基于特征相关度分析的路面凝冰短时预测方法

来源：中国血液净化杂志2023年第11期北京时间：

作者：刘照仑, 闫茂德, 左磊, 杨盼盼

单位：长安大学电子与控制工程学院, 陕西西安 710064"],"fundList_en":["National Key R & D Program of China (2021YFA1000300, 2021YFA1000303); Transportation Scientific Research Project of Shaanxi Provincial Department of Transportation (19-34K)

摘要：针对高速公路易结冰路段的路面凝冰预测问题，提出了一种基于特征相关度分析的路面凝冰短时预测方法。该方法利用路侧设备的测量数据，包括结冰厚度、相对湿度、风向与风速等，通过ADF （Augment Dickey-Fuller）检验方法分析数据集的平稳性，进而设计出基于长短期记忆网络（Long Short-term Memory，LSTM）的路面凝冰短时预测算法。根据Spearman相关度系数法分析计算上述多种凝冰监测数据的相关度与置信度，并形成基于Spearman特征相关度的数据筛选模型，优化LSTM神经网络中的输入数据集。在此基础上，搭建面向凝冰预测误差的LSTM神经网络模型，并利用筛选后的凝冰数据集训练优化预测算法中的模型参数，提高目标路段路面凝冰预测的效率与精度。最后，通过数值仿真分析比较不同特征相关度下路面凝冰短时预测算法的均方根误差，确定最优预测模型，并于西延高速KM200+918路段进行实地测试。研究结果表明：路侧设备的测量数据中相关度较低的数据对路面凝冰预测算法存在反向作用，并非将所有数据进行组合即可得到最优结果，需对测量数据进行有效筛选，进而优化LSTM神经网络，提高凝冰预测精度。利用所提出的基于特征相关度的数据筛选方法，将相关度较高数据进行组合会得到更精准的预测结果，预测值的均方根误差相比传统方法降低了41%，有效提高了路面凝冰短时预测算法的有效性与精准性。

关键词：交通工程,凝冰短时预测,相关度分析,数据平稳性,高速公路,交通安全,长短期记忆网络

基金资助：国家重点研发计划项目（2021YFA1000300，2021YFA1000303）；陕西省交通运输厅交通科研项目（19-34K）