随着城市化进程加快，城市路网日益密集复杂，对道路交通安全保障提出了更高要求。道路结冰是冬季城市交通的主要致险因子，而路面低温是引发道路结冰的先决条件（王婧等，2018；杨文臣等，2019；鲍丽丽等，2024）。提高城市复杂路网下的路面温度精准预报能力，建立适配不同道路类型的精细化道路结冰风险预警体系，对保障城市冬季交通安全、提高通行效率至关重要（牛生杰等，2021；戴秉佑等，2023）。

路面温度受地形、下垫面、天气气候及交通态势等多因素的综合影响（胡继超等，2020；贾晓红和李琦，2023）。研究发现，车流量差异可导致内外车道温度不同（李迅等，2012），气候环境和地形条件是影响路面温度的关键因子（闫昕旸等，2018；黄佳威等，2024；冯蕾等，2025），不同道路材质下路面温度变化具有显著差异（李蕊等，2011；王佳等，2021），不同天气条件下路面温度变化幅度不同（王婧等，2018）。上述研究表明，路面温度的变化是多因素耦合的结果，不仅与常规气象要素有关，还受到局地微环境影响，呈现明显的时空异质性。因此，要精准预报路面温度，必须紧密结合道路局地条件，加强对道路热力特征和影响因素的深入分析。

路面温度的传统预报方法主要有两类：一是基于热传导原理构建数理方程，此类方法物理机制明确，但模型参数繁多、计算复杂（孟春雷和张朝林，2012；敖翔宇等，2017；Chen et al.，2019）；二是基于观测数据构建路面温度与影响因子的回归模型，此类方法易于实现，但空间迁移能力通常不足（曲晓黎等，2010；Kršmanc et al.，2013；张曦等，2019）。近年来，人工智能技术如支持向量机（董天翔等，2018；宋萍等，2023）、随机森林（王可心等，2021；苏宇等，2024；冯蕾等，2025）等传统机器学习算法，以及长短时记忆网络等复杂深度学习模型获得了较多应用（Bai et al.，2024；熊国玉等，2024；贾晓红等，2025；张希帆等，2025）。然而，模型性能并非随复杂度增加而必然提升。传统机器学习模型在可解释性、计算效率和业务部署方面具有明显优势，适用于观测样本有限的场景，在气象业务中更具实用价值。此外，在模型方法选择方面，研究指出不存在普适的最优模型，准确预报的关键在于结合局地道路环境特征进行差异化建模和本地化训练（Adwan et al.， 2021；Lekea and Steyn， 2023）。

天津城区道路环境复杂，地处九河下梢，为连通河流两岸交通建有大量跨河桥梁；城区人口车流密集，为提高通行效率，还建有复杂的立交桥。桥梁纵横的道路特征加剧了天津城区道路结冰风险的复杂性，桥梁的悬空结构使其热量损失高于普通道路，桥面温度通常低于普通路面，具有更高的结冰风险（吕晶晶等，2013；贺莉微等，2024；陈英英等，2025）。然而，现有交通气象观测仅分布在高速公路，城区道路长期缺乏针对性监测，路面低温风险的感知能力不足，存在气象服务盲区。例如，在2023年12月的雨雪天气过程中，就曾因桥面发生结冰引发严重的交通阻断（胡万亭和郭建英，2025），掌握城区各类道路路面温度特征差异性、开展针对性监测预报是当前交通服务保障的迫切需求。因此，本研究针对天津城区立交桥、主干道、跨河桥三类道路，在2024年冬季开展路面温度观测，对比分析不同类型道路路面温度异质性特征及形成机理，筛选路面温度高影响特征，利用不同机器学习方法构建本地化的路面温度预报模型，以期提升天津城区的低温冰情预警能力，保障大城市交通生命线安全运行。

综合考虑道路类型、交通流量及道路结冰风险点位，2024年11月至2025年2月，选取天津城区典型立交桥、主干道及跨河桥梁三类道路开展路面温度试点（简称路温站）观测，表1列出各站点布设位置。中石油桥和八里台桥分别为多层互通式高架立交桥，设计复杂、车流量大，为典型立交桥代表；南门外大街、南京路位于市中心重点商圈，为典型城市主干道；大光明桥、盐坨桥分别横跨海河、新开河，为典型跨河桥梁。采用探头植入式路面温度传感器进行观测，数据精度±0.1 ℃，时间分辨率10 min。探头安装于道路表面，主机外置于路侧围栏或灯杆，不占用路面资源。针对立交桥，传感器安装于驶入（驶出）匝道，避免上层桥体遮挡；针对跨河桥，传感器安装于桥面。文中所有时间均为北京时。

