朱強，徐強，付立

（1.交通運輸部科學(xué)研究院，北京 100029；2.交科院公路工程科技（北京）有限公司，北京100013）3.山東高速青島發(fā)展有限公司，山東 青島 266114）

0 引言

近年來極端氣候造成道路事故頻發(fā)、路網(wǎng)癱瘓的情況日益突出和嚴(yán)峻。冰雪會導(dǎo)致路面抗滑能力大幅降低，削弱了道路的通行能力，容易產(chǎn)生惡性交通事故，使人們的生活和生產(chǎn)無法正常進(jìn)行。對道路結(jié)冰進(jìn)行預(yù)測預(yù)警，提前采取處置措施是保障冬季道路安全的重要措施。

國內(nèi)外學(xué)者對使用神經(jīng)網(wǎng)絡(luò)算法預(yù)測是否達(dá)到結(jié)冰狀態(tài)做了廣泛研究。Kreutz 等基于SCADA系統(tǒng)采集的數(shù)據(jù)，使用神經(jīng)網(wǎng)絡(luò)對北歐等寒冷地區(qū)的風(fēng)力發(fā)電渦輪是否處于結(jié)冰狀態(tài)進(jìn)行了預(yù)測[1]。He 等使用神經(jīng)網(wǎng)絡(luò)預(yù)測輸電線路的結(jié)冰厚度，將結(jié)冰厚度分為多個層次，建立了卷積神經(jīng)網(wǎng)絡(luò)模型[2]。邱欣等使用SVM 方法，結(jié)合降水條件對不同路域是否結(jié)冰進(jìn)行了預(yù)測[3]。魏揚等使用神經(jīng)網(wǎng)絡(luò)算法預(yù)測了飛機結(jié)冰[4]。賴軍杰等使用神經(jīng)網(wǎng)絡(luò)對機場跑道是否處在結(jié)冰狀態(tài)進(jìn)行了預(yù)測，將機場跑道劃分為結(jié)冰域、臨界域和非結(jié)冰域三部分[5]，但并未預(yù)測跑道結(jié)冰的時間。池昊等基于SCADA 系統(tǒng)采集的風(fēng)機葉片數(shù)據(jù)通過神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)冰預(yù)測，根據(jù)葉片運行狀態(tài)判斷是否到達(dá)結(jié)冰狀態(tài)，準(zhǔn)確率達(dá)到了95%[6]。楊鵬飛等采用粒子群算法、交叉驗證算法和遺傳算法對道路結(jié)冰進(jìn)行了預(yù)測，經(jīng)對比得出遺傳算法優(yōu)化后預(yù)測模型的通用性和準(zhǔn)確度更高[7]。劉洪蘭等通過BP 神經(jīng)網(wǎng)絡(luò)模型對靜止水域和流動水域的結(jié)冰厚度進(jìn)行預(yù)測，準(zhǔn)確率達(dá)到80%左右[8]。李大中等使用優(yōu)化的深度全連接神經(jīng)網(wǎng)絡(luò)模型，通過小批量的梯度優(yōu)化算法Adam 識別風(fēng)機葉片是否處在結(jié)冰狀態(tài)[9]。熊竹等將降水量和溫度作為基本條件模擬結(jié)冰形成的速度和結(jié)冰量，并通過BP 神經(jīng)網(wǎng)絡(luò)算法對結(jié)冰量進(jìn)行了預(yù)測，但是沒有對距離結(jié)冰的時間進(jìn)行預(yù)測[10]。舒斯等對湖北地區(qū)高速公路多個監(jiān)控點近2 年的結(jié)冰數(shù)據(jù)進(jìn)行建模，計算每個監(jiān)控點的結(jié)冰拐點值，當(dāng)溫度小于拐點值并發(fā)生降雨時，即認(rèn)為路面已經(jīng)結(jié)冰并進(jìn)行報警[11]。綜上可以看出，目前的研究使用BP 神經(jīng)網(wǎng)絡(luò)算法針對結(jié)冰預(yù)測開展了一些工作，說明BP 神經(jīng)網(wǎng)絡(luò)在相關(guān)領(lǐng)域有了初步應(yīng)用，但還缺乏使用BP 神經(jīng)網(wǎng)絡(luò)對道路結(jié)冰時間的研究。事實上，基于道路的環(huán)境、地理因素和氣象數(shù)據(jù)變化特點，建立預(yù)測模型并使用自學(xué)習(xí)的方法不斷優(yōu)化調(diào)整模型計算未來結(jié)冰時間，可在合適的時間采取措施避免結(jié)冰，不但能保障道路安全，還能節(jié)約人力、材料等養(yǎng)護成本，具有一定的經(jīng)濟意義。

