楊小兵，楊再均，韓 暉，李洋洋

(1.云南建投基礎(chǔ)工程有限責(zé)任公司,云南 昆明 521452; 2.貴州高速黔通建設(shè)工程有限公司,貴州 貴陽(yáng) 550000; 3.北京中交華安科技有限公司,北京 100088)

0 引言

濃霧天氣對(duì)高速公路的運(yùn)營(yíng)安全產(chǎn)生嚴(yán)重影響，極易引發(fā)道路交通事故。全國(guó)每年高速公路平均交通事故死亡人數(shù)近12萬(wàn)人，其中與交通氣象相關(guān)的約占70%[1-2]，且因大霧誘發(fā)的交通事故大部分為重大交通事故，損失最為嚴(yán)重[3]。同時(shí)，近年來(lái)全球氣候變暖加劇，國(guó)內(nèi)區(qū)域氣候濃霧下能見(jiàn)度整體呈現(xiàn)下降趨勢(shì)，尤其中東部地區(qū)[4-5]，低能見(jiàn)度天氣已成為危害行車安全的重要因素之一。因此，準(zhǔn)確的濃霧產(chǎn)生預(yù)測(cè)能夠有效減少交通事故的發(fā)生。

霧是由懸浮在近地面空氣中微小水滴和冰晶組成的低能見(jiàn)度的天氣現(xiàn)象[6]，其形成受到冷卻條件、水汽條件、凝結(jié)條件、天氣條件、層結(jié)條件、風(fēng)力等因素的影響和約束[7-9]，對(duì)各個(gè)氣象要素參數(shù)的要求苛刻至極[10]。

對(duì)于高速公路濃霧產(chǎn)生預(yù)測(cè)研究上，賀皓等根據(jù)霧產(chǎn)生前地面的氣象要素信息，利用支持向量機(jī)的方法進(jìn)行短臨預(yù)測(cè)，并取得了不錯(cuò)的效果[11]；周須文等應(yīng)用天氣學(xué)原理和數(shù)理統(tǒng)計(jì)方法對(duì)低能見(jiàn)度霧的生消機(jī)理進(jìn)行研究，建立能見(jiàn)度氣象因子的回歸方程，進(jìn)而實(shí)現(xiàn)對(duì)濃霧的預(yù)測(cè)和預(yù)報(bào)[12]；王月琴等通過(guò)采集高速公路部分氣象站點(diǎn)檢測(cè)的數(shù)據(jù)作為樣本，建立基于BP神經(jīng)網(wǎng)絡(luò)的高速公路團(tuán)霧產(chǎn)生預(yù)測(cè)模型[13]；苗開(kāi)超等基于LSTM網(wǎng)絡(luò)構(gòu)建了全新的大霧臨近預(yù)報(bào)框架，實(shí)現(xiàn)對(duì)大霧臨近進(jìn)行有效的預(yù)測(cè)[14]；此外，數(shù)值預(yù)報(bào)模式也越來(lái)越多地被應(yīng)用到低能見(jiàn)度的模擬和預(yù)報(bào)中[15-17]。

綜上，現(xiàn)有的濃霧預(yù)測(cè)和預(yù)報(bào)研究中，大多為短期區(qū)域性的預(yù)測(cè)，其準(zhǔn)確率和精度相對(duì)較差。而針對(duì)高速公路的行車特點(diǎn)，濃霧臨近/短臨預(yù)測(cè)和預(yù)報(bào)對(duì)于保障交通的安全運(yùn)行尤為重要，為此，本研究在現(xiàn)有研究成果和大數(shù)據(jù)技術(shù)廣泛應(yīng)用的基礎(chǔ)上，基于交通氣象監(jiān)測(cè)站的歷史數(shù)據(jù)，利用統(tǒng)計(jì)分析方法確定濃霧形成的重要指示變量和變化趨勢(shì)，構(gòu)建了基于“能見(jiàn)度前期振蕩”和“大氣溫度回溫波動(dòng)”特性的濃霧短臨預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)濃霧產(chǎn)生前短時(shí)間內(nèi)的有效預(yù)測(cè)。