为获取对应路温站的局地气象条件，本研究匹配了与路温站直线距离最近的气象站数据，站点间隔大多不超过1.00 km。气象站数据来自天津市气象局，观测要素包括气压、气温、降水量、相对湿度、风速、云量、净辐射、天气状况，时间分辨率为10 min。路温站和气象站之间海拔差异较小，海拔因素不会造成明显温差；各站点路面温度和气温相关系数大多超过0.90（p<0.01），短距离范围内邻近气象站数据可以较好地代表路温站气象条件。收集各路温站对应观测时段的气象观测数据，各站点获取数据17 280组。为保证数据质量，对观测数据进行阈值控制，剔除异常值，并对缺失数据采用线性插值插补。

Lasso（Least absolute shrinkage and selection operator）回归是一种带有正则化约束的线性回归方法，该方法通过在损失函数中引入L1正则化项，将部分不重要的特征系数压缩为0，实现模型特征的自动选择，有效降低过拟合风险（王涛等，2022；武玮辰等，2023；黄佳威等，2024）。本文采用Lasso回归筛选关键气象因子，利用5折交叉验证确定最优正则化强度参数，并基于筛选的特征因子构建Lasso路面温度模型。

多项式回归是线性回归模型的扩展形式，通过引入自变量的高阶多项式项，可以捕捉变量间的非线性关系（郑斌，2019）。本文构建了包含气象因子及其二阶、三阶项的初始特征空间，为避免高阶项导致的模型过拟合问题，参考已有研究将最高阶数设置为3（资葵，2016）。在此基础上，利用逐步回归方法对气象因子及其高阶项进行显著性筛选，保留显著的高阶项构建最终的多项式回归模型。

支持向量机回归是一种基于结构风险最小化原则的机器学习方法。该方法利用核函数将输入特征映射至高维特征空间，旨在寻找最优回归超平面。该方法引入ε-不敏感损失函数，允许预测值与真实值存在一定宽度的误差带，仅对超出该范围的样本进行惩罚。这种机制使模型可以捕捉主要特征并抑制噪声干扰，平衡模型的精度和复杂度，缓解过拟合问题（宋萍等，2023）。本文采用高斯核函数，并利用5折交叉验证对模型超参数进行网格搜索，确定最优参数组合。

另外，采用决定系数（R²）、均方根误差（Root Mean Square Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）评估模型效果。

将日最低路面温度低于0 ℃的日期视为路面低温日，一天中路面温度低于0 ℃的时段视为低温时段，分析观测期内各类道路路面低温的时间特征，图1为2024年11月至2025年2月天津城区三种道路路面逐旬低温日占其总低温日比例及逐时低温时段占比。可以看出，各类道路路面低温日从2024年11月下旬开始出现[图1（a）]，持续至2025年2月下旬，其中12月下旬至2月上旬最为集中，各类道路在该时段内的路面低温日占比累计约70%。各类道路日内低温时段分布不同[图1（b）]，立交桥路面低温在全天各时次发生概率较为接近，表明立交桥路面温度变化速率较慢，易出现全天性的持续低温；跨河桥路面低温时段在00：00—09：00发生概率明显较高，中午至傍晚较低，具有较强日变化特征，表明跨河桥温度变化速率快，白天桥面迅速升温，降低路面低温风险。

图2为2024年11月至2025年2月天津城区三种道路路面温度平均日变化及温度极值与日较差。可以看出，不同类型道路路面温度均有显著日变化，最低温度出现在06：00—08：00，最高温度多出现在14：00—17：00[图2（a）]。但各类道路的温度极值存在显著差异，可能与路面材质及周边环境有关。从路面最高温度看，跨河桥（大光明桥、盐坨桥）最高，平均约7.05 ℃，主干道（南京路、南门外大街）居中，约5.60 ℃，立交桥（中石油桥、八里台桥）最低，仅有3.00 ℃[图2（b）]。最低温度方面，桥面最低温度整体低于主干道。其中，跨河桥最低，大光明桥和盐坨桥平均最低温度分别为-0.59、-1.47 ℃；其次是立交桥，中石油桥和八里台桥最低温度分别约0.39、-0.64 ℃；主干道南门外大街和南京路最低温度平均约-0.20、1.09 ℃。此外，跨河桥（大光明桥、盐坨桥）温度日较差最大，平均约8.08 ℃；立交桥（中石油桥、八里台桥）温度日较差最小，不超过4.00 ℃，且温度整体偏低。

