冬季高速公路逐时路表温度LSTM预测模型

为提高冬季路表温度的预测精度，提出一种基于多维长短时记忆(LSTM)神经网络的冬季路表温度逐时预测模型，以小时路表温度为模型输出，综合考虑多维气象因素的累积影响和路表温度的周期性，采用滑动窗口构造输入特征矩阵；构建路表温度LSTM逐时预测模型，通过深度学习高效逼近具有复杂非线性和不确定性的路表温度，并以江苏省宁宿徐高速公路、云南省麻昭高速公路为实例进行验证。结果表明：与随机森林(RF)模型和BP神经网络相比，LSTM路表温度逐时预测模型的准确率得到显著提高，在宁宿徐高速、麻昭高速的平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE)分别为0.303、0.295、0.543和0.581、0.694、0.833,预测值与观测值绝对误差位于0, 1)℃之间的占比为93%和89%。LSTM模型能准确捕捉路表温度的周期性和不确定性，在阴雨天和晴朗天的预测值与实测值基本一致，模型鲁棒性较好。