1 歷史氣象數(shù)據(jù)處理

依托滬寧高速公路沿線江蘇境內(nèi)竇莊、河陽(yáng)、仙人山等3處交通氣象監(jiān)測(cè)站4年(2013年1月1日至2016年12月31日)全天候的監(jiān)測(cè)數(shù)據(jù)(包括時(shí)間、能見(jiàn)度、大氣溫度、相對(duì)濕度、風(fēng)速風(fēng)向、降水量等數(shù)據(jù)信息，數(shù)據(jù)采樣間隔為1 min)進(jìn)行研究。

綜合考慮高速公路行車安全的實(shí)際需求，結(jié)合數(shù)據(jù)分析的結(jié)果，本研究選取了能見(jiàn)度數(shù)值為200 m[18]作為分界閾值點(diǎn)，研究濃霧產(chǎn)生前后各氣象要素的變化情況，具體過(guò)程如下：

(1)數(shù)據(jù)提取

根據(jù)本研究目的，提取濃霧產(chǎn)生前3 h的氣象數(shù)據(jù)來(lái)分析濃霧產(chǎn)生過(guò)程中各氣象要素的變化特性、趨勢(shì)和規(guī)律。但受目前交通氣象監(jiān)測(cè)設(shè)備數(shù)據(jù)采集質(zhì)量影響，存在部分時(shí)段數(shù)據(jù)異常和缺失的狀況，導(dǎo)致在非濃霧產(chǎn)生時(shí)段中出現(xiàn)少量數(shù)據(jù)單元存在能見(jiàn)度低于200 m的狀況，或在濃霧時(shí)段會(huì)存在個(gè)別數(shù)據(jù)單元能見(jiàn)度遠(yuǎn)大于該時(shí)段其他數(shù)據(jù)的狀況。

本研究以氣象數(shù)據(jù)單元的采樣時(shí)間序列為基準(zhǔn)，利用“滑動(dòng)窗+模糊統(tǒng)計(jì)”方法對(duì)各數(shù)據(jù)單元進(jìn)行處理。濃霧產(chǎn)生后會(huì)持續(xù)一定的時(shí)間，通過(guò)對(duì)濃霧產(chǎn)生前3 h數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，發(fā)現(xiàn)濃霧產(chǎn)生前跨度為連續(xù)2 h的數(shù)據(jù)會(huì)出現(xiàn)至少一次相同的變化趨勢(shì)，故設(shè)定滑動(dòng)窗窗體大小為120個(gè)數(shù)據(jù)單元即2個(gè)小時(shí)。

為提升數(shù)據(jù)提取的準(zhǔn)確性和速度，采用雙約束并列關(guān)聯(lián)提取的方式，具體操作如下：

確定當(dāng)前位置的滑動(dòng)窗A={xi,xi+1,…，xi+118,xi+119}，判斷當(dāng)前位置能見(jiàn)度持續(xù)時(shí)長(zhǎng)：

(1)

式中，K為滑動(dòng)窗決策變量，取值為0或1；N為模糊統(tǒng)計(jì)數(shù)量閾值，本研究通過(guò)對(duì)氣象數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析后其取值為48；NA為滑動(dòng)窗子窗體A中能見(jiàn)度小于200 m的數(shù)據(jù)單元個(gè)數(shù)。

當(dāng)K=0時(shí)，對(duì)滑動(dòng)窗A內(nèi)部數(shù)據(jù)單元進(jìn)行約束條件判定，選取滑動(dòng)窗A中前60個(gè)元素即Ai={xi,xi+1,…，xi+59}進(jìn)行約束條件判定：

(2)

若K=0，滑動(dòng)窗Ai向前滑動(dòng)1個(gè)數(shù)據(jù)單元長(zhǎng)度，繼續(xù)進(jìn)行判斷，直至子滑動(dòng)窗遍歷整個(gè)滑動(dòng)窗A；當(dāng)K=1時(shí)，確定當(dāng)前滑動(dòng)窗首元素位置i，分別提取當(dāng)前位置前3 h數(shù)據(jù)單元元素即{xi-180,xi-179,…,xi-1}，同時(shí)為驗(yàn)證整體的濃霧產(chǎn)生前后的變化過(guò)程，并提取其對(duì)應(yīng)位置后2 h數(shù)據(jù)單元元素即{xi,xi+1,…,xi+119}，此時(shí)滑動(dòng)窗向前滑動(dòng)2個(gè)窗體A的長(zhǎng)度即300個(gè)數(shù)據(jù)單元長(zhǎng)度。

