测站的关系权重值，进而获得除各气象监测站位置以外各采集点分别相对其对应气象监测站的关系权重值。
5.根据权利要求1所述一种连续路面气象状况分析及推演方法，其特征在于：所述步骤D中，若预设目标检测时刻为自当前时刻起向历史时间方向中的时刻，则各个气象监测站分别检测获得其所在位置对应该时刻的路面温度、降水量，即构成对应预设目标检测时刻的路面温度Ts、降水量Pr；
若预设目标检测时刻为未到来的未来时刻，则基于各个气象监测站分别检测获得其所在位置对应当前时刻、以及历史时刻的各路面温度、各降水量，预测获得各个气象监测站所在位置分别对应未来时刻的路面温度、降水量，即构成各个气象监测站所在位置分别对应预设目标检测时刻的路面温度Ts、降水量Pr。
6.根据权利要求5所述一种连续路面气象状况分析及推演方法，其特征在于：所述步骤D中，基于预设目标检测时刻为未到来的未来时刻，按如下三种方法中的任意一种，获得各个气象监测站所在位置分别对应预设目标检测时刻的路面温度Ts；
方法1.则基于各个气象监测站分别检测获得其所在位置对应当前时刻t1的各路面温度Ts(t1)，分别针对各个气象监测站，执行如下操作：
首先按如下公式：
计算获得气象监测站对应当前时刻t1的地表热通量G(t1)，其中，表示路面热传导方程，ρ、c、T表示分别与气象监测站所在路面材质的密度、热容、温度相关的参数；Rn表示净辐射；H表示感热通量；γE表示潜热通量；
接着建立气象监测站对应当前时刻t1的路面温度Ts(t1)与G(t1)之间的关系如下：
其中，Cpd为道路路表层的比热；
然后，对上式关系进行时间差分，获得如下：
即根据Ts(t1)，预测获得气象监测站所在位置对应未来时刻t2的路面温度Ts(t2)；
进而获得各个气象监测站所在位置分别对应未来时刻t2的路面温度Ts(t2)，即构成各个气象监测站所在位置分别对应预设目标检测时刻的路面温度Ts；
方法2.基于以预设分类网路模型为基础，结合加权交叉熵损失函数，应用AdaBoost方法训练所获以气象监测站检测所获其所在位置对应预设各历史时刻下路面温度、以及预设各其他类型气象属性为输入，以气象监测站检测所获其所在位置对应未来时刻下路面温度为输出的路面温度预测模型，根据各个气象监测站分别检测获得其所在位置对应各历史时刻下的各路面温度、以及预设各其他类型气象属性，应用路面温度预测模型，预测获得气象监测站所在位置对应未来时刻的路面温度，即获得各个气象监测站所在位置分别对应未来时刻的路面温度，即构成各个气象监测站所在位置分别对应预设目标检测时刻的路面温度Ts；
方法3.分别针对各个气象监测站，基于气象监测站所在位置对应历史时刻下的连续路面温度变化，针对基于时间序列分析的ARIMA模型进行拟合，获得该气象监测站所对应的气象预测模型，进而应用气象预测模型，预测获得该气象监测站所在位置对应未来时刻的路面温度，即获得各个气象监测站所在位置分别对应未来时刻的路面温度，即构成各个气象监测站所在位置分别对应预设目标检测时刻的路面温度Ts。
7.根据权利要求5所述一种连续路面气象状况分析及推演方法，其特征在于：所述步骤D中，基于预设目标检测时刻为未到来的未来时刻，则基于各个气象监测站分别检测获得其所在位置对应当前时刻t1的降水量Pr(t1)，通过基于双偏振多普勒雷达外推方法，预测获得各个气象监测站所在位置分别对应未来时刻t2的降水量Pr(t2)，即构成各个气象监测站所在位置分别对应预设目标检测时刻的降水量Pr。
8.根据权利要求1所述一种连续路面气象状况分析及推演方法，其特征在于：所述步骤E中，若预设目标检测时刻为自当前时刻起向历史时间方向中的时刻，则分别针对目标路段上的各采集点位置，做如下分天气情况分析：
