摘要 文章將基于高速公路沿線自建觀測(cè)站樁和氣象站收集的長(zhǎng)序列能見(jiàn)度觀測(cè)數(shù)據(jù)作為輸入，利用長(zhǎng)短時(shí)記憶模型（LSTM）構(gòu)建了能見(jiàn)度的監(jiān)測(cè)和外推模型，分別開(kāi)展逐5 min間隔、30 min時(shí)效的外推試驗(yàn)，同時(shí)定量評(píng)估了不同模型結(jié)構(gòu)、訓(xùn)練時(shí)間及有無(wú)遺忘層對(duì)結(jié)果的影響。外推結(jié)果表明，LSTM模型的最大RMSE可達(dá)3.75 km，調(diào)整訓(xùn)練輸入尺度參數(shù)后，RMSE減小幅度達(dá)33.3%；調(diào)整訓(xùn)練時(shí)間步長(zhǎng)后，RMSE進(jìn)一步減少了3.5%；加入遺忘層后RMSE又進(jìn)一步減少了10.9%，為0.73 km，但也存在10 min外推時(shí)效內(nèi)RMSE增大的情況。由于能見(jiàn)度在10 km以下的事件對(duì)交通安全的影響較大，提取了10 km以下的能見(jiàn)度事件進(jìn)行了獨(dú)立評(píng)估，發(fā)現(xiàn)增加遺忘層對(duì)10 km以下的RMSE有增大的趨勢(shì)。該研究能夠提前預(yù)判低能見(jiàn)度的演變過(guò)程，相關(guān)結(jié)果已應(yīng)用在交管部門并協(xié)助其提前決策，一定程度上減少了惡劣天氣對(duì)交通造成的不利影響。

關(guān)鍵詞 短臨監(jiān)測(cè)；LSTM；能見(jiàn)度

中圖分類號(hào) U495 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 2096-8949（2024）22-0007-03

0 引言

高速公路提供高速、便捷的運(yùn)輸手段，是社會(huì)經(jīng)濟(jì)發(fā)展的重要條件。隨著交通事業(yè)不斷發(fā)展，截至2022年底[1]，我國(guó)當(dāng)前公路里程已達(dá)到535.48萬(wàn)公里，其中高速公路里程11.99萬(wàn)公里。然而，相關(guān)研究也指出，我國(guó)高速公路交通事故頻次居高不下，在造成大量生命和財(cái)產(chǎn)損失的同時(shí)，也嚴(yán)重影響路網(wǎng)運(yùn)行效率[2]，因此其事故危害性遠(yuǎn)高于普通公路[3]。能見(jiàn)度是用來(lái)衡量大氣透明度的距離指標(biāo)，代表水平方向的可見(jiàn)距離。研究指出，當(dāng)能見(jiàn)度小于100 m時(shí)，交通事故發(fā)生的概率密度會(huì)比其他情況高出30%[4]。面對(duì)頻繁出現(xiàn)的低能見(jiàn)度惡劣天氣，高速公路沿線氣象產(chǎn)品與服務(wù)的準(zhǔn)確性和精細(xì)化，對(duì)于提高交通運(yùn)輸?shù)陌踩燥@得尤為重要[5]。

許多學(xué)者已在利用氣象數(shù)據(jù)輔助道路決策中開(kāi)展了大量工作，唐亞平等[6]利用沈山高速公路沿線10個(gè)交通氣象站的氣象觀測(cè)資料建立了數(shù)學(xué)模型，對(duì)公路路面溫度、能見(jiàn)度及冰雪路面等交通氣象環(huán)境進(jìn)行了判識(shí)。同時(shí)，也有學(xué)者采用天氣學(xué)與統(tǒng)計(jì)學(xué)相結(jié)合的方法，以及直接使用環(huán)境氣象數(shù)值預(yù)報(bào)模式，針對(duì)高速公路能見(jiàn)度開(kāi)展了相應(yīng)研究，賀皓等[7]依據(jù)陜西省的三條高速公路的大霧天氣，制作了大霧氣象成因的概念模型；林云等[8]根據(jù)空氣質(zhì)量觀測(cè)和相對(duì)濕度建立了與能見(jiàn)度時(shí)空特征的統(tǒng)計(jì)關(guān)系，構(gòu)建了適合深圳市區(qū)的能見(jiàn)度統(tǒng)計(jì)模型；美國(guó)大氣研究中心、美國(guó)環(huán)境預(yù)報(bào)中心等科研機(jī)構(gòu)[9-10]基于WRF建立了氣象化學(xué)耦合模式（WRF-Chem）等。