根据降水量与日均总云量划分天气类型：无降水时，日均总云量低于30%为晴天，超过30%为多云到阴，表征云量增多对路面温度的影响；日降水量大于等于0.1 mm判定为雨天。观测期间，晴天、多云到阴、降雨天气分别出现71、46、3 d，不同天气条件下三种道路的路面温度平均日变化如图3所示。晴天路面温度日变化最为剧烈，随着云量增多，三种道路路面温度日较差减小；整体来看，路面最高温度表现为跨河桥>主干道>立交桥，最低温度则为跨河桥<立交桥<主干道。降雨天气下，三种道路路面温度持续降低，立交桥温度变化较为缓慢，跨河桥路面温度显著低于主干道和立交桥。需要注意的是，由于观测期间降雨样本较少，且缺乏降雪过程，雨雪天气的统计结果代表性有限，普适性还需积累数据进一步验证。

2024年11月22—25日经历了由晴转阴再到降雨的连续天气变化，图4为此次过程不同天气条件下天津城区三种道路路面温度时间变化、路面温度极值及其日较差。可以看出，多云到阴天气下，路面温度日较差相比晴天减小，其中，跨河桥路面温度日较差减小幅度最大，约2.90 ℃，主干道居中，约0.88 ℃，立交桥最小，仅约0.50 ℃，表明跨河桥对天气变化最为敏感，路面温度可随天气变化做出快速响应。降雨天气下，太阳辐射大幅减弱，路面能量收支净亏损，路面温度持续下降，立交桥、主干道、跨河桥路面平均温度分别下降6.85、8.00、8.55 ℃，降温幅度跨河桥>主干道>立交桥。不同天气条件的温度变化率不同，晴天最大，立交桥、主干道、跨河桥白天平均小时升温分别约0.47、0.53、1.42 ℃；多云到阴的天气下，白天升温变慢，立交桥、主干道、跨河桥平均小时升温分别约0.36、0.33、0.66 ℃。

综上，三种道路的路面温度特征存在显著差异。跨河桥路面温度日较差最大、温度变化速率最快，温度极端性最突出；立交桥路面温度日较差最小、温度变化最平缓；主干道温度日较差与温度变化速率介于二者之间，但其夜间最低温度普遍高于两类桥梁路面。上述差异与道路自身热力性质及局地微环境条件密切相关。

跨河桥采用简支T梁结构，桥体完全悬空，与空气双向热交换效率更高（吕晶晶等，2013）；同时桥面铺装层较薄，有效储热体积小，整体热容量偏低。白天，桥面吸收的辐射热难以向结构深层传导，造成表层急剧升温；夜间，桥体缺乏路基的热量补充，路面温度快速冷却。此外，水陆的热力差异易诱发局地环流，提高桥面局地风速，进一步强化感热交换，加速了温度响应（王婧等，2018；贺莉微等，2024）。水体的夜间保温作用，在跨河桥低热容结构与强通风散热的主导下被显著削弱，因此跨河桥路面温度日较差大且易出现极端温度。与之相反，立交桥多为大体积混凝土箱梁结构，热惯性巨大。白天，路面接收的热量可向梁体深层传导存储，夜间，结构内部存储的热量向上释放，补偿路面辐射冷却，进而抑制路面温度波动，使立交桥路面温度日较差小、时序变化曲线平缓。主干道为沥青铺装道路，铺设在深厚的土壤路基上，白天热量可向下传导至路基存储，夜间路基存储的热量向路面补偿。此外，主干道位于重点商圈，周边建筑的长波辐射、车辆排放的人为热等，有助于进一步减缓路面夜间的降温速率（王可心等，2021）。因此相较具备双面散热条件的桥体结构，主干道具有更高的夜间最低温度。