天气情况1).当采集点位置对应预设目标检测时刻的路面温度Tsi＞0时，进一步分析若采集点所对应气象监测站所在位置对应预设目标检测时刻的降水量Pr＞0、或者采集点所对应气象监测站所在位置的路面状况判识为潮湿时，则判定采集点位置有降水发生，按如下公式：
Wri＝Pri-E-k
获得采集点位置对应预设目标检测时刻的路面积水量Wri，其中，Pri为采集点位置对应预设目标检测时刻的降水量，E为蒸发量，k为径流量；
天气情况2).当采集点位置对应预设目标检测时刻的路面温度Tsi＝0时，进一步分析若采集点所对应气象监测站所在位置对应预设目标检测时刻的降水量Pr＞0、或者采集点所对应气象监测站所在位置的路面状况判识为潮湿、结冰或积雪时，则判定采集点位置有降雪或结冰情况发生，按如下公式：
获得采集点位置对应预设目标检测时刻的路面积水量Wri，其中，R为净辐射通量，Lf为水的融化热，Gl为地表向地下的热通量；
天气情况3).当采集点位置对应预设目标检测时刻的路面温度Tsi＜0时，进一步分析若采集点所对应气象监测站所在位置对应预设目标检测时刻的降水量Pr＞0、或者采集点所对应气象监测站所在位置的路面状况判识为结冰或积雪时，则判定采集点位置有降雪或结冰情况发生，按如下公式：
获得采集点位置对应预设目标检测时刻的路面积水量Wri；
天气情况4).除上述天气情况1)、天气情况2)、天气情况3)以外，则判定采集点位置无降水、降雪或结冰情况发生，获得采集点位置对应预设目标检测时刻的路面积水量Wri＝0；
若预设目标检测时刻为未到来的未来时刻，则分别针对目标路段上的各采集点位置，做如下分天气情况分析：
天气情况1).当采集点位置对应预设目标检测时刻的路面温度Tsi＞0时，进一步分析若采集点所对应气象监测站所在位置对应预设目标检测时刻的降水量Pr＞0时，则判定采集点位置有降水发生，按如下公式：
Wri＝Pri-E-k
获得采集点位置对应预设目标检测时刻的路面积水量Wri，其中，Pri为采集点位置对应预设目标检测时刻的降水量，E为蒸发量，k为径流量；
天气情况2).当采集点位置对应预设目标检测时刻的路面温度Tsi＝0时，进一步分析若采集点所对应气象监测站所在位置对应预设目标检测时刻的降水量Pr＞0时，则判定采集点位置有降雪或结冰情况发生，按如下公式：
获得采集点位置对应预设目标检测时刻的路面积水量Wri，其中，R为净辐射通量，Lf为水的融化热，Gl为地表向地下的热通量；
天气情况3).当采集点位置对应预设目标检测时刻的路面温度Tsi＜0时，进一步分析若采集点所对应气象监测站所在位置对应预设目标检测时刻的降水量Pr＞0时，则判定采集点位置有降雪或结冰情况发生，按如下公式：
获得采集点位置对应预设目标检测时刻的路面积水量Wri；
天气情况4).除上述天气情况1)、天气情况2)、天气情况3)以外，则判定采集点位置无降水、降雪或结冰情况发生，获得采集点位置对应预设目标检测时刻的路面积水量Wri＝0。
CN202311207523.9A 2023-09-19 2023-09-19 一种连续路面气象状况分析及推演方法 Active CN116955964B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311207523.9A CN116955964B (zh) 2023-09-19 2023-09-19 一种连续路面气象状况分析及推演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311207523.9A CN116955964B (zh) 2023-09-19 2023-09-19 一种连续路面气象状况分析及推演方法

