基于全连接神经网络方法的冬季公路路面温度预报及检验

doi:10.3969/j.issn.1673-503X.2025.01.013

气象与环境学报 ›› 2025, Vol. 41 ›› Issue (1): 104-112.doi: 10.3969/j.issn.1673-503X.2025.01.013

• 快报 • 上一篇

基于全连接神经网络方法的冬季公路路面温度预报及检验

贾晓红^1,2, 石岚^1,2, 郝玉珠¹

1. 内蒙古自治区气象服务中心, 内蒙古呼和浩特 010051;
2. 中国气象局交通气象重点实验室, 江苏南京 210008

收稿日期:2023-09-13 修回日期:2023-12-27 出版日期:2025-02-28 发布日期:2025-02-28
通讯作者: 石岚,女,正研级高级工程师,E-mail:lan_shi@sina.com。 E-mail:lan_shi@sina.com
作者简介:贾晓红,女,1993年生,工程师,主要从事交通气象研究,E-mail:2570415607@qq.com。
基金资助:
中国气象局交通气象重点开放实验室开放研究基金(BJG202207)和内蒙古自治区自然科学基金(2023QN04008、2024MS04030)共同资助。

Forecast and verification of winter road surface temperature using the Fully Connected Neural Network method

JIA Xiaohong^1,2, SHI Lan^1,2, HAO Yuzhu¹

1. Inner Mongolia Service Center of Meteorology, Hohhot 010051, China;
2. Key Laboratory of Transportation Meteorology, CMA, Nanjing 210008, China

Received:2023-09-13 Revised:2023-12-27 Online:2025-02-28 Published:2025-02-28

摘要/Abstract

摘要： 基于SCMOC精细化格点预报产品及交通气象站观测数据,利用全连接神经网络模型(Fully Connected Neural Network,FCNN),对G6京藏高速内蒙古复杂路段进行冬季未来24 h逐小时路面温度预报。结果表明:构建的FCNN模型的最佳训练期为20 d,增加时间特征变量能有效减小模型路面温度预报误差,MAE减小0.3~0.8 ℃,AR提高4%~18%。最终建立FCNN路面温度预报模型,预报总体上具有较高的精度,其中ME、MAE、RMSE分别为-0.2~0.0 ℃、1.1~1.3 ℃和1.6~1.9 ℃,r大于0.94,AR超过90%,且0 ℃以下预报效果良好。从各项检验指标的日变化来看,除12:00—15:00预报效果较差外,其余时段预报能力较强,ME、MAE、RMSE、r和AR平均值分别为-0.07 ℃、1.20 ℃、1.58 ℃、0.94和93%。通过对2022年冬季平稳天气、寒潮天气和降雪天气进行检验,MAE均在2.0 ℃以内,证实FCNN模型对不同天气的路面温度都有一定的预报能力。

关键词: 路面温度, FCNN模型, 预报, 检验

Abstract: Based on SCMOC refined grid forecast products and observation data of traffic meteorological stations,using the Fully Connected Neural Network model (FCNN),the hourly road surface temperature was forecasted for the next 24 hours in winter along the complex section of the G6 Beijing-Xizang Highway in Inner Mongolia.The results show that according to the experiment,the optimal training period of FCNN model is 20 d.Increasing the time characteristic variable could reduce the forecasting error of the road surface temperature effectively,MAE decreases by 0.3~0.8 ℃,AR increases by 4%~18%.The final FCNN model of road surface temperature forecast is developed with high accuracy,in which ME,MAE and RMSE are -0.2~0.0 ℃,1.1~1.3 ℃,and 1.6~1.9 ℃,respectively,r exceeds 0.94,AR is above 90%,and better performance for temperature below 0 ℃.From the perspective of daily variation of each test index,except for the poor forecast performance from 12:00 to 15:00,the other time periods have good forecast performance,with the mean values of ME,MAE,RMSE,r,and AR are -0.07 ℃,1.20 ℃,1.58 ℃,0.94,and 93%,respectively.Case studies conducted for stable weather,cold wave weather,and snowfall weather during the winter of 2022 confirm that the FCNN model maintains a forecasting MAE within 2.0 ℃ across different weather scenarios,demonstrating its applicability for road surface temperature prediction under diverse meteorological conditions.

