基于Logistic回归和神经网络的甘肃省道路结冰预警模型研究

doi:10.11755/j.issn.1006-7639(2024)-01-0137

摘要/Abstract

摘要：

为更好地开展公路交通道路结冰预报预警服务工作，利用甘肃省道路结冰高发区路段（甘肃武威以东）的交通气象站逐小时观测资料，分析道路结冰空间分布特征，探讨道路结冰与气象要素的相关性，采用Logistic回归法和神经网络算法构建道路结冰预警模型。结果表明：甘肃省道路结冰主要集中在冬季（12月至次年2月），其中00：00—10：00和22：00—23：00（北京时）出现道路结冰的频率较高。Logistic回归模型和神经网络模型对未发生结冰事件的预测准确率较高，分别为91.9%和96.2%；针对发生结冰事件，Logistic回归模型的预测准确率较低，为31.6%，而神经网络模型的预测准确率可达44.6%，说明2种模型对道路结冰预警有一定指示意义，神经网络模型预测效果优于Logistic回归模型。

关键词: 道路结冰, 时空分布特征, Logistic回归法, 神经网络模型

Abstract:

In order to better carry out the road icing prediction and early warning services, the hourly observation data of traffic meteorological stations in the high incidence area of road icing in Gansu Province (the east of Wuwei, Gansu) were used to analyze the spatial and temporal distribution characteristics of road icing, explore the correlation between road icing and meteorological factors, and construct the road icing warning model by using Logistic regression method and neural network algorithm. The results showed that road icing in Gansu Province occurred mainly in winter (from December to February of the following year), and the frequency of road icing was higher from 00:00 to 10:00 and from 22:00 to 23:00. Logistic regression model and neural network model had high prediction accuracy for non-icing events, with 91.9% and 96.2%, respectively. For the occurrence of icing events, the prediction accuracy of Logistic regression model was low, at 31.6%, while that of neural network model could reach 44.6%, indicating that the two models had certain indicative significance for road icing warning, and the prediction effect of neural network model was better than that of Logistic regression model.

Key words: road icing, spatial and temporal distribution characteristic, logistic regression method, neural network model

中图分类号:

鲍丽丽, 程鹏, 王小勇, 何金梅, 闫昕旸, 尹春, 李晓琴, 赵文婧. 基于Logistic回归和神经网络的甘肃省道路结冰预警模型研究[J]. 干旱气象, 2024, 42(1): 137-145.

BAO Lili, CHENG Peng, WANG Xiaoyong, HE Jinmei, YAN Xinyang, YIN Chun, LI Xiaoqin, ZHAO Wenjing. Research on road icing warning model based on Logistic regression and neural network in Gansu Province[J]. Journal of Arid Meteorology, 2024, 42(1): 137-145.

图/表 10

图1 甘肃武威以东高速公路及气象站点分布

Fig.1 Distribution of expressway and meteorological stations in the east of Wuwei， Gansu

图2 2015—2020年11月至次年4月甘肃武威以东道路结冰小时数空间分布（单位：h）

Fig.2 Spatial distribution of road icing hours in the east of Wuwei， Gansu Province from November to April of the next year during 2015-2020 （Unit： h）

图3 2015—2020年11月至次年4月甘肃武威以东道路结冰发生频率的逐时变化

Fig.3 The hourly variation of frequency of road icing in the east of Wuwei， Gansu Province from November to April of the next year during 2015-2020

图4 2015—2020年11月至次年4月甘肃武威以东道路结冰时气象要素逐时变化

Fig.4 The hourly variation of meteorological elements when the road freezes in the east of Wuwei， Gansu Province from November to April of the next year during 2015-2020

图5 2015—2020年11月至次年4月甘肃武威以东道路结冰时不同高速路段、不同气象要素的箱线图

Fig.5 The box diagram of different highway sections and different meteorological elements when the road freezes in the east of Wuwei， Gansu Province from November to April of the next year during 2015-2020

表1 甘肃武威以东高速公路道路结冰气象条件等级指标

Tab.1 Index of the grade of meteorological conditions for expressway road icing in the east of Wuwei， Gansu Province

路段	气温T/℃	路面温度T_R/℃	相对湿度RH/%	降水量（R₂₄）或积雪深度（H）条件满足其一即可
Ⅰ路段	T≤-5	T_R≤-2	RH≥65	四级（稍有影响）：0.1 mm≤R₂₄<2.5 mm或1 cm≤H<2 cm；三级（有一定影响）：2.5 mm≤R₂₄<5.0 mm或2 cm≤H<3 cm；二级（有较大影响）：5.0 mm≤R₂₄<10.0 mm或3 cm≤H<5 cm；一级（有严重影响）：R₂₄≥10.0 mm或H≥5 cm。
Ⅱ路段	T≤-2	T_R≤-1	RH≥65
Ⅲ路段	T≤-3	T_R≤-1	RH≥75
Ⅳ路段	T≤-2	T_R≤-1	RH≥75
Ⅴ路段	T≤-2	T_R≤-1	RH≥75
Ⅵ路段	T≤-2	T_R≤-1	RH≥70
Ⅶ路段	T≤-5	T_R≤-2	RH≥75
Ⅷ路段	T≤-5	T_R≤-1	RH≥75
所有路段平均	T≤-3	T_R≤-1	RH≥65