圖1 提取數(shù)據(jù)結(jié)果Fig.1 Result of data extracting

(2)數(shù)據(jù)剔除及修復(fù)

受交通氣象監(jiān)測(cè)站硬件數(shù)據(jù)采集精度和所處氣候環(huán)境的影響，采集的氣象數(shù)據(jù)會(huì)存在部分時(shí)間點(diǎn)的數(shù)據(jù)丟失問(wèn)題，本研究為保障所建短臨預(yù)測(cè)模型的準(zhǔn)確性，對(duì)于數(shù)據(jù)缺失較為嚴(yán)重的樣本進(jìn)行直接剔除。

圖2 數(shù)據(jù)缺失情況Fig.2 Situation of data missing

對(duì)于獲取的數(shù)據(jù)存在個(gè)別數(shù)據(jù)點(diǎn)異?；蜻z漏，本研究選用滑動(dòng)窗和線形插值的方法對(duì)氣象數(shù)據(jù)進(jìn)行數(shù)據(jù)異常值修復(fù)。

首先，濃霧的產(chǎn)生與消散過(guò)程是一個(gè)緩慢的過(guò)程，所以相鄰數(shù)據(jù)單元間其氣象監(jiān)測(cè)數(shù)據(jù)的差異也是在一定范圍內(nèi)波動(dòng)的。通過(guò)對(duì)氣象站監(jiān)測(cè)數(shù)據(jù)的統(tǒng)計(jì)分析發(fā)現(xiàn)：低能見(jiàn)度情況下，隨著能見(jiàn)度的降低，相鄰數(shù)據(jù)單元的能見(jiàn)度差值整體上呈現(xiàn)減小的趨勢(shì)；當(dāng)能見(jiàn)度小于等于2 000 m時(shí)，相鄰數(shù)據(jù)單元間能見(jiàn)度值的差異約90%集中在小于等于200 m。本研究選定在低能見(jiàn)度下能見(jiàn)度差值閾值δ作為異常數(shù)據(jù)判定的依據(jù)，取δ=200。

其次，根據(jù)獲取數(shù)據(jù)的整體情況，為保證數(shù)據(jù)修復(fù)過(guò)程的合理性和準(zhǔn)確性，本研究利用線性插值方法對(duì)數(shù)據(jù)序列中的異常數(shù)據(jù)、缺失數(shù)據(jù)進(jìn)行修復(fù)。具體修復(fù)過(guò)程如下：

(3)

式中，xi為第i個(gè)數(shù)據(jù)單元；Dxi為第i個(gè)數(shù)據(jù)單元的原始能見(jiàn)度值；D′xi為第i個(gè)數(shù)據(jù)單元的修復(fù)后能見(jiàn)度值。

最后，利用相同的方法對(duì)提取時(shí)間段內(nèi)數(shù)據(jù)單元的其他要素?cái)?shù)據(jù)進(jìn)行異常數(shù)據(jù)值進(jìn)行處理和修復(fù)，如溫度、濕度等，得到能夠體現(xiàn)濃霧產(chǎn)生過(guò)程的各氣象要素?cái)?shù)據(jù)集。

2 重要指示變量分析

(1)濃霧產(chǎn)生過(guò)程中重要指示變量選取

實(shí)現(xiàn)對(duì)濃霧產(chǎn)生有效預(yù)測(cè)最為關(guān)鍵的是選取重要指示變量和分析變量的變化趨勢(shì)和規(guī)律特點(diǎn)。本研究所采用的滬寧高速公路沿線江蘇境內(nèi)交通氣象監(jiān)測(cè)站歷史數(shù)據(jù)的指標(biāo)變量共計(jì)13項(xiàng)，包括時(shí)間、能見(jiàn)度、大氣溫度、相對(duì)濕度、降水量、瞬時(shí)風(fēng)速、瞬時(shí)風(fēng)向、2 min風(fēng)速、2 min風(fēng)向、10 min風(fēng)速、10 min風(fēng)向、0 cm地溫、10 cm地溫，而從數(shù)據(jù)的整體有效性和數(shù)據(jù)的準(zhǔn)確性來(lái)看，僅時(shí)間、能見(jiàn)度、大氣溫度、相對(duì)濕度、降水量、瞬時(shí)風(fēng)速的監(jiān)測(cè)結(jié)果較為準(zhǔn)確。

