長短時記憶模型在高速公路沿線能見度監測和外推中的應用

摘要 文章將基于高速公路沿線自建觀測站樁和氣象站收集的長序列能見度觀測數據作為輸入，利用長短時記憶模型（LSTM）構建了能見度的監測和外推模型，分別開展逐5 min間隔、30 min時效的外推試驗，同時定量評估了不同模型結構、訓練時間及有無遺忘層對結果的影響。外推結果表明，LSTM模型的最大RMSE可達3.75 km，調整訓練輸入尺度參數后，RMSE減小幅度達33.3%；調整訓練時間步長后，RMSE進一步減少了3.5%；加入遺忘層后RMSE又進一步減少了10.9%，為0.73 km，但也存在10 min外推時效內RMSE增大的情況。由于能見度在10 km以下的事件對交通安全的影響較大，提取了10 km以下的能見度事件進行了獨立評估，發現增加遺忘層對10 km以下的RMSE有增大的趨勢。該研究能夠提前預判低能見度的演變過程，相關結果已應用在交管部門并協助其提前決策，一定程度上減少了惡劣天氣對交通造成的不利影響。

關鍵詞 短臨監測；LSTM；能見度

中圖分類號 U495 文獻標識碼 A 文章編號 2096-8949（2024）22-0007-03

0 引言

高速公路提供高速、便捷的運輸手段，是社會經濟發展的重要條件。隨著交通事業不斷發展，截至2022年底[1]，我國當前公路里程已達到535.48萬公里，其中高速公路里程11.99萬公里。然而，相關研究也指出，我國高速公路交通事故頻次居高不下，在造成大量生命和財產損失的同時，也嚴重影響路網運行效率[2]，因此其事故危害性遠高于普通公路[3]。能見度是用來衡量大氣透明度的距離指標，代表水平方向的可見距離。研究指出，當能見度小于100 m時，交通事故發生的概率密度會比其他情況高出30%[4]。面對頻繁出現的低能見度惡劣天氣，高速公路沿線氣象產品與服務的準確性和精細化，對于提高交通運輸的安全性顯得尤為重要[5]。

許多學者已在利用氣象數據輔助道路決策中開展了大量工作，唐亞平等[6]利用沈山高速公路沿線10個交通氣象站的氣象觀測資料建立了數學模型，對公路路面溫度、能見度及冰雪路面等交通氣象環境進行了判識。同時，也有學者采用天氣學與統計學相結合的方法，以及直接使用環境氣象數值預報模式，針對高速公路能見度開展了相應研究，賀皓等[7]依據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]根據空氣質量觀測和相對濕度建立了與能見度時空特征的統計關系，構建了適合深圳市區的能見度統計模型；美國大氣研究中心、美國環境預報中心等科研機構[9-10]基于WRF建立了氣象化學耦合模式（WRF-Chem）等。

交管部門對于形成突然、范圍較小的局地性事件[11]進行實際決策時，需要提前15～30 min預判惡劣天氣可能對交通安全造成的不利影響，進而采取限流或封路等措施。目前針對能見度的相關研究，一方面統計方法雖然時效上滿足，但準確性上仍有待于提高[12]；另一方面數值預報模式物理機理清楚且誤差容易追溯，但其spin-up時間久，時效性上無法滿足，同時初始場精度也影響模型最終的預報效果[13]。近年來，隨著機器學習技術蓬勃發展，使用機器學習方法解決氣象問題也越來越受到關注，殷美祥等[14]使用GRU神經網絡對雷州半島近海岸進行能見度1 h的短臨監測與外推研究，為能見度的精細化應用提供了新思路。

該文將基于高速公路沿線布置的自動觀測站樁數據，使用長短時記憶模型（LSTM）機器學習方法進行建模，開展基于公路沿線逐站樁尺度的能見度監測和外推試驗，分析機器學習模型結構、訓練時間及遺忘層對結果的影響，并探討了低能見度事件下的參數敏感性。