鑒于此，本文基于BP 神經(jīng)網(wǎng)絡(luò)算法，將安裝在路面的傳感器每5min獲取的路面信息作為歷史數(shù)據(jù)，包括冰點溫度、滑濕系數(shù)、含冰比例、路面狀態(tài)、路面溫度、含鹽量、水膜厚度、時間等8 種特征信息。使用Pearson 方法對特征值進(jìn)行特征選擇，將歷史數(shù)據(jù)分為兩部分，一部分用來進(jìn)行模型訓(xùn)練；另一部分作為驗證數(shù)據(jù)，在訓(xùn)練完成后根據(jù)模型對訓(xùn)練結(jié)果進(jìn)行驗證和優(yōu)化，并給出模型的測試效果。通過使用神經(jīng)網(wǎng)絡(luò)算法，綜合運用多種氣象、路面數(shù)據(jù)，為準(zhǔn)確預(yù)測結(jié)冰提供一定的支持。

1 路面結(jié)冰數(shù)據(jù)預(yù)處理

1.1 結(jié)冰數(shù)據(jù)簡介

近幾年我國高速公路氣象信息化越來越受到重視，多個地區(qū)的高速養(yǎng)護部門已經(jīng)安裝了路面?zhèn)鞲衅?、路?cè)氣象站等設(shè)備采集氣象信息。安裝在路面的傳感器（見圖1）可同時采集多種特征數(shù)據(jù)，包括：冰點溫度、滑濕系數(shù)、含冰比例、路面狀態(tài)、路面溫度、含鹽量、水膜厚度、采集時間、設(shè)備ID、地理坐標(biāo)等（見表1）。其中“路面狀態(tài)”包含多種情況：結(jié)冰、積雪、干燥、潮濕等，可根據(jù)其值判斷當(dāng)前道路為哪一種狀態(tài)、是否結(jié)冰。取監(jiān)測點結(jié)冰前一段時間除設(shè)備ID、地理坐標(biāo)以外的8 種特征數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)建模，以“路面狀態(tài)”首次出現(xiàn)結(jié)冰的時間為“結(jié)冰時間點”，輸入其他特征值進(jìn)行模型訓(xùn)練，計算其距離“結(jié)冰時間點”的時延。

表1 路面結(jié)冰預(yù)警數(shù)據(jù)字段說明

表1 （續(xù)）

冬季我國不同地區(qū)的道路結(jié)冰特點并不一致。北方地區(qū)冬季干燥、氣溫低，因此濕度成為結(jié)冰的關(guān)鍵因素；南方地區(qū)濕度大，路面氣溫是結(jié)冰的關(guān)鍵因素。本文以我國南方地區(qū)和北方地區(qū)多個監(jiān)測點：青島膠州灣大橋、山東青蘭高速、內(nèi)蒙古G6 高速、蘭州西固黃河大橋、南京寧杭高速、貴州觀風(fēng)海大橋等安裝的路面?zhèn)鞲衅鹘? 年采集的路面氣象數(shù)據(jù)作為依據(jù)，進(jìn)行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練和驗證。

1.2 異常數(shù)據(jù)處理

傳感器采集數(shù)據(jù)后上傳至系統(tǒng)存儲的過程中，存在系統(tǒng)存儲故障、數(shù)據(jù)傳輸失敗、數(shù)據(jù)傳輸異常等現(xiàn)象，從而導(dǎo)致原始數(shù)據(jù)中可能存在噪聲數(shù)據(jù)[12]。如果直接使用會造成計算結(jié)果偏差，因此需對原始數(shù)據(jù)進(jìn)行預(yù)處理。本文主要采用剔除異常數(shù)據(jù)和均值插值的方法處理噪聲數(shù)據(jù)。