Key words: Road surface temperature, FCNN Model, Forecast, Verification

中图分类号:

P457.3

贾晓红, 石岚, 郝玉珠. 基于全连接神经网络方法的冬季公路路面温度预报及检验[J]. 气象与环境学报, 2025, 41(1): 104-112.

JIA Xiaohong, SHI Lan, HAO Yuzhu. Forecast and verification of winter road surface temperature using the Fully Connected Neural Network method[J]. Journal of Meteorology and Environment, 2025, 41(1): 104-112.

参考文献

[1] 成丹,付晓辉.沪渝高速(湖北段)路面温度变化特征及预报研究[J].气象科技进展,2016,6(4):51-57.
[2] 胡继超,林子静,成添.道路结冰的温度预报方法研究进展[J].科学技术与工程,2020,20(1):1-6.
[3] 田华,吴昊,赵琳娜,等.沪宁高速公路路面温度变化特征及统计模型[J].应用气象学报,2009,20(6):737-744.
[4] 田华,张楠,张楷翊,等.国外公路交通气象研究进展[J].气象与环境学报,2019,35(3):79-86.
[5] 曲晓黎,齐宇超,尤琦,等.基于METRo模型的冬奥高速公路示范站路面温度临近预报方法[J].干旱气象,2020,38(3):497-503.
[6] 冯蕾,王晓峰,何晓凤,等.基于INCA和METRo的江苏省路面高温精细化预报[J].应用气象学报,2017,28(1):109-118.
[7] 赵文.基于METRo的高速公路路面低温预报模型研究[D].兰州:兰州大学,2022.
[8] Liu B,Yan S,You H L,et al.Road surface temperature forecast based on gradient extreme learning machine boosting[J].Computers in Industry,2018(99):294-302.
[9] 刘鑫达.基于深度学习的气象温度预测研究[D].银川:宁夏大学,2016.
[10] 罗小川,唐荣年,宁雨珂,等.基于CLDAS和ConvLSTM的海南岛区域网格温度短临预报[J].海南大学学报(自然科学版),2021,39(3):297-305.
[11] 赵琳娜,卢姝,齐丹,等.基于全连接神经网络方法的日最高气温预报[J].应用气象学报,2022,33(3):257-269.
[12] Tabrizi S E,Xiao K,Griensven J V,et al.Hourly road pavement surface temperature forecasting usingdeep learning models[J].Journal of Hydrology,2021,603(1):126877.
[13] 韦青,代刊,林建,等.2016—2018年全国智能网格降水及温度预报检验评估[J].气象,2020,46(10):1272-1285.
[14] 潘留杰,张宏芳,刘静,等.智能网格SCMOC及多模式降水预报对比[J].大气科学学报,2023,46(2):217-229.
[15] 韩伟,吴艳兰,任福.基于全连接和LSTM神经网络的空气污染物预测[J].地理信息世界,2018,25(3):34-40.
[16] 王佳,郭春燕,谷新波.包头市不同路面温度变化特征及预报模型研究[J].沙漠与绿洲气象,2021,15(1):91-96.
[17] 王可心,包云轩,朱承瑛,等.随机森林回归法在冬季路面温度预报中的应用[J].气象,2021,47(1):82-93.
[18] 邱金晶,陈锋,张珏,等.浙江省高速公路路面温度预报模型性能检验及应用[J].气象科技,2020,48(4):518-528.
[19] 张曦,浩宇,梁佳,等.陕西省高速公路路面温度特征及预报模型[J].干旱气象,2019,37(6):1028-1034.
[20] 武辉芹,马翠平,杨荣芳,等.河北省高速公路路面温度变化特征及预报模型[J].干旱气象,2014,32(4):665-670.
[21] 孙翠梅,马俊峰,孔启亮,等.镇江市道路结冰影响指数分级预报方法[J].气象与环境学报,2013,29(4):84-88.
[22] 王可心.宁宿徐高速公路北段冬季路面温度分布特征及预报研究[D].南京:南京信息工程大学,2020.
[23] 肖瑶,杜明哲,徐鹏.两种订正方法在河南高速公路沿线气温精细化预报中的应用[J].干旱气象,2020,38(6):1023-1030.