1 研究區域、數據和方法

1.1 研究區域

北京—秦皇島高速公路，簡稱“京秦高速”，是我國境內連接北京市和河北省秦皇島市的高速公路，為我國國家高速公路網北京—哈爾濱高速公路（國家高速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日實現全線貫通，全長264 km。為更好地獲取公路沿線小尺度天氣事件的發生情況，京秦高速擬以3 km等間距安裝自動觀測站樁進行能見度實時觀測。

1.2 數據獲取

為提前獲取高速公路沿線小尺度低能見度天氣事件的發生情況，延長道路調度決策時間，該試驗擬通過構建LSTM模型，開展5 min步長30 min外推時效的高速公路沿線站樁級能見度要素的監測和外推數據集的制作。由于京秦高速站點多為新建站樁，數據的時間長度不足，為此，收集河北區域的國家站2021—2022年長序列數據插補到京秦高速的站樁位置，從而構建數據集，用于模型的建設和檢驗。

1.3 模型構建

使用序貫（sequential）構建方式線性堆疊輸入層、LSTM連接層和全連接層，輸入變量經LSTM連接層轉換后，將輸入層維數轉換為LSTM細胞數（設置為50）。在非線性計算之后，經全連接層處理后（設置為6）進行輸出。對比輸出的預測和觀測目標，然后進行迭代優化（初始設置為最大500代），從而構建歷史輸入數據和輸出目標數據之間的關系。

1.4 模型評估

該試驗使用驗證期預測序列值和觀測值之間的絕對誤差（AE）表示預測序列和觀測值之間的偏差情況；使用平均絕對誤差（MAE）和均方根誤差（RMSE）表示預測序列相對于觀測序列的誤差大小；使用相關系數（CC）表示預測序列相對于觀測序列在變化趨勢上的相關性，以全方位評估模型的外推結果。

1.5 模型調整

以改善能見度30 min外推時效RMSE（即最大預見期時效）為目的，設計多種類型的試驗，并和上一步修改的基準進行對比，其試驗設計主要如下（見表1所示）：

（1）訓練輸入尺度。該試驗組以5站1年（合計5年）長度數據，最大迭代數為500的訓練作為基準試驗，控制輸入訓練站的點數進行測試，采取最合適的試驗作為下一步調整的基準。

（2）時間步長參數。該試驗組以60步長（1 h）為基準試驗，控制時間的步長變量進行測試，采取最合適的試驗作為下一步調整的基準。

（3）模型遺忘層設定。該試驗組以無遺忘層為基準試驗，控制遺忘層的遺忘參數進行測試，采取最適宜參數作為最終的調整依據。

2 結果與分析

2.1 外推結果評估

從空間尺度上看，短臨監測與外推和觀測能見度相比：在大多數站點情況下略低于觀測能見度；誤差方面，平均絕對誤差最小值為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，最低相關系數為0.82。從時間尺度上看，平均絕對誤差在最大預報時效上為0.3 km，RMSE則為1.27 km，相關系數為0.97。

篩選低于10 km的能見度事件進行評估，從空間尺度上看：短臨監測與外推能見度和觀測能見度相比，在大多數站點略低于觀測能見度；誤差方面，平均絕對誤差最小值為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，最低相關系數為0.22。從時間尺度上看，平均絕對誤差在最大預報時效上為1.0 km，RMSE則為2.31 km，相關系數為0.72。

2.2 參數調整的影響分析

修改訓練輸入數據量的大小。結果顯示，增加訓練數據如7站，引入較多的數據能夠讀取到更多的非線性變化趨勢。經過訓練后，30 min監測和外推時效的RMSE達到了0.85 km，相較于初始的1.27 km提升了33%。

測試訓練時間步長對模型預測的影響。結果顯示，經過訓練后，時間步長為30 min的試驗表現出較好的RMSE提升，其RMSE為0.82 km，相對于參考試驗，RMSE進一步改良了3.5%。

修改遺忘參數。試驗結果表明：在遺忘系數為0.3情況下，30 min監測和外推時效的RMSE達到了0.73 km，進一步提升了10.9%；遺忘系數過大時，RMSE反而會增大。同時，在5 min監測和外推時效時，遺忘系數為0.3的RMSE為0.15 km，相比于對照試驗的0.08 km，惡化了87%，如圖1所示：