根據(jù)目前濃霧預(yù)測(cè)研究所采用的氣象變量指標(biāo)和結(jié)果，本研究所采用的數(shù)據(jù)可以滿足對(duì)濃霧產(chǎn)生進(jìn)行短臨預(yù)測(cè)的需求，同時(shí)結(jié)合本研究目的，選取了能見(jiàn)度、相對(duì)濕度和瞬時(shí)風(fēng)速作為濃霧短臨預(yù)測(cè)模型的重要指示變量。

(2)濃霧產(chǎn)生過(guò)程中重要指示變量統(tǒng)計(jì)分析

通過(guò)對(duì)滬寧高速公路沿線江蘇境內(nèi)交通氣象監(jiān)測(cè)站的歷史數(shù)據(jù)進(jìn)行預(yù)處理獲得濃霧產(chǎn)生前后各氣象要素?cái)?shù)據(jù)，進(jìn)而利用MATLAB工具對(duì)其數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析來(lái)獲取相關(guān)重要指示變量在濃霧產(chǎn)生過(guò)程中的特點(diǎn)，具體結(jié)果見(jiàn)表1所示。

通過(guò)表1和圖3可以發(fā)現(xiàn)：在濃霧產(chǎn)生的整個(gè)過(guò)程中，大氣相對(duì)濕度、風(fēng)速、能見(jiàn)度等相關(guān)氣象因子變化均具有一定的規(guī)律和特點(diǎn)。當(dāng)濃霧逐漸形成的過(guò)程中，大氣相對(duì)濕度整體處于85%以上，風(fēng)速的大小在一定小范圍內(nèi)浮動(dòng)變化([0，4]m/s)，且

表1 不同濃度條件下的濃霧各指示變量分布的情況Tab.1 Distribution of dense fog indicator variables under different concentration conditions

圖3 濃霧產(chǎn)生過(guò)程中重要指示變量的變化情況Fig.3 Changes of important indicator variables in dense fog generation process

普遍偏低，主要集中于1 m/s左右；隨著環(huán)境的能見(jiàn)度逐漸降低，大氣相對(duì)濕度逐漸增加，當(dāng)濃霧產(chǎn)生后，其環(huán)境的能見(jiàn)度等指標(biāo)逐漸趨于穩(wěn)定、下降趨勢(shì)減緩，濕度的上升趨勢(shì)也減緩。

(3)濃霧產(chǎn)生過(guò)程中重要指示變量變化特點(diǎn)分析

根據(jù)滬寧高速公路沿線江蘇境內(nèi)交通氣象監(jiān)測(cè)站歷時(shí)數(shù)據(jù)的分析結(jié)果及現(xiàn)有研究成果，可以發(fā)現(xiàn)：濃霧形成前近地層空氣中空氣濕度近乎達(dá)到飽和態(tài)，其能見(jiàn)度的降低不都是逐漸降低的，濃霧在產(chǎn)生之前，普遍會(huì)出現(xiàn)一個(gè)前期振蕩。前期振蕩現(xiàn)象是突然出現(xiàn)的，持續(xù)時(shí)間短，能見(jiàn)度值不低，也不穩(wěn)定，一般介于200～800 m之間波動(dòng)，這可被視為突發(fā)性濃霧的前奏，本研究稱之為能見(jiàn)度前期振蕩，如圖4所示。