基于全连接神经网络方法的冬季公路路面温度预报及检验

Forecast and verification of winter road surface temperature using the Fully Connected Neural Network method

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10

[1]	姚凯, 朱晓彤, 陈长胜, 秦玉琳, 周东雪, 朴美花. CMA多模式对台风“梅花”在东北降水预报的检验分析[J]. 气象与环境学报, 2025, 41(1): 35-42.
[2]	高永刚,王芳,王艳,韩俊杰,姜丽霞,高峰,王铭,孙胜阳. 气象条件对三江平原水稻产量和营养品质的影响[J]. 气象与环境学报, 2024, 40(6): 78-88.
[3]	于杨,于凡越,吴芳妮,隋东,朱晨. 多源融合分析产品在辽宁地区的检验与适用性评估[J]. 气象与环境学报, 2024, 40(5): 84-91.
[4]	段文广,贾亦阳,刘燕,石永玮,陈立夫. 马拉松比赛气象指数计算及等级划分[J]. 气象与环境学报, 2024, 40(5): 99-105.
[5]	崔丽曼,谷秀杰,席乐,张亚春,薛紫月. 2023年3月河南省一次极端暴雪和雷电天气成因分析[J]. 气象与环境学报, 2024, 40(4): 10-18.
[6]	薛思嘉,王朋朋,魏瑞江,王云秀,杨梅,刘园园. 河北省马铃薯不同产量预报方法对比分析[J]. 气象与环境学报, 2024, 40(4): 123-130.
[7]	朱瑞杰,高星星,梁奇琛,王靖中,侯婷. 气候变化背景下咸阳市大气自净能力变化特征[J]. 气象与环境学报, 2024, 40(3): 55-64.
[8]	魏蕾,陈炳洪,张兰,李怀宇,梁之彦,许欢. 基于滑动质心法的华南地区锋面和暖区降水ECMWF模式预报性能评估[J]. 气象与环境学报, 2024, 40(2): 9-16.
[9]	苏小琁,孙晓巍,张宸赫,李嘉琦,路增鑫,杨旭. 时空投影模型在东北夏季降水延伸期预报中的应用和检验[J]. 气象与环境学报, 2024, 40(1): 27-36.
[10]	王勇, 陈豫英, 李婷, 苏洋. 贺兰山东麓两次暴雨过程湿位涡特征分析[J]. 气象与环境学报, 2023, 39(6): 1-9.
[11]	王月,刘成瀚,段云霞,孙虹雨,崔景琳,苏雨萌,陈沛宇,班伟龙. 2020年夏季辽宁省多模式降水预报检验[J]. 气象与环境学报, 2023, 39(6): 37-43.
[12]	王佳津, 王彬雁, 肖递祥, 龙柯吉. 基于目标对象检验法的四川省两种数值模式暴雨预报对比分析[J]. 气象与环境学报, 2023, 39(6): 44-50.
[13]	刘卫华, 金巍, 王会品, 师春香, 曲姝霖, 韩国敬, 于淼. 2020年CLDAS风场数据在辽宁省的适用性分析[J]. 气象与环境学报, 2023, 39(6): 61-68.
[14]	张爱忠,阎琦,高磊,陆井龙,腾方达,吴丹,史洪杰. 辽宁地区东北风回流暴雪预报偏差成因初探[J]. 气象与环境学报, 2023, 39(5): 28-33.
[15]	蒋维东,张荣智,陈博,张天旗,黄海玲,周林. 基于BP神经网络的地基微波辐射计雷暴预报试验研究[J]. 气象与环境学报, 2023, 39(5): 106-112.