根據(jù)路面結(jié)冰時的數(shù)據(jù)采集時間，取出前5h之內(nèi)該采集點的數(shù)據(jù)，對異常數(shù)據(jù)進(jìn)行篩查。由于傳感器數(shù)據(jù)為時間序列變量，故以特征值某時點前后10min 的平均值作為基準(zhǔn)數(shù)據(jù)，計算該時點數(shù)據(jù)與均值的偏差，偏差大于均值0.5 倍的數(shù)據(jù)會被剔除，然后采用均值插值。導(dǎo)致異常數(shù)據(jù)的原因主要有：采集數(shù)據(jù)缺失、路面狀態(tài)數(shù)據(jù)不準(zhǔn)確、路面溫度變化異常。

（1）數(shù)據(jù)采集存在明顯缺失

傳感器每5min采集一次數(shù)據(jù)，當(dāng)發(fā)現(xiàn)數(shù)據(jù)存在某段時間范圍內(nèi)缺失或存儲時間不連續(xù)的情況，如圖2 中，從19:20 開始到19:50 存在數(shù)據(jù)缺失的情況，則需對該樣本數(shù)據(jù)進(jìn)行處理。

（2）路面狀態(tài)數(shù)據(jù)不準(zhǔn)確

根據(jù)路面?zhèn)鞲衅鞑杉臄?shù)據(jù)，路面狀態(tài)在一段時間內(nèi)應(yīng)該為干燥、潮濕、結(jié)冰、積雪中的一種，如果存在頻繁變化的情況，即認(rèn)為該段時間的路面狀態(tài)數(shù)據(jù)不準(zhǔn)確，可將此類數(shù)據(jù)剔除。

（3）路面溫度變化異常

路面溫度會隨著時間變化而變化，通常情況下中午路面溫度要比早晚溫度高，基本趨于線性變化的趨勢。如果某段時間溫度有忽上忽下的大范圍波動，可認(rèn)為該段數(shù)據(jù)異常。如圖3 所示，19:40 和20:10 有兩次明顯的數(shù)據(jù)抖動，需進(jìn)行均值插值處理。

1.3 數(shù)據(jù)相關(guān)性處理

通過對數(shù)據(jù)進(jìn)行篩選，選取50個監(jiān)測點2016—2022 年的數(shù)據(jù)，對數(shù)據(jù)進(jìn)行統(tǒng)一分析處理。本文對數(shù)據(jù)的處理分兩步進(jìn)行：第一步，進(jìn)行特征選擇，剔除強相關(guān)的數(shù)據(jù)項，減少數(shù)據(jù)維度，為以后的神經(jīng)網(wǎng)絡(luò)訓(xùn)練降低計算復(fù)雜度，減少模型的訓(xùn)練時間；第二步，進(jìn)行歸一化處理，使用min-max 標(biāo)準(zhǔn)化方法，提升模型的收斂速度和精度。

采用過濾法（Filter）中的相關(guān)系數(shù)法進(jìn)行特征選擇，本文采用Pearson相關(guān)系數(shù)法，該方法具有消減誤差比例的作用，是認(rèn)可度最高的用于刻畫變量相關(guān)性系數(shù)的方法。Pearson 計算公式如下[13]:

式（1）中：r為相關(guān)系數(shù)；Xi,Yi為計算相關(guān)性的兩個樣本點，為樣本的平均值。計算8 個變量間的相關(guān)系數(shù)，見表2 。從表2 中可知，含鹽量與冰點溫度的Pearson 相關(guān)系數(shù)r為-0.951，故這兩項數(shù)據(jù)為強相關(guān)。

表2 數(shù)據(jù)項間相關(guān)系數(shù)計算結(jié)果

經(jīng)Pearson相關(guān)性系數(shù)計算后，再對冰點溫度和含鹽量做散點圖進(jìn)一步驗證其相關(guān)性（見圖4）。從圖4 可知，含鹽量與冰點溫度呈線性關(guān)系，進(jìn)一步驗證了其強相關(guān)性，故舍棄冰點溫度這一特征，以降低神經(jīng)網(wǎng)絡(luò)的復(fù)雜度，減少訓(xùn)練時間。