交管部門對(duì)于形成突然、范圍較小的局地性事件[11]進(jìn)行實(shí)際決策時(shí)，需要提前15～30 min預(yù)判惡劣天氣可能對(duì)交通安全造成的不利影響，進(jìn)而采取限流或封路等措施。目前針對(duì)能見(jiàn)度的相關(guān)研究，一方面統(tǒng)計(jì)方法雖然時(shí)效上滿足，但準(zhǔn)確性上仍有待于提高[12]；另一方面數(shù)值預(yù)報(bào)模式物理機(jī)理清楚且誤差容易追溯，但其spin-up時(shí)間久，時(shí)效性上無(wú)法滿足，同時(shí)初始場(chǎng)精度也影響模型最終的預(yù)報(bào)效果[13]。近年來(lái)，隨著機(jī)器學(xué)習(xí)技術(shù)蓬勃發(fā)展，使用機(jī)器學(xué)習(xí)方法解決氣象問(wèn)題也越來(lái)越受到關(guān)注，殷美祥等[14]使用GRU神經(jīng)網(wǎng)絡(luò)對(duì)雷州半島近海岸進(jìn)行能見(jiàn)度1 h的短臨監(jiān)測(cè)與外推研究，為能見(jiàn)度的精細(xì)化應(yīng)用提供了新思路。

該文將基于高速公路沿線布置的自動(dòng)觀測(cè)站樁數(shù)據(jù)，使用長(zhǎng)短時(shí)記憶模型（LSTM）機(jī)器學(xué)習(xí)方法進(jìn)行建模，開(kāi)展基于公路沿線逐站樁尺度的能見(jiàn)度監(jiān)測(cè)和外推試驗(yàn)，分析機(jī)器學(xué)習(xí)模型結(jié)構(gòu)、訓(xùn)練時(shí)間及遺忘層對(duì)結(jié)果的影響，并探討了低能見(jiàn)度事件下的參數(shù)敏感性。

1 研究區(qū)域、數(shù)據(jù)和方法

1.1 研究區(qū)域

北京—秦皇島高速公路，簡(jiǎn)稱“京秦高速”，是我國(guó)境內(nèi)連接北京市和河北省秦皇島市的高速公路，為我國(guó)國(guó)家高速公路網(wǎng)北京—哈爾濱高速公路（國(guó)家高速G1）的并行線之一。京秦高速始建于2015年12月，并于2023年2月4日實(shí)現(xiàn)全線貫通，全長(zhǎng)264 km。為更好地獲取公路沿線小尺度天氣事件的發(fā)生情況，京秦高速擬以3 km等間距安裝自動(dòng)觀測(cè)站樁進(jìn)行能見(jiàn)度實(shí)時(shí)觀測(cè)。

1.2 數(shù)據(jù)獲取

為提前獲取高速公路沿線小尺度低能見(jiàn)度天氣事件的發(fā)生情況，延長(zhǎng)道路調(diào)度決策時(shí)間，該試驗(yàn)擬通過(guò)構(gòu)建LSTM模型，開(kāi)展5 min步長(zhǎng)30 min外推時(shí)效的高速公路沿線站樁級(jí)能見(jiàn)度要素的監(jiān)測(cè)和外推數(shù)據(jù)集的制作。由于京秦高速站點(diǎn)多為新建站樁，數(shù)據(jù)的時(shí)間長(zhǎng)度不足，為此，收集河北區(qū)域的國(guó)家站2021—2022年長(zhǎng)序列數(shù)據(jù)插補(bǔ)到京秦高速的站樁位置，從而構(gòu)建數(shù)據(jù)集，用于模型的建設(shè)和檢驗(yàn)。

1.3 模型構(gòu)建

使用序貫（sequential）構(gòu)建方式線性堆疊輸入層、LSTM連接層和全連接層，輸入變量經(jīng)LSTM連接層轉(zhuǎn)換后，將輸入層維數(shù)轉(zhuǎn)換為L(zhǎng)STM細(xì)胞數(shù)（設(shè)置為50）。在非線性計(jì)算之后，經(jīng)全連接層處理后（設(shè)置為6）進(jìn)行輸出。對(duì)比輸出的預(yù)測(cè)和觀測(cè)目標(biāo)，然后進(jìn)行迭代優(yōu)化（初始設(shè)置為最大500代），從而構(gòu)建歷史輸入數(shù)據(jù)和輸出目標(biāo)數(shù)據(jù)之間的關(guān)系。

