(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110681387.1 (22)申请日 2021.06.18 (65)同一申请的已公布的文献号 申请公布号 CN 113536665 A (43)申请公布日 2021.10.2 2 (73)专利权人 云南省交通 规划设计 研究院有限 公司 地址 650041 云南省昆明市拓东路石家巷9 号 (72)发明人 杨文臣　戴秉佑　房锐　李志厚　 田毕江　苏宇　付开华　李薇　 岳松　胡澄宇　苏亚诺　 (74)专利代理 机构 昆明正原 专利商标代理有限 公司 53100 专利代理师 于洪　金耀生 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 50/30(2012.01)(56)对比文件 CN 111815037 A,2020.10.23 CN 112116147 A,2020.12.2 2 CN 112733442 A,2021.04.3 0 US 2019217864 A1,2019.07.18 US 2020097810 A1,2020.0 3.26 CN 112446173 A,2021.0 3.05 苏宇;杨文臣;田毕江;胡澄 宇.海南高速公 路沥青路面路表温度分布规 律与预估 模型. 《中 外公路》 .2018,第38卷(第6期), 郭昱辰;杨亮;刘春红;叶荣 珂;段青玲.基 于 RF-LSTM的鸡舍恶臭气体预测研究. 《中国环境科 学》 .2020,第40卷(第7期), 杨耘;王彬泽;刘艳;席江波;柏涵;王丽霞; 吴田军.基 于时空优化 ＬＳＴＭ深度学习网络的 气温预测. 《徐州工程学院学报(自然科 学版)》 .2020, 杨文臣;李立;胡澄 宇;张轮;房锐.不利天气 对公路交通 安全及交通 流的影响研究综述. 《武 汉理工大 学学报(交通科 学与工程版)》 .2019, (续) 审查员 黄剑飞 (54)发明名称 基于特征工程和LSTM的路表温度短临预测 方法及系统 (57)摘要 本发明涉及基于特征工程和LSTM的路表温 度短临预测方法及系统， 该方法对采集到的气象 要素数据进行数据处理后， 先通过随机森林模型 对影响路表温度的气象要素进行重要性排序， 选 择影响较大的气象要素作为候选特征参数， 将候 选特征参数依次组合作为模型输入， 构建长短期 记忆神经网络路表温度预测模型， 然后利用测试 集测试， 对比观测值和预测结果， 选择效果最佳 预测模型， 并获得对应的气象要素特征组合， 之 后进行误差分析。 本发明利用了随机森林高效简单、 能够分析复杂相互作用特征的能力， 结合长 短期记忆网络可以更新最优权值和阈值的优点， 使模型预测精度高， 并对模型迭代更新， 保证模 型随时间推移的仍然具有较高的准确性和稳定 性。 [转续页] 权利要求书2页 说明书9页 附图2页 CN 113536665 B 2022.05.31 CN 113536665 B (56)对比文件 陈雨鸽;高伟;林鸿伟;阮肇 华;郑为凑;林 福;陈锦植.一种基 于长短期记 忆网络的线路覆 冰预测模型研究. 《电工电气》 .2020, Mtibaa F , Nguyen K K , Azam M , et al..LSTM-based i ndoor air temperature predicti on framew ork for HV AC system s in smart bui ldings. 《Neural Computi ng and Applications》 .2020,2/2 页 2[接上页] CN 113536665 B1.基于特 征工程和LSTM的路表温度短临预测方法， 其特 征在于， 包括如下步骤： S1， 采集n类气象要素数据及 路表温度数据； 分别 对每一类的气象要素数据及 路表温度 数据中的缺失值进行填补， 并对1min气象数据及路表温度按Tmin为时间间隔求平均值， 使 气象要素 数据及路表温度数据平 滑为Tmin间隔样本数据； S2， 对平滑后的Tmin间隔样本数据进行标准化处理， 然后以标准化处理后的气象要素 数据作为输入， 以标准 化处理后的路表温度数据为输出， 构建随机森林模型； S3， 通过随机森林模型对气象要素进行重要性排序； 选择重要度 大于1％的气象要素作 为候选特征参数； S4， 对候选特征参数， 先将重要度最高的特征参数与路表温度结合作为组合1， 然后再 将重要性次之的特征参数与组合 1结合作为组合2， 重复此步骤直至候选特征参数全部结合 完； 对不同组合进行滑动窗口化获得不同特征参数组合时序数据集和路表温度时序数据 集； 之后对数据集划分为训练集和 测试集； S5， 以训练集中的各个特征参数组合时序数据集作为输入因子， 以路表温度时序数据 集中未来T分钟标准化处理后的路表温度作为输出因子， 构建长短期记忆神经网络LSTM路 表温度预测模型； S6， 以测试集中的各个特征参数组合时序数据集作为输入， 输入到S5构建长短期记忆 神经网络LSTM 路表温度预测模 型中， 获得未来T分钟标准化处理后的路表温度的预测值， 然 后通过反标准 化处理得到测试集路表温度预测结果 S7， 对比S6得到的预测结果 和S1中经过平滑处理后的这T分钟平均路表温度y， 选 择平 均绝对误差 MAE最小的预测模型作为 最佳预测模型， 并获得对应的特 征参数组合； S8， 对S7得到的最佳预测模型的预测值进行误差分析， 以实时采集获得的相应的特征 参数组合时序数据集作为输入， 将输出通过反标准化处理得到路表温度预测值， 当|预测 值‑真实值|≤ ±0.5℃时， 则采用该模型进行高速公路 路表温度预测。 2.根据权利要求1所述的基于特征工程和LSTM的路表温度短临预测方法， 其特征在于， 步骤S1中， n类气象要 素数据分别为能见度、 气温、 湿度、 风速、 风向、 气压、 水膜厚度、 冰层厚 度、 雪层厚度和湿滑系数； T＝10 。 3.根据权利要求1所述的基于特征工程和LSTM的路表温度短临预测方法， 其特征在于， 步骤S1中， 用前、 后两个值的平均值或相对应的时间区间均值对缺失值进行填补。 4.根据权利要求1所述的基于特征工程和LSTM的路表温度短临预测方法， 其特征在于， 步骤S2中， 通过Z ‑score方法对数据进行 标准化处理。 5.根据权利要求1所述的基于特征工程和LSTM的路表温度短临预测方法， 其特征在于， 步骤S4中采用数据窗口化的方式产生数据集， 即固定训练样本的大小， 将新的观测数据不 断更新到训练集作为训练样本； 训练集和 测试集的样本数量比为7:3 。 6.根据权利要求1所述的基于特征工程和LSTM的路表温度短临预测方法， 其特征在于， 步骤S5中， 所述的长短期记忆神经网络路表温度预测模型由输入层、 LSTM层和全连接层组 成。 7.基于特征工程和LSTM的高速公路路表温度短临预测系统， 其特征在于， 包括数据采 集模块(100)、 离线训练模块(200)、 路表温度在线预测模块(300)、 预警发布模块(400)和数权　利　要　求　书 1/2 页 2 CN 113536665 B 3