圖4 能見(jiàn)度前期振蕩Fig.4 Visibility early oscillation

能見(jiàn)度前期振蕩具有以下兩個(gè)特征：

(1)從ta到tb的時(shí)間大多在10～40 min之間，從tc到出現(xiàn)持續(xù)濃霧的時(shí)間大約是2～3 h；

(2)前期振蕩是突然出現(xiàn)的，但能見(jiàn)度值在一定范圍內(nèi)變化。

此外，低能見(jiàn)度穩(wěn)定濃霧天氣過(guò)程在形成前存在先期振蕩，表明突發(fā)性濃霧的形成不是一次完成的，究其成因是近地層大氣中初次產(chǎn)生凝結(jié)后，存在凝結(jié)潛熱釋放的物理過(guò)程，加上霧對(duì)地面輻射的阻隔，使近地層的氣溫有所上升。研究表明[19]：穩(wěn)定濃霧在爆發(fā)性下降前，大氣溫度都經(jīng)過(guò)了“下降-小幅回升-繼續(xù)下降”的過(guò)程，本研究稱之為大氣溫度回溫波動(dòng)，如圖5所示，溫度下降過(guò)程中的小幅上升對(duì)能見(jiàn)度的突然下降有很好的預(yù)測(cè)作用。

圖5 大氣溫度回溫波動(dòng)Fig.5 Atmospheric temperature return fluctuation

大氣溫度回溫波動(dòng)具有以下特征：

(1)大氣溫度波動(dòng)的幅度在一定范圍內(nèi)波動(dòng)；

(2)從ta到tb的時(shí)間大多在10～40 min，從tb到出現(xiàn)持續(xù)濃霧的時(shí)間30 min～3 h不等。

3 基于“能見(jiàn)度前期振蕩”和“大氣溫度回溫波動(dòng)”特性的濃霧短臨預(yù)測(cè)模型

基于滬寧高速公路沿線江蘇境內(nèi)交通氣象監(jiān)測(cè)站數(shù)據(jù)分析結(jié)果：在能見(jiàn)度爆發(fā)下降前相對(duì)濕度和風(fēng)速大小的波動(dòng)情況具有一定的規(guī)律特點(diǎn)，為此在進(jìn)行濃霧短臨預(yù)測(cè)時(shí)必須先滿足兩個(gè)先決條件即：

(4)

式中，Humi為當(dāng)前時(shí)刻i的相對(duì)濕度；Windi為當(dāng)前時(shí)刻i的風(fēng)速；Nhum，Nwind分別為預(yù)測(cè)模型先決條件閾值。

在滿足當(dāng)前時(shí)刻先決條件閾值約束的基礎(chǔ)上，本研究利用滑動(dòng)窗口算法設(shè)定數(shù)據(jù)實(shí)時(shí)處理分析過(guò)程，并基于能見(jiàn)度前期振蕩辨識(shí)算法和大氣溫度回溫波動(dòng)辨識(shí)算法對(duì)濃霧產(chǎn)生前的雙特性變化趨勢(shì)進(jìn)行辨識(shí)，進(jìn)而實(shí)現(xiàn)對(duì)濃霧產(chǎn)生前有效預(yù)測(cè)。

(1)滑動(dòng)窗口算法

本研究利用滑動(dòng)窗口算法對(duì)能見(jiàn)度前期振蕩辨識(shí)算法和大氣溫度回溫波動(dòng)辨識(shí)算法的遍歷規(guī)則進(jìn)行了設(shè)定，具體步驟如下：

圖6 滑動(dòng)窗口算法示意圖Fig.6 Schematic diagram of sliding window algorithm

Step1：研判周期確定及數(shù)據(jù)預(yù)處理

以氣象站當(dāng)前時(shí)間ta獲取的數(shù)據(jù)單元為基準(zhǔn)，往前選擇一個(gè)時(shí)間點(diǎn)tc，ta至tc形成一個(gè)研判周期時(shí)長(zhǎng)定義為cycle；利用本研究數(shù)據(jù)預(yù)處理方法對(duì)研判周期內(nèi)的數(shù)據(jù)進(jìn)行處理。

Step2：研判周期內(nèi)數(shù)據(jù)整體性約束判別

為提升研判的準(zhǔn)確性，需確定周期cycle中所有數(shù)據(jù)單元的整體水平進(jìn)行先驗(yàn)處理，即

(5)

Step3：滑動(dòng)窗體確定

在cycle內(nèi)選擇一個(gè)時(shí)間點(diǎn)tb，形成一個(gè)時(shí)間窗口定義為window，能見(jiàn)度前期振蕩和大氣溫度回溫波動(dòng)辨識(shí)在window內(nèi)執(zhí)行，根據(jù)兩個(gè)現(xiàn)象出現(xiàn)的特征，確定window時(shí)間長(zhǎng)度。