1.4 模型評(píng)估

該試驗(yàn)使用驗(yàn)證期預(yù)測(cè)序列值和觀測(cè)值之間的絕對(duì)誤差（AE）表示預(yù)測(cè)序列和觀測(cè)值之間的偏差情況；使用平均絕對(duì)誤差（MAE）和均方根誤差（RMSE）表示預(yù)測(cè)序列相對(duì)于觀測(cè)序列的誤差大??；使用相關(guān)系數(shù)（CC）表示預(yù)測(cè)序列相對(duì)于觀測(cè)序列在變化趨勢(shì)上的相關(guān)性，以全方位評(píng)估模型的外推結(jié)果。

1.5 模型調(diào)整

以改善能見(jiàn)度30 min外推時(shí)效RMSE（即最大預(yù)見(jiàn)期時(shí)效）為目的，設(shè)計(jì)多種類型的試驗(yàn)，并和上一步修改的基準(zhǔn)進(jìn)行對(duì)比，其試驗(yàn)設(shè)計(jì)主要如下（見(jiàn)表1所示）：

（1）訓(xùn)練輸入尺度。該試驗(yàn)組以5站1年（合計(jì)5年）長(zhǎng)度數(shù)據(jù)，最大迭代數(shù)為500的訓(xùn)練作為基準(zhǔn)試驗(yàn)，控制輸入訓(xùn)練站的點(diǎn)數(shù)進(jìn)行測(cè)試，采取最合適的試驗(yàn)作為下一步調(diào)整的基準(zhǔn)。

（2）時(shí)間步長(zhǎng)參數(shù)。該試驗(yàn)組以60步長(zhǎng)（1 h）為基準(zhǔn)試驗(yàn)，控制時(shí)間的步長(zhǎng)變量進(jìn)行測(cè)試，采取最合適的試驗(yàn)作為下一步調(diào)整的基準(zhǔn)。

（3）模型遺忘層設(shè)定。該試驗(yàn)組以無(wú)遺忘層為基準(zhǔn)試驗(yàn)，控制遺忘層的遺忘參數(shù)進(jìn)行測(cè)試，采取最適宜參數(shù)作為最終的調(diào)整依據(jù)。

2 結(jié)果與分析

2.1 外推結(jié)果評(píng)估

從空間尺度上看，短臨監(jiān)測(cè)與外推和觀測(cè)能見(jiàn)度相比：在大多數(shù)站點(diǎn)情況下略低于觀測(cè)能見(jiàn)度；誤差方面，平均絕對(duì)誤差最小值為0.72 km，最大值為3.75 km；RMSE最小值為1.11 km，最大值為8.36 km，最低相關(guān)系數(shù)為0.82。從時(shí)間尺度上看，平均絕對(duì)誤差在最大預(yù)報(bào)時(shí)效上為0.3 km，RMSE則為1.27 km，相關(guān)系數(shù)為0.97。

篩選低于10 km的能見(jiàn)度事件進(jìn)行評(píng)估，從空間尺度上看：短臨監(jiān)測(cè)與外推能見(jiàn)度和觀測(cè)能見(jiàn)度相比，在大多數(shù)站點(diǎn)略低于觀測(cè)能見(jiàn)度；誤差方面，平均絕對(duì)誤差最小值為0.64 km，最大值為3.91 km；RMSE最小值為0.94 km，最大值為7.15 km，最低相關(guān)系數(shù)為0.22。從時(shí)間尺度上看，平均絕對(duì)誤差在最大預(yù)報(bào)時(shí)效上為1.0 km，RMSE則為2.31 km，相關(guān)系數(shù)為0.72。

2.2 參數(shù)調(diào)整的影響分析

修改訓(xùn)練輸入數(shù)據(jù)量的大小。結(jié)果顯示，增加訓(xùn)練數(shù)據(jù)如7站，引入較多的數(shù)據(jù)能夠讀取到更多的非線性變化趨勢(shì)。經(jīng)過(guò)訓(xùn)練后，30 min監(jiān)測(cè)和外推時(shí)效的RMSE達(dá)到了0.85 km，相較于初始的1.27 km提升了33%。

