(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211041412.0 (22)申请日 2022.08.29 (71)申请人 涂成银 地址 473009 河南省南阳市宛城区光武东 路34号 申请人 张孟　白淑敏　戴秉佑 (72)发明人 涂成银　张孟　白淑敏　戴秉佑　 (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 30/13(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 119/08(2020.01) G06F 119/14(2020.01) (54)发明名称 基于集成深度学习的冬季沥青路面路表温 度预测方法 (57)摘要 本发明涉及一种基于集成深度学习的冬季 沥青路面路表温度预测方法， 属于公路交通气象 监测技术领域。 该方法包括： 根据相关系数法与 专家知识， 选择对路面温度产生累积影 响的气象 因素； 利用滑动窗口的方法切分时间序列数据， 构造监督学习样本； 采用获得的监督学习样本对 集成深度学习的冬季沥青路面路表温度预测模 型进行训练； 集成深度学习的冬季沥青 路面路表 温度预测方法包括用LSTM神经网络模块、 GRU神 经网络模块、 特征融合层和全连接层； 利用训练 后的模型对 逐时路表温度进行预测。 本发明通过 融合多维气象因素的累积影响和路表温度周期 性的集成深度学习网络， 提升 路表温度的准确率 和鲁棒性， 具有数据驱动、 自学习、 多粒度预测等 技术特点。 权利要求书2页 说明书12页 附图4页 CN 115495816 A 2022.12.20 CN 115495816 A 1.基于集成深度学习的冬季沥青路面路表温度预测方法， 其特 征在于， 包括如下步骤： 步骤(1)， 基于斯皮尔曼相关系数与路面热力学理论， 选择对路面温度产生累积影响的 气象因素； 步骤(2)， 利用滑动窗口的方法切分产生累积影响的气象因素冬季历史时间序列数据 及路表温度冬季历史时间序列数据， 构造监 督学习样本； 步骤(3)， 采用步骤(2)获得的监督学习样本对基于集成深度学习的冬季沥青路面路表 温度预测模型进行训练； 所述的基于集成深度学习的冬季沥青路面路表温度预测模型包括LSTM神经网络模块、 GRU神经网络模块、 特 征融合层和全连接层； 基于集成深度学习的冬季沥青路面路表温度预测模型采用LSTM神经网络模块提取气 象因素的累积 影响特征， 采用GRU神经网络模块提取路表温度的周期性特征， 之后利用特征 融合层将提取出 的周期性特征和累积影响特征融合为一个特征向量， 最后， 通过两个全连 接层输出 未来Δh后的路表温度； 其中， LSTM神经网络模块的输入为累积影响特 征矩阵； GRU神经网络模块的输入为周期性特 征矩阵。 步骤(4)， 实时采集对路面温度产生累积影响的气象因素数据， 利用集成深度 学习模型 对高速公路 路表温度进行 预测。 2.根据权利要求1所述的基于集成深度学习的冬季沥青路面路表温度预测方法， 其特 征在于， 步骤(1)中， 挑选出的对路面 温度产生累积 影响的气象因素为气温、 湿度、 降雨量和 风速。 3.根据权利要求1所述的基于集成深度学习的冬季沥青路面路表温度预测方法， 其特 征在于， 步骤(3)中， 累积影响特 征矩阵如式(1)所示： 其中， n为累积影响的滑动窗口大小， 表征历史前n小时， 表示气象站在时间t观测到 的气温， 从时间t ‑n到当前时间t 观测到的历史气温表示 为 表示气象站在时间t观测到的湿度； 从时间t ‑n到当前时间t观测到的历史湿度表示 为 表示气象站在时间t观测到的风速； 从时间t ‑n到当前时间t观测到的历 史风速表示 为 表示气象站在时间t观测到的降雨量； 从时间t ‑n到当前时间t观测到的历史降雨量 表示为 周期性特 征矩阵如式(2)所示： Ytd＝[y(t+Δh)‑24,y(t+Δh)‑48,…,y(t+Δh)‑24×m]   (2) 其中， m为周期性特征影响的滑动窗口大小， 表征历史前m天， yt表示气象站在时间t观测权　利　要　求　书 1/2 页 2 CN 115495816 A 2到的路表温度， Δ h表示预测的时间 间隔。 4.根据权利要求3所述的基于集成深度学习的冬季沥青路面路表温度预测方法， 其特 征在于， n 为7， m为3； l oss函数为MAE， Learn ing rate为0.0 01， 优化器为Adam。 5.根据权利要求1所述的基于集成深度学习的冬季沥青路面路表温度预测方法， 其特 征在于， 假设GRU神经网络模块和LSTM神经网络模块的节 点数分别为j和k， 累积影响特征表 示为 周期性特征表示为 然后， 将累积影响特征 和周期性特征 输入特征融合模 块， 特征融合模 块将其融合为既包含累积影响又包含 周期性的融合特 征 6.根据权利要求1所述的基于集成深度学习的冬季沥青路面路表温度预测方法， 其特 征在于， LSTM神经网络模块包括2 个LSTM层， 第一层LSTM网络为100个神经元， 第二层LSTM网 络为200个神经元； GRU神经网络模块包括2个GRU层， 第一层GRU网络为100个神经元， 第二层 GRU网络为200个神经元； LSTM神经网络模块和GRU神经网络模块均采用tanh作为激活函数； 通过特征融合层将LSTM模块和GRU模块的输出进行融合后， 输入两层全连接层进行 预测。 7.根据权利要求1所述的基于集成深度学习的冬季沥青路面路表温度预测方法， 其特 征在于， Δ h为1h。 8.基于集成深度学习的冬季沥青路面路表温度预测系统， 其特 征在于， 包括： 气象因素选择模块， 用于基于斯皮尔曼相关系数与路面热力学理论， 选择对路面温度 产生累积影响的气象因素； 第一处理模块， 用于利用滑动窗口的方法切分产生累积影响的气象因素冬季历史时间 序列数据及路表温度冬季历史时间序列数据， 构造监 督学习样本； 第二处理模块， 用于采用第 一处理模块获得的监督学习样本对基于集成深度 学习的冬 季沥青路面路表温度预测模型进行训练； 所述的基于集成深度学习的冬季沥青路面路表温度预测模型包括LSTM神经网络模块、 GRU神经网络模块、 特 征融合层和全连接层； 基于集成深度学习的冬季沥青路面路表温度预测模型采用LSTM神经网络模块提取气 象因素的累积 影响特征， 采用GRU神经网络模块提取路表温度的周期性特征， 之后利用特征 融合层将提取出 的周期性特征和累积影响特征融合为一个特征向量， 最后， 通过两个全连 接层输出 未来Δh后的路表温度； 其中， LSTM神经网络模块的输入为累积影响特 征矩阵； GRU神经网络模块的输入为周期性特 征矩阵。 路表温度预测模块， 用于实时采集对路面温度产生累积影响的气象因素数据， 利用集 成深度学习模型对高速公路 路表温度进行 预测。 9.一种电子设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算 机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求1至7任一项所述基于集 成深度学习的冬季沥青路面路表温度预测方法的步骤。 10.一种非暂态计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该计算机 程序被处理器执行时实现如权利要求1至7任一项所述基于集成深度学习的冬季沥青路面 路表温度预测方法的步骤。权　利　要　求　书 2/2 页 3 CN 115495816 A 3