表2 高速公路道路结冰气象风险概率预报的等级划分

Tab.2 Classification of meteorological risk probability forecast for expressway road icing

气象灾害	等级	颜色	划分依据	道路结冰风险
道路结冰	四级	蓝色	0.5<P≤0.6	稍有风险
	三级	黄色	0.6<P≤0.8	有一定风险
	二级	橙色	0.8<P≤0.9	有较大风险
	一级	红色	P>0.9	有严重风险

图6 神经网络结构示意图

Fig.6 Schematic diagram of the neural network structure

表3 神经网络模型对道路结冰的预测结果单位：%

Tab.3 Prediction results of road icing by neural network models

样本	交叉熵损失函数的不正确预测率	道路结冰等于0的正确预测率	道路结冰等于1的正确预测率	总体正确预测率
训练样本	11.3	96.2	44.6	88.7
测试样本	11.8	96.1	43.1	88.2

图7 神经网络模型的ROC曲线（a）及自变量的重要性（b）

Fig.7 The receiver operating characteristic curve （a） and the importance of the independent variables （b） of neural network model

参考文献 45

[1]	敖翔宇, 谈建国, 刘冬韡, 等, 2017. 一种城市地表能量平衡模式在上海的模拟评估[J]. 气象, 43(8): 973-986.
[2]	白永清, 何明琼, 刘静, 等, 2015. 高速公路交通事故与气象条件的关系研究[J]. 气象与环境科学, 38(2): 66-71.
[3]	白永清, 陈城, 何明琼, 2016. 利用Logistic回归方法的高速桥(路)面结冰风险等级预警模型[J]. 气象科技, 44(2): 336-340.
[4]	陈双, 符娇兰, 2021. 华北地区雪密度不同的两次降雪过程对比分析[J]. 气象, 47(1): 36-48.
[5]	董天翔, 包云轩, 袁成松, 等, 2018. 三种统计预报模型在江苏省道路低温预警中的应用[J]. 气象科技, 46(4): 773-784.
[6]	董颜, 郭文利, 闵晶晶, 等, 2020. 北京道面温度特征分析和统计预报研究[J]. 气象, 46(5): 716-724.
[7]	冯蕾, 王晓峰, 何晓凤, 等, 2017. 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, 28(1): 109-118.
[8]	盖长松, 曹丽娟, 阳园燕, 2023. 三种气温插补方法在中国西南地区的应用分析[J]. 干旱气象, 41(5): 792-801. DOI
[9]	黄小刚, 费建芳, 陈佩燕, 2009. 利用神经网络方法建立热带气旋强度预报模型[J]. 应用气象学报, 20(6): 699-705.
[10]	姬雪帅, 王丽婧, 郭宏, 等, 2022. 基于多源观测资料对张家口一次雨雪天气降水相态特征的分析[J]. 干旱气象, 40(3): 507-515. DOI
[11]	康延臻, 王式功, 杨旭, 等, 2016. 高速公路交通气象监测预报服务研究进展[J]. 干旱气象, 34(4): 591-603. DOI
[12]	李蕊, 牛生杰, 汪玲玲, 等, 2011. 三种下垫面温度对比观测及结冰气象条件分析[J]. 气象, 37(3): 325-333.
[13]	刘冬韡, 敖翔宇, 谈建国, 等, 2015. 上海城市精细化地表温度分布模拟[J]. 气象与环境学报, 31(2): 59-66.
[14]	刘洪兰, 张俊国, 阙龙凯, 等, 2014. 基于BP神经网络的张掖国家湿地公园水域结冰厚度预报模型[J]. 高原气象, 33(3): 832-837. DOI
[15]	刘梅, 尹东屏, 王清楼, 等, 2007. 南京地区冬季路面结冰天气标准及其预测[J]. 气象科学, 27(6): 685-690.
[16]	吕晶晶, 牛生杰, 周悦, 等, 2013. 冬季高速公路路桥温度变化规律及能量平衡分析[J]. 大气科学学报, 36(5): 546-553.
[17]	孟春雷, 张朝林, 2012. 路面气象数值预报模型及性能检验[J]. 应用气象学报, 23(4): 451-458.
[18]	牛生杰, 李蕊, 吕晶晶, 等, 2011. 三种下垫面温度及结冰预报模型研究[J]. 地球物理学报, 54(4): 909-917.
[19]	邱金晶, 陈锋, 张珏, 等, 2020. 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, 48(4): 518-528.
[20]	任永建, 熊守权, 洪国平, 等, 2020. 气象因子对夏季最大电力负荷的敏感性分析[J]. 气象, 46(9): 1 245-1 253.
[21]	舒斯, 熊守权, 陈英英, 等, 2019. 湖北省高速公路道路结冰预警模型[J]. 气象, 45(11): 1 589-1 599.
[22]	王洁, 曲晓黎, 张金满, 2020. 河北高速公路交通事故特征及其气象预警模型[J]. 干旱气象, 38(2): 339-345.
[23]	王可心, 包云轩, 朱承瑛, 等, 2021. 随机森林回归法在冬季路面温度预报中的应用[J]. 气象, 47(1): 82-93.
[24]	吴晟, 吴兑, 邓雪娇, 等, 2006. 南岭山地高速公路路面温度变化特征分析[J]. 气象科技, 34(6): 783-787.
[25]	许金萍, 刘琨, 李云, 2022. 浙江一次强雨雪过程大气环流特征及成因分析[J]. 干旱气象, 40(5): 857-867. DOI