測(cè)試訓(xùn)練時(shí)間步長(zhǎng)對(duì)模型預(yù)測(cè)的影響。結(jié)果顯示，經(jīng)過(guò)訓(xùn)練后，時(shí)間步長(zhǎng)為30 min的試驗(yàn)表現(xiàn)出較好的RMSE提升，其RMSE為0.82 km，相對(duì)于參考試驗(yàn)，RMSE進(jìn)一步改良了3.5%。

修改遺忘參數(shù)。試驗(yàn)結(jié)果表明：在遺忘系數(shù)為0.3情況下，30 min監(jiān)測(cè)和外推時(shí)效的RMSE達(dá)到了0.73 km，進(jìn)一步提升了10.9%；遺忘系數(shù)過(guò)大時(shí)，RMSE反而會(huì)增大。同時(shí)，在5 min監(jiān)測(cè)和外推時(shí)效時(shí)，遺忘系數(shù)為0.3的RMSE為0.15 km，相比于對(duì)照試驗(yàn)的0.08 km，惡化了87%，如圖1所示：

2.3 低能見(jiàn)度下的結(jié)果分析

在低能見(jiàn)度情形下，7站試驗(yàn)在30 min監(jiān)測(cè)和外推時(shí)效的RMSE達(dá)到了1.54 km，相較于初始的2.31 km提升了33%。

訓(xùn)練的時(shí)間步長(zhǎng)參數(shù)調(diào)整結(jié)果顯示，時(shí)間步長(zhǎng)為30 min的試驗(yàn)表現(xiàn)出較好的RMSE提升，其RMSE為1.502 km，相對(duì)于參考試驗(yàn)的1.54 km，RMSE進(jìn)一步改良了2.4%。

增加遺忘層的試驗(yàn)結(jié)果顯示，對(duì)于低能見(jiàn)度情形，遺忘層的增加使得RMSE和平均絕對(duì)誤差均出現(xiàn)了不同程度的惡化，如圖2所示：

3 結(jié)論

該試驗(yàn)使用序貫式堆疊建立了LSTM模型的方法，使用2021—2022年長(zhǎng)序列氣象觀測(cè)，插補(bǔ)到京秦高速河北段自動(dòng)觀測(cè)站樁的預(yù)設(shè)位置，分別組成訓(xùn)練和測(cè)試數(shù)據(jù)集進(jìn)行模型的訓(xùn)練調(diào)整，制作了短臨監(jiān)測(cè)外推數(shù)據(jù)集。以觀測(cè)數(shù)據(jù)集為基準(zhǔn)，對(duì)外推數(shù)據(jù)序列使用的絕對(duì)誤差、平均絕對(duì)誤差、RMSE和相關(guān)系數(shù)進(jìn)行了評(píng)估，得出結(jié)論如下：

短臨監(jiān)測(cè)與外推能見(jiàn)度在大多數(shù)站點(diǎn)略低于觀測(cè)值，平均絕對(duì)誤差在最大預(yù)報(bào)時(shí)效為0.3 km，RMSE則為1.27 km，相關(guān)系數(shù)為0.97；10 km以下的低能見(jiàn)度情形下，平均絕對(duì)誤差在最大預(yù)報(bào)時(shí)效上為1.0 km，RMSE則為2.31 km，相關(guān)系數(shù)為0.72。

調(diào)整能見(jiàn)度模型的模型結(jié)構(gòu)和訓(xùn)練參數(shù)，以獲得較好的擬合效果，可首先考慮對(duì)輸入數(shù)據(jù)尺度進(jìn)行調(diào)整，其RMSE提升幅度可達(dá)33.6%；對(duì)于訓(xùn)練時(shí)間步長(zhǎng)的調(diào)整，RMSE進(jìn)一步改良了3.5%；遺忘層的加入能夠減小較長(zhǎng)監(jiān)測(cè)時(shí)效情形的RMSE；但在10 min內(nèi)監(jiān)測(cè)時(shí)效情形下，遺忘層的加入會(huì)增加RMSE，提升達(dá)10.9%。在低能見(jiàn)度情形下，遺忘層的加入會(huì)對(duì)能見(jiàn)度短臨監(jiān)測(cè)與外推造成負(fù)面的影響。