Step4：窗體滑動(dòng)規(guī)則

window在cycle內(nèi)依次遍歷，每次往前推進(jìn)一個(gè)短時(shí)間段，這個(gè)時(shí)間段為滑動(dòng)時(shí)間步長(zhǎng)，定義為step，step時(shí)間長(zhǎng)度為一個(gè)數(shù)據(jù)單元長(zhǎng)度；直至window遍歷完整個(gè)cycle，判定此次預(yù)測(cè)過(guò)程結(jié)束。

(2)能見(jiàn)度前期振蕩辨識(shí)算法

根據(jù)能見(jiàn)度前期振蕩的特征，判定：

(6)

式中，Svis為能見(jiàn)度前期振蕩特性決策變量，取值為0或1；VIS_MAX，VIS_MIN分別為能見(jiàn)度前期振蕩上限值和下限值；VISmin，VISmax分別為能見(jiàn)度滑動(dòng)窗window內(nèi)數(shù)據(jù)序列的平均能見(jiàn)度最大值和平均能見(jiàn)度最小值。

圖7 能見(jiàn)度前期振蕩辨識(shí)算法示意圖Fig.7 Schematic diagram of identification algorithm of visibility early oscillation

其中：

(7)

式中，VISmax1，VISmax2分別為能見(jiàn)度滑動(dòng)窗window內(nèi)數(shù)據(jù)序列中兩個(gè)最大能見(jiàn)度值；VISmin1，VISmin2分別為滑動(dòng)窗window內(nèi)能見(jiàn)度數(shù)據(jù)序列中兩個(gè)最小能見(jiàn)度值。

(3)大氣溫度回溫波動(dòng)辨識(shí)算法

圖8 大氣溫度回溫波動(dòng)辨識(shí)算法Fig.8 Schematic diagram of identification algorithm of atmospheric temperature return fluctuation

根據(jù)大氣溫度回溫波動(dòng)的特征，判定：

(8)

式中，Tat為大氣溫度回溫波動(dòng)特性決策變量，取值為0或1；AT_RANGE為大氣溫度回溫波動(dòng)的幅度；ΔAT為大氣溫度滑動(dòng)窗window內(nèi)數(shù)據(jù)序列中平均最大溫差；Tmax1，Tmax2分別為大氣溫度滑動(dòng)窗window內(nèi)數(shù)據(jù)序列中兩個(gè)最大溫度值所對(duì)應(yīng)的時(shí)間；Tmin1，Tmin2分別為滑動(dòng)窗window內(nèi)能見(jiàn)度數(shù)據(jù)序列中兩個(gè)最小溫度值所對(duì)應(yīng)的時(shí)間。

其中：

(9)

式中，ATmax1，ATmax2分別為大氣溫度滑動(dòng)窗window內(nèi)數(shù)據(jù)序列中兩個(gè)最大溫度值；ATmin1，ATmin1分別為大氣溫度滑動(dòng)窗window內(nèi)數(shù)據(jù)序列中兩個(gè)最小溫度值。

綜上，當(dāng)能見(jiàn)度前期振蕩辨識(shí)結(jié)果和大氣溫度回溫波動(dòng)辨識(shí)結(jié)果滿足：

(10)