1.4 數(shù)據(jù)歸一化

將BP 神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于凝冰預(yù)警中，需將凝冰數(shù)據(jù)作為算法輸入項。根據(jù)神經(jīng)網(wǎng)絡(luò)算法的特點，若將其直接輸入網(wǎng)絡(luò)，則加權(quán)后通過累加，各種數(shù)據(jù)間的差別將變得非常大，從而導(dǎo)致網(wǎng)絡(luò)難以收斂。因此，為消除數(shù)據(jù)屬性值之間的差別，平滑數(shù)據(jù)樣本值，需對輸入的凝冰數(shù)據(jù)進(jìn)行歸一化處理。目前主要使用min-max 標(biāo)準(zhǔn)化法，將數(shù)據(jù)按比例縮放，使之落入一個小的特定區(qū)間，如果直接用原始指標(biāo)值進(jìn)行分析，就會突出數(shù)值較高的指標(biāo)在神經(jīng)網(wǎng)絡(luò)模型中的作用，而削弱特征值水平較低指標(biāo)的作用，因此將凝冰數(shù)據(jù)轉(zhuǎn)化為無量綱的純數(shù)值，便于不同單位量級的指標(biāo)進(jìn)行比較和加權(quán)。本文使用min-max 標(biāo)準(zhǔn)化法[9]對原始數(shù)據(jù)進(jìn)行線性變換，使自變量映射到(0,1)之間，轉(zhuǎn)換公式如下：

式（2）中：x'為變換后的數(shù)據(jù)；x為樣本數(shù)據(jù)；xmin為樣本集最小值；xmax為樣本集最大值。以2022 年1 月17 日采集的一段結(jié)冰前的數(shù)據(jù)為例，路面初始數(shù)據(jù)和歸一化后數(shù)據(jù)如表3所示。

表3 路面溫度歸一化處理后數(shù)據(jù)

2 預(yù)測模型構(gòu)建

2.1 算法基本思想

本文采用BP 神經(jīng)網(wǎng)絡(luò)算法，其原理是輸入學(xué)習(xí)樣本，通過反向傳播算法對網(wǎng)絡(luò)的偏差和權(quán)值進(jìn)行反復(fù)訓(xùn)練，使最終得到的輸出值盡可能與期望值接近。首先構(gòu)建神經(jīng)網(wǎng)絡(luò)，設(shè)置輸入層和輸出層的數(shù)量，然后根據(jù)凝冰數(shù)據(jù)的特點選擇合理的激活函數(shù)和防止過擬合的方法，最后進(jìn)行模型訓(xùn)練。訓(xùn)練數(shù)據(jù)選取2016—2022 年山東、內(nèi)蒙古、貴州等多地30 個監(jiān)測點的路面、氣象數(shù)據(jù)。該數(shù)據(jù)通過氣象站和路面?zhèn)鞲衅髅糠昼姴杉淮魏蟠鎯υ谠品?wù)器中，包含本文第1 小節(jié)所列出的所有路面凝冰數(shù)據(jù)。

2.1.1 模型構(gòu)建

模型構(gòu)建第一步是確定神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。BP神經(jīng)網(wǎng)絡(luò)包含三層：輸入層、隱藏層、輸出層。據(jù)上節(jié)可知本文凝冰特征變量有6 類，且都為時序變量，故選取tn-6,tn-5,tn-4,…,tn時刻的所有特征值作為輸入層，輸出層為距離凝冰的時間Y，則輸入層為36×1，輸出層為1×1。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

建立模型時無法確定模型隱藏層的層數(shù)以及每層的神經(jīng)元數(shù)，為此，采用網(wǎng)格搜索法（如圖6 所示），在所有候選的參數(shù)中，通過循環(huán)遍歷，嘗試每一種可能性，表現(xiàn)最好的參數(shù)就是最終的選擇結(jié)果。

2.1.2 激活函數(shù)選擇

目前激活函數(shù)的種類主要有Sigmoid、Tanh、Relu等[14]。Sigmoid 函數(shù)是將取值為(-∞,+∞)的數(shù)值映射到(0,1)之間。Sigmoid函數(shù)如下：

