基于PCA-PSO-ELM的道路结冰预测模型

摘要：

路面结冰对道路交通安全产生严重影响,有效预测结冰并采取主动的防冰措施成为解决这一问题的最有效且经济的手段.为提高道路行车安全,实现对路面结冰的精准预测,提出了一种融合主成分分析法(PCA)、粒子群优化算法(PSO)和极限学习机(ELM)的道路结冰预测模型.首先,针对相对湿度、大气压强、空气温度、风速、风向、路面温度、水膜厚度、融雪剂浓度8个影响因素进行主成分分析;然后,提取影响因子的主成分,并设定PSO算法参数、种群规模和迭代次数;通过粒子群优化算法搜索极限学习机模型的最优输入权值和隐含层神经元阈值,从而构建了PCA-PSO-ELM道路结冰预测模型;最后,利用3个路段的路面气象数据对模型进行验证.结果表明:PCA-PSO-ELM结冰预测模型的平均预测准确率达到95.85％,显著优于传统ELM、BP神经网络及SVM;此外,该模型在相同时间的不同路段和不同时间的相同路段上均表现出较高的预测准确率、精确率、召回率及F1分数,表明其具备优秀的泛化能力.PCA-PSO-ELM模型在保证准确率的同时,提高了路面结冰预测结果的稳定性,为有效应对路面结冰问题提供了坚实的理论支持.

关键词：道路工程、道路结冰预测、极限学习机、结冰路面、主成分分析、粒子群优化

所属期刊栏目：41

分类号：U421.4

资助基金：交通运输行业重点科技项目2018MS4109

在线出版日期：2024-08-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：23-31