将观测气象要素作为路面温度预报模型的原始特征。为检验气象要素间的多重共线性，并筛选对路面温度影响显著的气象要素，采用皮尔逊相关系数法（黄佳威等，2024）分析天津城区路面温度与各气象要素的相关关系（图5）。结果显示，不同气象要素间的相关系数均低于0.50，自变量之间不存在多重共线性，均可以作为特征量引入建模。气温、相对湿度、净辐射、云量与路面温度呈显著正相关，相关系数分别为0.93、0.39、0.14、0.12（p<0.05），气压、风速与路面温度呈显著负相关，相关系数分别为-0.39、-0.18（p<0.05），降雨量与路面温度相关性微弱（相关系数为0.03），与观测时段内降水过程样本量不足有关。其中，与路面温度相关性最强的前三个气象因子分别是气温、相对湿度和气压，气温和路面温度高度相关反映了地气能量交换过程，相对湿度、气压与路面温度的关系反映了天气系统的调控作用。冬季冷空气周期性出现，高压系统带来干冷气团，更替局地暖湿气团，促进路面温度下降，因此相对湿度和路面温度呈正相关，气压和路面温度呈负相关。

气温与路面温度呈最强相关关系，是构建路面温度模型的核心特征。但路面温度与气温峰值出现时间并不同步，为量化路面热响应的延迟特性，图6给出三种道路路面温度相对气温滞后不同时长的皮尔逊相关系数。可以看出，立交桥时滞效应最显著，其中中石油桥、八里台桥路面温度与气温的相关系数在滞后2~3 h达到峰值；大光明桥（跨河桥）的相关系数峰值出现在滞后约1 h处；主干道（南京路和南门外大街）没有明显时滞效应。据此，针对上述时滞效应显著路段，将时滞温度纳入模型特征量。此外，由于路面温度具有显著的周期变化特征，进一步采用三角函数构建时间周期特征，以提升机器学习模型对时序变化规律的捕捉能力。

对三种道路路面温度分别构建Lasso回归模型，将样本数据按时间顺序排列，取前80%作为训练集，后20%作为测试集。以Lasso回归模型为基础模型，设置4组对照试验（原始特征、原始+周期特征、原始+时滞特征、增强特征），对比引入不同类型特征对模型性能的影响。其中，原始特征组仅采用观测气象要素作为特征输入，原始+周期特征组、原始+时滞特征组分别测试引入周期特征和时滞特征的作用，增强特征组即整合原始特征、周期特征和时滞特征用于模型训练。如图7所示，在原始特征基础上增加周期特征后，三种道路模型测试集的路面温度RMSE平均降低约15%；原始特征叠加时滞特征后，模型测试集的路面温度RMSE平均降低约5%；对于各类道路而言，采用增强特征的模型性能最优，模型测试集的路面温度RMSE平均降低约18%。上述结果表明，时间动态特征是预报路面温度的关键变量，有助于模型更好地捕捉温度的动态变化过程和滞后效应。

图8为天津城区三种道路采用增强特征和原始特征Lasso回归模型测试集的路面温度各项评估指标对比。可以看出，使用增强特征后，模型性能显著提升，各路温站均表现出不同程度的R²增大、RMSE和MAE降低。其中，中石油桥、八里台桥和大光明桥性能提升最明显，R²提升10%~20%，RMSE降低25%~36%，MAE降低24%~39%。综合三种道路来看，采用增强特征的Lasso回归模型R²总体为0.86~0.95，RMSE为1.04~1.61 ℃，MAE为0.74~1.33 ℃。

表2列出基于增强特征构建的Lasso、多项式和支持向量机三种模型在不同类型道路的性能对比。结果表明，三种模型在训练集与测试集R²差异大多不超过0.10，测试集的决定系数多超过0.85，表明模型总体过拟合风险较低，在测试集上有较好的泛化能力，三种方法均可以较好地捕捉路面温度变化规律。三类模型在测试集上的RMSE整体为1.04~1.89 ℃，MAE为0.74~1.54 ℃，其中，Lasso回归模型的平均RMSE和MAE分别为1.39、1.07 ℃，多项式回归模型对应数值为1.55、1.19 ℃，支持向量机回归模型为1.44、1.11 ℃。综上，不同方法对路面温度的预报误差较为接近，Lasso回归模型可解释性强，相比多项式和支持向量机模型，形式更为简洁且计算高效，具有更高的应用价值。