式（3）中：z為需要映射的值。

Sigmoid飽和區(qū)域較廣，容易出現(xiàn)梯度消失的問題。通過式（4）可知，當(dāng)z非常大時，會導(dǎo)致該節(jié)點權(quán)重g(z)的梯度將接近于0，使得梯度更新十分緩慢，即梯度消失。

式（4）中：g'(z)為g(z)的求導(dǎo)，表示g(z)的梯度。

Tanh 函數(shù)相較于Sigmoid 函數(shù)要常見一些，該函數(shù)是將取值為(-∞,+∞)的數(shù)映射到(-1,1)之間，其公式如下：

Tanh 函數(shù)在0 附近很短一段區(qū)域內(nèi)可看作為線性。由于Tanh 函數(shù)均值為0，因此彌補了Sigmoid 函數(shù)均值為0.5 的缺點，但是Tanh 函數(shù)和Sigmoid 一樣也容易出現(xiàn)梯度消失問題。當(dāng)z很大或很小時，g'(z)接近于0，如式（6）所示，會導(dǎo)致梯度很小，權(quán)重更新非常緩慢，出現(xiàn)梯度消失問題。

Relu 是一種分段線性函數(shù)，彌補了Sigmoid函數(shù)以及Tanh函數(shù)的梯度消失問題。Relu函數(shù)的表達(dá)式如下：

式（7）中：x為樣本值。

Relu 沒有飽和區(qū)，不存在梯度消失問題（如圖7 所示）。

本文的數(shù)據(jù)多為正數(shù)，只有路面溫度可能為負(fù)數(shù)，輸入為正數(shù)的時候，不存在梯度消失問題。Relu 函數(shù)只有線性關(guān)系，計算簡單，而Sigmod 和Tanh要計算指數(shù)，計算速度較慢，因此Relu函數(shù)不管是前向傳播還是反向傳播，都比Sigmod 和Tanh快，故本文選擇使用Relu為激活函數(shù)。

2.1.3 防止過擬合

為防止模型訓(xùn)練中的過擬合現(xiàn)象，本文采用在每一個全連接層后添加批歸一化BN(Batch Normalization)層或Dropout 層，或者在損失函數(shù)中添加正則化項等方法[15]。

Dropout通過在前向傳播時，讓某些神經(jīng)元停止工作（如圖8所示），可以減少過擬合、提升模型的泛化能力。

2.2 神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程

如上所述，完成模型輸入輸出、激活函數(shù)選擇和防止過擬合等構(gòu)建工作后，本節(jié)對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，過程如下：

第一步：數(shù)據(jù)集劃分。本文將數(shù)據(jù)集按9∶1劃分為訓(xùn)練集和驗證集。為防止模型訓(xùn)練中的過擬合現(xiàn)象，采用在每一個全連接層后添加BN 層或Dropout 層，以及在Loss 函數(shù)中添加正則化項兩種方法。

第二步：前向傳播后計算輸出值y和真實值z之間的誤差δ=z-y，用誤差反向傳遞給前面的各層來調(diào)整網(wǎng)絡(luò)的參數(shù)，如圖9所示。

將要傳播的誤差δ返回分配給所有神經(jīng)元，從而得到每個神經(jīng)元的各自誤差δ5,δ4,…,δ1（如圖10所示）。

每個神經(jīng)元的誤差都計算完后，其權(quán)重也會更新，如圖11展示了4號神經(jīng)元的更新過程。

向前傳播更新權(quán)重的計算公式如下：

式（8）：W46為上次的舊權(quán)重；為更新后的權(quán)重；η為學(xué)習(xí)率；為誤差梯度。訓(xùn)練過程為：首先通過誤差反向傳播，獲得每個神經(jīng)元的誤差值，再根據(jù)誤差值和激活函數(shù)的導(dǎo)數(shù)來更新權(quán)重，最終達(dá)到對整個網(wǎng)絡(luò)的修正。