判定當(dāng)前時(shí)刻未來(lái)1～3 h內(nèi)將會(huì)產(chǎn)生濃霧。

4 模型參數(shù)標(biāo)定及應(yīng)用效果分析

基于滬寧高速公路沿線江蘇境內(nèi)3個(gè)交通氣象監(jiān)測(cè)站2013—2016年的歷史數(shù)據(jù)，提取出其濃霧產(chǎn)生后能見(jiàn)度小于200 m且持續(xù)穩(wěn)定的濃霧產(chǎn)生時(shí)前3個(gè)小時(shí)的數(shù)據(jù)單元，進(jìn)而對(duì)提取數(shù)據(jù)進(jìn)行預(yù)處理，共計(jì)獲得有效數(shù)據(jù)組128組，其中2013—2015年共計(jì)105組，2016年共計(jì)23次組。為實(shí)現(xiàn)對(duì)基于“能見(jiàn)度前期振蕩”和“大氣溫度回溫波動(dòng)”特性的濃霧短臨預(yù)測(cè)模型的參數(shù)標(biāo)定和應(yīng)用效果分析，本研究將2013—2015年共計(jì)105組濃霧產(chǎn)生前3 h的數(shù)據(jù)作為樣本數(shù)據(jù)用于模型參數(shù)的標(biāo)定，進(jìn)而根據(jù)模型標(biāo)定結(jié)果對(duì)2016年的氣象數(shù)據(jù)進(jìn)行濃霧短臨預(yù)測(cè)辨識(shí)，通過(guò)對(duì)比模型辨識(shí)結(jié)果和真實(shí)數(shù)據(jù)結(jié)果來(lái)驗(yàn)證模型的有效性。具體如下：

(1)模型條件閾值確定

圖9 2013—2015年濃霧產(chǎn)生前3 h相對(duì)濕度統(tǒng)計(jì)Fig.9 Statistics of relative humidity 3 h before occurrence of dense fog in 2013—2015

圖10 2013—2015年濃霧產(chǎn)生前3 h風(fēng)速情況Fig.10 Statistics of wind speed 3 h before occurrence of dense fog in 2013—2015

通過(guò)對(duì)2013—2015年歷史數(shù)據(jù)的整體統(tǒng)計(jì)分析：濃霧發(fā)生前3 h相對(duì)濕度在85%及以上的比例達(dá)到84.48%，相對(duì)濕度在80%及以上的比例達(dá)到92.52%；而風(fēng)速在3 m/s及以下的比例達(dá)到95.06%。為此，本研究對(duì)于模型先決條件閾值確定上選擇：

(11)

而對(duì)于滑動(dòng)周期cycle內(nèi)數(shù)據(jù)單元的整體性水平約束閾值的確定上，本研究分別對(duì)各組數(shù)據(jù)進(jìn)行整體性分析，分析結(jié)果如表2所示。

表2 濃霧產(chǎn)生前相對(duì)濕度和風(fēng)速的整體性水平Tab.2 Overall level of relative humidity and wind speed before occurrence of dense fog

通過(guò)表2所統(tǒng)計(jì)出的結(jié)果，在滿足整體性水平較好同時(shí)需要能夠保證預(yù)測(cè)結(jié)果準(zhǔn)確性，對(duì)滑動(dòng)窗cycle設(shè)定為150 min，對(duì)整體性水平約束閾值設(shè)定為：

(12)

(2)模型辨識(shí)算法參數(shù)確定

對(duì)于能見(jiàn)度前期振蕩和大氣溫度回溫波動(dòng)辨識(shí)算法相關(guān)參數(shù)的確定上，本研究直接對(duì)已提取的105組濃霧產(chǎn)生前其能見(jiàn)度和大氣溫度的變化趨勢(shì)進(jìn)行提取，獲取各組數(shù)據(jù)中距離當(dāng)前時(shí)刻最近的能見(jiàn)度前期震蕩位置點(diǎn)和大氣溫度回溫波動(dòng)位置點(diǎn)的實(shí)際波動(dòng)情況，進(jìn)而進(jìn)行統(tǒng)計(jì)分析得到如下結(jié)果。

圖11 2013—2015年濃霧產(chǎn)生前能見(jiàn)度前期震蕩和 大氣溫度回溫變化情況Fig. 11 Changes of visibility early oscillation and atmospheric temperature return fluctuation before occurrence of dense fog in 2013—2015

通過(guò)對(duì)105組數(shù)據(jù)的濃霧產(chǎn)生前的能見(jiàn)度前期震蕩和大氣溫度回溫統(tǒng)計(jì)(圖10)可以發(fā)現(xiàn)：濃霧產(chǎn)生前會(huì)出現(xiàn)明顯的能見(jiàn)度前期震蕩和大氣溫度回溫波動(dòng)的情況，同時(shí)波動(dòng)產(chǎn)生的時(shí)間點(diǎn)和波動(dòng)值具備一定分散性，但同時(shí)也具備一定的變化規(guī)律，能見(jiàn)度極小值主要集中在200～800 m之間，而極大值主要集中在500～1 400 m之間，同時(shí)二者的差值主要集中在250～650 m之間；能見(jiàn)度振蕩持續(xù)時(shí)長(zhǎng)在10～40 min，大氣溫度回溫波動(dòng)在0.2～0.9 ℃。