[26]	于水, 张晓龙, 刘志娟, 等, 2023. 1961—2020年松花江流域极端气候指数的时空变化特征[J]. 应用生态学报, 34(4): 1 091-1 101.
[27]	张宏芳, 卢珊, 沈姣姣, 等, 2020. 陕西道路结冰时空变化特征及其风险预警模型[J]. 干旱气象, 38(5): 878-885.
[28]	张宏芳, 张曦, 梁佳, 等, 2023. 连霍高速公路陕西段低能见度特征及影响因素[J]. 干旱气象, 41(1): 82-90. DOI
[29]	赵琳娜, 卢姝, 齐丹, 等, 2022. 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, 33(3): 257-269.
[30]	中国气象局公共气象服务中心, 交通运输部公路科学研究院, 2018. 公路交通高影响天气预警等级: QX/T 414—2018[S]. 北京: 气象出版社.
[31]	中国气象局公共气象服务中心, 2019. 公路交通气象监测服务产品格式: QX/T 480—2019[S]. 北京: 气象出版社.
[32]	国家气象中心, 2012. 降水量等级: GB/T 28592—2012[S]. 北京: 中国标准出版社.
[33]	朱承瑛, 谢志清, 严明良, 等, 2009. 高速公路路面温度极值预报模型研究[J]. 气象科学, 29(5): 645-650.
[34]	朱强, 徐强, 付立, 2022. 基于BP神经网络算法的路面结冰时间预测[J]. 交通运输研究, 8(4): 126-136. DOI
[35]	邹兰军, 刘姝, 陆勤静, 2022. 基于神经网络的路面温度模型与结冰潜势研究[J]. 公路, 67(10): 409-414.
[36]	BEST M J, 1998. A model to predict surface temperatures[J]. Boundary-Layer Meteorology, 88(2): 279-306.
[37]	BOURIS D, THEODOSIOU T, RADOS K, et al, 2010. Thermographic measurement and numerical weather forecast along a highway road surface[J]. Meteorological Applications, 17(4): 474-484.
[38]	CARSON J, MANNERING F, 2001. The effect of ice warning signs on ice-accident frequencies and severities[J]. Accident Analysis and Prevention, 33(1): 99-109.
[39]	KARSISTO V, NURMI P, KANGAS M, et al, 2016. Improving road weather model forecasts by adjusting the radiation input[J]. Meteorological Applications, 23(3): 503-513.
[40]	SAJED SADATI S M, CETIN K, CEYLAN H, et al, 2018. Energy and thermal performance evaluation of an automated snow and ice removal system at airports using numerical modeling and field measurements[J]. Sustainable Cities and Society, 43: 238-250.
[41]	SHAO J, LISTER P J, 1995. The prediction of road surface state and simulation of the shading effect[J]. Boundary-Layer Meteorology, 73(4): 411-419.
[42]	SOKOL Z, ZACHarov P, SEDLÁK P, et al, 2014. First experience with the application of the METRo model in the Czech Republic[J]. Atmospheric Research, 143: 1-16.
[43]	TOMS B A, BASARA J B, HONG Y, 2017. Usage of existing meteorological data networks for parameterized road ice formation modeling[J]. Journal of Applied Meteorology and Climatology, 56(7): 1 959-1 976.
[44]	XU B, DAN H C, LI L, 2017. Temperature prediction model of asphalt pavement in cold regions based on an improved BP neural network[J]. Applied Thermal Engineering, 120: 568-580.
[45]	YANG C H, YUN D G, SUNG J G, 2012. Validation of a road surface temperature prediction model using real-time weather forecasts[J]. KSCE Journal of Civil Engineering, 16(7): 1 289-1 294.