第三步：模型訓(xùn)練。采用交叉驗證法，一個單獨的子樣本被保留作為驗證模型的數(shù)據(jù)，其他K-1 個樣本用來訓(xùn)練。交叉驗證重復(fù)K次，每個子樣本驗證一次，平均K次的結(jié)果或使用其他結(jié)合方式，最終得到一個單一估測集。交叉驗證法的優(yōu)勢在于同時重復(fù)運用隨機產(chǎn)生的子樣本進(jìn)行訓(xùn)練和驗證，每次的結(jié)果驗證一次，10 折交叉驗證是最常用的[16]。

訓(xùn)練集采用K折交叉驗證法，將數(shù)據(jù)集按9∶1 劃分為訓(xùn)練集和測試集，輪流將其中9 份作訓(xùn)練數(shù)據(jù)，將剩下的1 份作測試數(shù)據(jù)，10 次結(jié)果的均值作為對算法精度的估計。K折交叉驗證法如圖12所示。

第一個訓(xùn)練集進(jìn)行訓(xùn)練得到的結(jié)果如圖13所示。從圖13 中可以看出，在距離結(jié)冰120min 內(nèi)測試的30 組數(shù)據(jù)中，第0～5 和18～22 的數(shù)據(jù)區(qū)間預(yù)測值和實際值偏差較大。由于第一次訓(xùn)練學(xué)習(xí)的數(shù)據(jù)比較少，模型的成熟度不夠，所以預(yù)測值與實際值差別比較大。

根據(jù)第一組的建模預(yù)測結(jié)果調(diào)整神經(jīng)網(wǎng)絡(luò)內(nèi)部各節(jié)點權(quán)值，繼續(xù)進(jìn)行其余幾組數(shù)據(jù)的模型訓(xùn)練。10 組全部訓(xùn)練完畢后，將所有數(shù)據(jù)進(jìn)行亂序，檢測模型的準(zhǔn)確度。經(jīng)10組數(shù)據(jù)訓(xùn)練完畢后對預(yù)測結(jié)果進(jìn)行對比（如圖14 所示）。預(yù)測結(jié)果在120min 內(nèi)接近實際值，趨勢和真實結(jié)果基本吻合。

3 預(yù)測模型驗證

3.1 評價標(biāo)準(zhǔn)

采用平均絕對誤差（Mean Absolute Error,MAE）、均方誤差（Mean Square Error,MSE）兩項評價指標(biāo)對預(yù)測模型精度進(jìn)行對比分析。平均絕對誤差是目標(biāo)值與預(yù)測值之差絕對值的平均，表示預(yù)測值的平均誤差幅度，而不需要考慮誤差的方向。本文預(yù)測結(jié)冰的時間比實際結(jié)冰時間或大或小，綜合考慮時間的差距，使用MAE能反映預(yù)測時間的偏差程度。MAE計算方法如下：

式（9）中：h(xi)為預(yù)測的距離結(jié)冰的時間；yi為實際值；m為計算的數(shù)據(jù)集個數(shù)。

MSE 是反映估計量與被估計量之間差異程度的一種度量。t為根據(jù)算法預(yù)測的凝冰時間值，θ是實際凝冰時間值，(θ-t)2的數(shù)學(xué)期望稱為預(yù)測值t的均方誤差。MSE 能反映預(yù)測結(jié)冰時間與實際結(jié)冰時間之間的差異程度，差異越小越好，其計算方法如下：

3.2 案例驗證

為驗證模型的預(yù)測效果，本文使用預(yù)測模型對全國30 個監(jiān)測站2019—2022 年的結(jié)冰時間進(jìn)行了預(yù)測，并對預(yù)測結(jié)果進(jìn)行對比分析和數(shù)據(jù)可視化。