Publications (2)

Publication Number Publication Date
CN116955964A CN116955964A (zh) 2023-10-27
CN116955964B true CN116955964B (zh) 2023-12-12

Family

ID=88462360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311207523.9A Active CN116955964B (zh) 2023-09-19 2023-09-19 一种连续路面气象状况分析及推演方法

Country Status (1)

Country Link
CN (1) CN116955964B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109035681A (zh) * 2018-07-19 2018-12-18 郭忠印 一种山区高速公路结冰环境预警系统及方法
CN109147358A (zh) * 2018-07-19 2019-01-04 郭忠印 一种山区高速公路降雨环境预警系统及方法
CN111915847A (zh) * 2020-08-13 2020-11-10 成都万江港利科技股份有限公司 一种精细化降雨预报系统及其预警方法
CN112835131A (zh) * 2021-01-22 2021-05-25 交通运输部公路科学研究所 一种高速公路结冰风险路段动态短临预警方法
CN113706899A (zh) * 2021-07-20 2021-11-26 山东高速集团有限公司创新研究院 一种基于高速公路桥面气象结冰预测的交通运行风险防控方法
CN114818984A (zh) * 2022-05-31 2022-07-29 南京信息工程大学 一种基于人工智能的精细化城市积水水位拟合方法
CN115755228A (zh) * 2022-09-29 2023-03-07 国网浙江省电力有限公司嘉兴供电公司 一种积水路段预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109689463B (zh) * 2016-09-13 2022-03-15 松下知识产权经营株式会社 路面状态预测系统、驾驶支援系统、路面状态预测方法以及数据分发方法
US10106168B2 (en) * 2017-02-27 2018-10-23 GM Global Technology Operations LLC Methods and systems for proactively estimating road surface friction coefficient

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109035681A (zh) * 2018-07-19 2018-12-18 郭忠印 一种山区高速公路结冰环境预警系统及方法
CN109147358A (zh) * 2018-07-19 2019-01-04 郭忠印 一种山区高速公路降雨环境预警系统及方法
CN111915847A (zh) * 2020-08-13 2020-11-10 成都万江港利科技股份有限公司 一种精细化降雨预报系统及其预警方法
CN112835131A (zh) * 2021-01-22 2021-05-25 交通运输部公路科学研究所 一种高速公路结冰风险路段动态短临预警方法
CN113706899A (zh) * 2021-07-20 2021-11-26 山东高速集团有限公司创新研究院 一种基于高速公路桥面气象结冰预测的交通运行风险防控方法
CN114818984A (zh) * 2022-05-31 2022-07-29 南京信息工程大学 一种基于人工智能的精细化城市积水水位拟合方法
CN115755228A (zh) * 2022-09-29 2023-03-07 国网浙江省电力有限公司嘉兴供电公司 一种积水路段预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
多数据源融合的高速公路气象识别方法;须民健;习燕;廖强;李文锋;;重庆理工大学学报(自然科学);第29卷(第03期);78-81 *
高速公路路面夜间逐时温度预报方法研究;林子静 等;《公路交通科技》;第38卷(第8期);23-28 *

Also Published As

Publication number Publication date
CN116955964A (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
CN106650825B (zh) 一种机动车尾气排放数据融合系统
CN114783183B (zh) 一种基于交通态势算法的监控方法与系统
CN110333554B (zh) Nriet暴雨智能相似分析方法
KR101531224B1 (ko) 이중편파 레이더 기반의 강수 추정 시스템 및 그 방법
CN110211325A (zh) 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
CN117057614B (zh) 一种基于遥感技术的公路安全运行动态变化预测方法及系统
CN112382095A (zh) 一种多源数据融合的城市快速路交通状态估计方法
CN111709184B (zh) 基于道面温度预测和模拟的积冰组合决策方法
CN105891833A (zh) 基于多普勒雷达信息识别暖云降水率的方法
CN113706899A (zh) 一种基于高速公路桥面气象结冰预测的交通运行风险防控方法
CN109164450B (zh) 一种基于多普勒雷达数据的下击暴流预测方法
CN114819305B (zh) 一种基于碳排放度量尺度下的路径规划方法
CN113791410B (zh) 一种基于多传感器信息融合的道路环境综合认知方法
CN114912635A (zh) 一种公路养护决策方法、系统、存储介质和电子设备
CN113536665B (zh) 基于特征工程和lstm的路表温度短临预测方法及系统
CN117313537B (zh) 数据驱动的覆冰预测方法及系统
CN116955964B (zh) 一种连续路面气象状况分析及推演方法
CN115902812B (zh) 一种短时暴雨天气背景自动判别方法、系统、设备及终端
CN117133099A (zh) 一种用于高速公路高边坡灾变的自动监测系统
CN117238126A (zh) 一种连续流道路场景下的交通事故风险评估方法
CN109283505B (zh) 一种修正雷达回波外推图像发散现象的方法
CN115048986B (zh) 一种基于多分类器动态剪枝选择的地表冻融状态分类方法
CN110515081A (zh) 一种雷达回波零度层亮带智能识别预警方法
CN105891078A (zh) 基于风廓线雷达的沙尘暴沙尘质量浓度定量反演估算方法
Darghiasi et al. Enhancing Winter Maintenance Decision Making through Deep Learning-Based Road Surface Temperature Estimation

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