該試驗(yàn)為進(jìn)一步發(fā)掘基于高速公路沿線觀測(cè)站樁的數(shù)據(jù)價(jià)值，延長(zhǎng)小尺度突發(fā)事件的預(yù)警外推時(shí)效長(zhǎng)度，使用較為簡(jiǎn)易的數(shù)據(jù)輸入和預(yù)處理方法開(kāi)展了監(jiān)測(cè)和外推試驗(yàn)，雖然在部分驗(yàn)證試驗(yàn)中取得了較好效果，然而在低能見(jiàn)度情形下仍需對(duì)模型進(jìn)一步改進(jìn)，或加入更豐富的監(jiān)測(cè)數(shù)據(jù)，以改善外推質(zhì)量。

參考文獻(xiàn)

[1]交通運(yùn)輸部.2022年交通運(yùn)輸行業(yè)發(fā)展統(tǒng)計(jì)公報(bào)[Z].北京：交通運(yùn)輸部，2022.

[2]張馳，周郁茗，張敏，等.交通事故導(dǎo)致的高速公路擁堵?tīng)顟B(tài)判別方法[J].交通信息與安全，2023（1）：23-33.

[3]沈靜.高速公路事故風(fēng)險(xiǎn)實(shí)時(shí)預(yù)測(cè)及事后時(shí)空影響分析[D].南京：東南大學(xué)，2018.

[4]馮蕾，鄧毅萍，李藹恂，等.霧天高速公路交通事故的特征及與能見(jiàn)度的關(guān)系[J].科技導(dǎo)報(bào)，2020（11）：160-168.

[5]劉東，馬社強(qiáng)，牛學(xué)軍.我國(guó)高速公路交通事故特點(diǎn)分析[J].中國(guó)人民公安大學(xué)學(xué)報(bào)（自然科學(xué)版），2008（4）：65-68.

[6]唐亞平，張晉廣，張凱，等.北方公路交通氣象環(huán)境識(shí)別及安全管理策略研究[J].氣象科學(xué)，2012（4）：466-471.

[7]賀皓，劉子臣，徐虹，等.陜西省高等級(jí)公路大霧的預(yù)報(bào)方法研究[J].陜西氣象，2003（1）：7-10.

[8]林云，孫向明，張小麗，等.深圳市大氣能見(jiàn)度與細(xì)粒子濃度統(tǒng)計(jì)模型[J].應(yīng)用氣象學(xué)報(bào)，2009（2）：252-256.

[9]周廣強(qiáng)，謝英，吳劍斌，等.基于WRF-Chem模式的華東區(qū)域PM2.5預(yù)報(bào)及偏差原因[J].中國(guó)環(huán)境科學(xué) ，2016（8）：2251-2259.

[10]王曉君，馬浩.新一代中尺度預(yù)報(bào)模式（WRF）國(guó)內(nèi)應(yīng)用進(jìn)展[J].地球科學(xué)進(jìn)展，2011（11）：1191-1199.

[11]胡思濤，王雪梅，朱艷茹.團(tuán)霧天氣下高速公路交通事故特征分析[J].交通信息與安全，2014（4）：69-73+101.

[12]張小玲，楊波，盛杰，等.中國(guó)強(qiáng)對(duì)流天氣預(yù)報(bào)業(yè)務(wù)發(fā)展[J].氣象科技進(jìn)展，2018（3）：8-18.

[13]Wood， E. F.， Roundy， J. K.， Troy， T. J.， et al. Hyperresolution global land surface modeling： Meeting a grand challenge for monitoring Earth's terrestrial water[J]. Water Resource Research， 2011（47）： W05301.

[14]殷美祥，羅瑞婷，陳榮泉，等.基于GRU神經(jīng)網(wǎng)絡(luò)的雷州半島近海岸能見(jiàn)度短臨預(yù)報(bào)研究[J].熱帶氣象學(xué)報(bào)，2023（2）：267-275.

收稿日期：2024-06-06

作者簡(jiǎn)介：劉俊江（1997—），男，碩士，助理工程師，研究方向：交通專題應(yīng)用產(chǎn)品研發(fā)。

基金項(xiàng)目：國(guó)家氣象信息中心專題應(yīng)用產(chǎn)品研發(fā)重點(diǎn)創(chuàng)新團(tuán)隊(duì)“交通安全氣象監(jiān)測(cè)產(chǎn)品研發(fā)及應(yīng)用項(xiàng)目”（NMIC-2024-ZD07），國(guó)家自然科學(xué)基金委員會(huì)“中國(guó)民用航空局民航聯(lián)合研究基金項(xiàng)目”（U2033207）。