使用貴州觀風(fēng)海大橋2022年1月17日路面?zhèn)鞲衅鞅O(jiān)測到的路面結(jié)冰時間數(shù)據(jù)，將預(yù)測時間與實際結(jié)冰時間對比，如圖15 所示。從圖15 可以看出，系統(tǒng)預(yù)測的時間在120min 前呈波動的狀態(tài)，與實際數(shù)據(jù)相差較大。該監(jiān)測站點當(dāng)天19:25—22:25 的監(jiān)測數(shù)據(jù)如表4 所示，因采集數(shù)據(jù)量很大，本文中只展示每5min 的數(shù)據(jù)。從表4 中可以看出，該監(jiān)測點22:25 產(chǎn)生結(jié)冰現(xiàn)象。在結(jié)冰前3h 即19:25—20:25 的時間段中，也就是預(yù)測時間相對不準(zhǔn)確的范圍內(nèi)，溫度在19:40—20:00 有多次下降、上升的情況。溫度上升意味著結(jié)冰的可能性減小，所以模型對該段時間的預(yù)測產(chǎn)生了偏差，結(jié)冰前120～180min的預(yù)測數(shù)據(jù)存在波動且與實際不符。隨著20:25 后各項數(shù)據(jù)表明趨向結(jié)冰狀態(tài)越來明確，模型調(diào)整了自己的預(yù)測時間并和實際結(jié)冰時間越來越吻合，結(jié)冰前0.5h 內(nèi)預(yù)測時間基本與實際時間一致。由表4 可知，21:10 時溫度已經(jīng)下降到0℃以下，路面存在積水（水膜厚度為199.7μm），已經(jīng)到達(dá)結(jié)冰條件，但需要一定的時間才會有一定量的冰產(chǎn)生。1h 后，22:25 路面?zhèn)鞲衅鳈z測到了結(jié)冰。本文的模型訓(xùn)練過程中都是以路面?zhèn)鞲衅鞯谝淮伪O(jiān)測到路面有冰的狀態(tài)為路面結(jié)冰時間，而不是以路面溫度下降到0℃為結(jié)冰時間點。

表4 貴州觀風(fēng)海大橋路面狀態(tài)變化情況（2022年1月17日）

表4 （續(xù)）

對所有結(jié)冰數(shù)據(jù)進(jìn)行驗證，經(jīng)計算平均絕對誤差（MAE）為9min，均方誤差（MSE）為174。并且2h之內(nèi)預(yù)測模型對越接近結(jié)冰點的時間預(yù)測越準(zhǔn)確，從統(tǒng)計結(jié)果可看出60min 之內(nèi)的預(yù)測數(shù)據(jù)和實際數(shù)據(jù)幾乎完全一致，說明神經(jīng)網(wǎng)絡(luò)計算模型對結(jié)冰前2h內(nèi)的時間預(yù)測較準(zhǔn)確，能反映出結(jié)冰時延。

4 結(jié)語

本文提出了使用神經(jīng)網(wǎng)絡(luò)進(jìn)行道路結(jié)冰時間預(yù)測的方法，以膠州灣大橋、青蘭高速、內(nèi)蒙古G6 等數(shù)個監(jiān)測點5 年的道路氣象數(shù)據(jù)作為數(shù)據(jù)集進(jìn)行預(yù)測模型訓(xùn)練和驗證。首先選取結(jié)冰前一段時間的數(shù)據(jù)進(jìn)行預(yù)處理并剔除相關(guān)性較強的特征數(shù)據(jù)，然后基于BP 神經(jīng)網(wǎng)絡(luò)算法構(gòu)建結(jié)冰預(yù)測模型，使用數(shù)據(jù)集進(jìn)行模型訓(xùn)練，經(jīng)過訓(xùn)練后對模型進(jìn)行驗證。驗證結(jié)果表明距離結(jié)冰2h內(nèi)的預(yù)測平均誤差為9min，使用BP 神經(jīng)網(wǎng)絡(luò)算法能較準(zhǔn)確預(yù)測距離結(jié)冰的時間。該方法豐富了目前預(yù)測結(jié)冰時延的手段，能為高速公路養(yǎng)護部門提前采取除冰措施提供參考。但因目前采集的路面?zhèn)鞲衅鲾?shù)據(jù)只有近5 年的數(shù)據(jù)，如果能使用更大量的數(shù)據(jù)和更豐富的數(shù)據(jù)種類，預(yù)測的精準(zhǔn)度將更高。本文在模型計算過程使用的激活函數(shù)和防止過擬合方法較單一，沒有對其他方法進(jìn)行試驗，尚未考慮使用其他方法對準(zhǔn)確性的影響，有待進(jìn)一步深入研究。