2.3 低能見度下的結果分析

在低能見度情形下，7站試驗在30 min監測和外推時效的RMSE達到了1.54 km，相較于初始的2.31 km提升了33%。

訓練的時間步長參數調整結果顯示，時間步長為30 min的試驗表現出較好的RMSE提升，其RMSE為1.502 km，相對于參考試驗的1.54 km，RMSE進一步改良了2.4%。

增加遺忘層的試驗結果顯示，對于低能見度情形，遺忘層的增加使得RMSE和平均絕對誤差均出現了不同程度的惡化，如圖2所示：

3 結論

該試驗使用序貫式堆疊建立了LSTM模型的方法，使用2021—2022年長序列氣象觀測，插補到京秦高速河北段自動觀測站樁的預設位置，分別組成訓練和測試數據集進行模型的訓練調整，制作了短臨監測外推數據集。以觀測數據集為基準，對外推數據序列使用的絕對誤差、平均絕對誤差、RMSE和相關系數進行了評估，得出結論如下：

短臨監測與外推能見度在大多數站點略低于觀測值，平均絕對誤差在最大預報時效為0.3 km，RMSE則為1.27 km，相關系數為0.97；10 km以下的低能見度情形下，平均絕對誤差在最大預報時效上為1.0 km，RMSE則為2.31 km，相關系數為0.72。

調整能見度模型的模型結構和訓練參數，以獲得較好的擬合效果，可首先考慮對輸入數據尺度進行調整，其RMSE提升幅度可達33.6%；對于訓練時間步長的調整，RMSE進一步改良了3.5%；遺忘層的加入能夠減小較長監測時效情形的RMSE；但在10 min內監測時效情形下，遺忘層的加入會增加RMSE，提升達10.9%。在低能見度情形下，遺忘層的加入會對能見度短臨監測與外推造成負面的影響。

該試驗為進一步發掘基于高速公路沿線觀測站樁的數據價值，延長小尺度突發事件的預警外推時效長度，使用較為簡易的數據輸入和預處理方法開展了監測和外推試驗，雖然在部分驗證試驗中取得了較好效果，然而在低能見度情形下仍需對模型進一步改進，或加入更豐富的監測數據，以改善外推質量。

參考文獻

[1]交通運輸部.2022年交通運輸行業發展統計公報[Z].北京：交通運輸部，2022.

[2]張馳，周郁茗，張敏，等.交通事故導致的高速公路擁堵狀態判別方法[J].交通信息與安全，2023（1）：23-33.

[3]沈靜.高速公路事故風險實時預測及事后時空影響分析[D].南京：東南大學，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度的關系[J].科技導報，2020（11）：160-168.

[5]劉東，馬社強，牛學軍.我國高速公路交通事故特點分析[J].中國人民公安大學學報（自然科學版），2008（4）：65-68.

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

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

[8]林云，孫向明，張小麗，等.深圳市大氣能見度與細粒子濃度統計模型[J].應用氣象學報，2009（2）：252-256.

[9]周廣強，謝英，吳劍斌，等.基于WRF-Chem模式的華東區域PM2.5預報及偏差原因[J].中國環境科學 ，2016（8）：2251-2259.

[10]王曉君，馬浩.新一代中尺度預報模式（WRF）國內應用進展[J].地球科學進展，2011（11）：1191-1199.

[11]胡思濤，王雪梅，朱艷茹.團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.中國強對流天氣預報業務發展[J].氣象科技進展，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神經網絡的雷州半島近海岸能見度短臨預報研究[J].熱帶氣象學報，2023（2）：267-275.

收稿日期：2024-06-06

作者簡介：劉俊江（1997—），男，碩士，助理工程師，研究方向：交通專題應用產品研發。

基金項目：國家氣象信息中心專題應用產品研發重點創新團隊“交通安全氣象監測產品研發及應用項目”（NMIC-2024-ZD07），國家自然科學基金委員會“中國民用航空局民航聯合研究基金項目”（U2033207）。