针对Lasso模型进一步开展误差分析，图9（a）表明，路面温度预报误差白天显著高于夜间，这可能与昼夜路面温度主导机制不同有关。白天路面温度变化由太阳短波辐射驱动，太阳辐射受到云量、建筑及设施阴影遮挡影响具有极强的短时波动；而夜间路面温度变化由长波辐射冷却和土壤热传导主导，降温过程平缓，Lasso模型难以准确刻画高频突变，更擅长捕捉平稳变化过程。图9（b）表明，Lasso模型对跨河桥温度极值预报误差相对较大，倾向于高估日最低温度，低估日最高温度，这可能与道路热力性质及模型特性有关。跨河桥热容量小、与空气热交换强，在三种道路中温度极值最高。Lasso模型以最小化全局均方误差为目标，模型训练倾向于降低全天大多时段的拟合误差，从而牺牲了发生频率较低的温度峰值、谷值的拟合精度，导致跨河桥温度预报具有明显的“削峰填谷”误差。

本文在2024年冬季针对天津城区立交桥、主干道与跨河桥三种典型道路开展路面温度观测，揭示了不同类型道路的路面温度异质性特征及形成机理，构建了包含原始气象特征、周期特征和时滞特征的增强特征集，对比了Lasso、多项式和支持向量机三类方法，建立了路面温度预报模型。主要结论如下：

1）立交桥、主干道、跨河桥三类道路路面温度特征具有显著差异，该差异与道路热力性质及局地微环境条件密切相关。跨河桥因悬空低热容结构及强通风散热条件，呈现日较差最大、温度变率最快、温度极端性最强的特征，路面低温风险最高。立交桥依托大体积箱梁结构的高热惯性，对辐射强迫响应迟缓，抑制温度波动，具有温度日较差最小、温度变化最为平缓的特征。主干道因土壤路基储热-放热效应及城市人为热的补充，夜间最低温度显著高于两类桥梁路面。

2）相比仅使用原始气象特征，增强特征进一步融合周期特征和时滞特征，有助于模型捕捉温度动态变化和滞后效应，提高路面温度模型预报精度。采用增强特征后，Lasso模型较原始模型的RMSE平均降低约18%，各类道路RMSE为1.04~1.61 ℃，MAE为0.74~1.33 ℃。Lasso、多项式和支持向量机模型测试集R²多大于0.85，均具有较好的泛化能力，能够有效捕捉路面温度变化规律。三类方法预报性能相近，其中Lasso模型在预测精度相当的前提下，可解释性更强、模型形式更简洁、计算效率更高，实际应用价值突出。

3）Lasso模型预报性能具有明显时间差异和道路差异。模型误差白天大于夜间，表明Lasso模型对强辐射扰动过程刻画能力不足，而对夜间平稳降温过程具有更好的适应性。此外，跨河桥的温度极值预报误差明显高于主干道和立交桥，模型存在高估最低温度、低估最高温度的现象，这是由于跨河桥路面温度极端性强，且Lasso模型以整体误差最小为优化目标，侧重拟合常规样本，对极值样本拟合效果偏弱。

本文重点关注城区复杂道路环境，弥补了城区道路监测不足，系统揭示了三种典型道路路面温度异质性特征及物理成因，明确了城区冬季高风险道路类型。研究成果可用于提升道路结冰预警服务的针对性，开展差异化预警提示。例如：时段上，可提示重点关注清晨06：00—08：00；空间上，可建议优先针对热容量小、响应剧烈的跨河桥开展防冻部署，对热惯性大的立交桥防范持续低温风险。在业务应用中，可结合本研究揭示的模型误差特征进行主观订正，提高温度极值预报准确性。

本文也存在一定局限，一是观测站点与数据长度有限，路面低温的气候特征、不同类型道路特征的普适性需进一步验证；二是模型训练与验证仅基于单个冬季观测数据，缺乏独立年份和站点迁移能力验证，对强寒潮、雨雪等复杂天气过程的泛化能力不足。未来需要持续开展市内道路长期连续观测，积累多年度、多站点观测资料，纳入更长时间序列和更多天气样本数据，开展跨年、跨站点的模型验证工作，以提升模型的适应性和泛化能力。