冬季高速公路逐时路表温度LSTM预测模型

摘要：

为提高冬季路表温度的预测精度,提出一种基于多维长短时记忆(LSTM)神经网络的冬季路表温度逐时预测模型,以小时路表温度为模型输出,综合考虑多维气象因素的累积影响和路表温度的周期性,采用滑动窗口构造输入特征矩阵;构建路表温度LSTM逐时预测模型,通过深度学习高效逼近具有复杂非线性和不确定性的路表温度,并以江苏省宁宿徐高速公路、云南省麻昭高速公路为实例进行验证.结果表明:与随机森林(RF)模型和BP神经网络相比,LSTM路表温度逐时预测模型的准确率得到显著提高,在宁宿徐高速、麻昭高速的平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE)分别为0.303、0.295、0.543和0.581、0.694、0.833,预测值与观测值绝对误差位于[0,1)℃之间的占比为93％和89％.LSTM模型能准确捕捉路表温度的周期性和不确定性,在阴雨天和晴朗天的预测值与实测值基本一致,模型鲁棒性较好.

关键词：高速公路、路表温度、长短时记忆(LSTM)神经网络、逐时预测、气象因素

所属期刊栏目：33

分类号：X951;U491

资助基金：国家重点研发计划;交通运输行业重点科技项目;交通运输行业重点科技项目;云南省科技厅基础研究计划项目

在线出版日期：2023-04-03（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：136-144