基于此，單一且固定的模型參數(shù)變量難以讓模型獲取準(zhǔn)確而又確定的辨識(shí)結(jié)果，為此本研究采用序列式模型參數(shù)用于模型辨識(shí)，即

(13)

而對(duì)于滑動(dòng)窗window的確定上，根據(jù)對(duì)數(shù)據(jù)分析的結(jié)果，本研究選擇能夠滿足85%的數(shù)據(jù)組需求的值定為滑動(dòng)窗的大小，即滑動(dòng)窗window為30。

在此基礎(chǔ)上，本研究進(jìn)而利用MATLAB處理工具對(duì)滬寧高速公路沿線江蘇境內(nèi)3個(gè)交通氣象監(jiān)測(cè)站2016年數(shù)據(jù)進(jìn)行濃霧產(chǎn)生短臨預(yù)測(cè)，共獲取數(shù)據(jù)組共計(jì)29組，其中與2016年真實(shí)數(shù)據(jù)相匹配數(shù)據(jù)共計(jì)22組，有效率達(dá)到75.86%，而漏檢率僅為4.35%。

綜上，本研究基于能見(jiàn)度前期振蕩特性和大氣溫度回溫波動(dòng)特性的濃霧短臨預(yù)測(cè)模型可以有效的對(duì)濃霧進(jìn)行短臨預(yù)測(cè)，同時(shí)預(yù)測(cè)結(jié)果與模型參數(shù)密切相關(guān)，結(jié)合實(shí)際的歷史數(shù)據(jù)選定合適的模型參數(shù)對(duì)模型預(yù)測(cè)的準(zhǔn)確率有重要的影響。

5 結(jié)論

通過(guò)對(duì)滬寧高速公路沿線江蘇境內(nèi)交通氣象監(jiān)測(cè)站獲取的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，發(fā)現(xiàn)濃霧發(fā)生過(guò)程中環(huán)境能見(jiàn)度、大氣溫度、相對(duì)濕度、風(fēng)速等重要指示變量對(duì)高速公路沿線濃霧短臨預(yù)測(cè)具有較好的指示意義。基于此，本研究利用滑動(dòng)窗口算法，結(jié)合滬寧高速公路沿線交通氣象歷史數(shù)據(jù)的分析結(jié)果，提出了基于能見(jiàn)度前期振蕩特性和大氣溫度回溫波動(dòng)特性的濃霧短臨預(yù)測(cè)模型，實(shí)現(xiàn)了基于當(dāng)前時(shí)刻氣象數(shù)據(jù)及其歷史數(shù)據(jù)對(duì)濃霧產(chǎn)生進(jìn)行有效的短臨預(yù)測(cè)，能及時(shí)警示公路運(yùn)營(yíng)管理部門提前做好預(yù)防處理準(zhǔn)備，降低因突發(fā)濃霧而造成的交通事故發(fā)生的概率。

當(dāng)然，本研究尚存在不足和需要改進(jìn)的地方，具體總結(jié)如下：

(1)本研究預(yù)測(cè)模型參數(shù)標(biāo)定的數(shù)據(jù)樣本有限，使得模型的預(yù)測(cè)準(zhǔn)確率受限；

(2)預(yù)測(cè)模型參數(shù)標(biāo)定結(jié)果與地區(qū)氣象數(shù)據(jù)密切相關(guān)，未來(lái)研究需融入模型反饋機(jī)制，構(gòu)建模式庫(kù)建立多模式模型參數(shù)匹配機(jī)制來(lái)提升模型的應(yīng)用性和預(yù)測(cè)準(zhǔn)確性；

(3)本研究對(duì)于濃霧短臨預(yù)測(cè)因素僅考慮了能見(jiàn)度、大氣溫度、濕度和風(fēng)速等影響，未來(lái)可以增加其他因素對(duì)濃霧短臨預(yù)測(cè)的影響，從而提升預(yù)測(cè)準(zhǔn)確率。