基于機(jī)器學(xué)習(xí)的路表溫度預(yù)估方法研究*

楊書杰 彭 嫣

(同濟(jì)大學(xué)道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室 上海 201804)

路面結(jié)構(gòu)處于復(fù)雜的環(huán)境變化中，在與外界環(huán)境進(jìn)行熱交換的過程中，路面溫度也隨之發(fā)生變化。路面材料的使用性能直接受到溫度影響。例如，路表溫度過高易使車輛輪胎內(nèi)氣壓升高進(jìn)而有爆胎的危險(xiǎn)、路表溫度過低則易結(jié)冰降低路面安全性能。因此，對(duì)中短期時(shí)間尺度內(nèi)的路表溫度進(jìn)行預(yù)測具有重要的社會(huì)經(jīng)濟(jì)價(jià)值。現(xiàn)有的路面溫度預(yù)估方法主要有理論法與統(tǒng)計(jì)法兩類。

嚴(yán)作人[1]依據(jù)熱傳導(dǎo)理論建立了層狀體的溫度場問題求解方法。理論法基于傳熱學(xué)原理，建立并求解了路面溫度場偏微分方程，得到了未來某時(shí)刻的路面溫度。該方法物理意義明確、普適性強(qiáng)，然而需要的參數(shù)較多，在實(shí)際運(yùn)用中，方程中的熱工參數(shù)也難以準(zhǔn)確獲取，這些因素限制了模型的應(yīng)用。

傳統(tǒng)的統(tǒng)計(jì)法在對(duì)路面溫度進(jìn)行長期監(jiān)測后采集到大量的相關(guān)數(shù)據(jù)，基于數(shù)理統(tǒng)計(jì)的原理，建立了路面溫度與各種氣象因素之間的多元回歸模型，該方法所需參數(shù)較少且較易獲得。李伊[2]、張曦[3]等采用多元回歸模型建立了路面溫度與氣象參數(shù)之間的回歸方程，但由于不同研究人員在方程的形式、參數(shù)等關(guān)鍵問題處理上均有一定的差異，限制了模型的推廣使用。

近年來，機(jī)器學(xué)習(xí)理論廣泛運(yùn)用于各學(xué)科中，由于其具有數(shù)據(jù)處理效率高、解決非線性問題能力強(qiáng)的特點(diǎn)，在預(yù)估路面溫度的課題當(dāng)中得到了一定的應(yīng)用,取得了良好的效果[4-6]。

1 數(shù)據(jù)來源

依托于山西大同國家氣象觀測站，在站點(diǎn)內(nèi)鋪設(shè)了水泥、瀝青2種路面結(jié)構(gòu)試驗(yàn)區(qū)，利用溫度傳感器采集路表溫度，傳感器于路面結(jié)構(gòu)層施工時(shí)埋設(shè)，埋設(shè)位置位于結(jié)構(gòu)表面中心處，采集頻率為10 min/次，精度為±0.5 ℃，無限傳輸設(shè)備可以定時(shí)上傳數(shù)據(jù)至計(jì)算機(jī)中。同時(shí)，氣象站點(diǎn)每隔1 h采集1次氣溫、相對(duì)濕度、太陽輻射、風(fēng)速等氣象數(shù)據(jù)，時(shí)間自2009年7月-2010年7月。數(shù)據(jù)上傳后，氣象數(shù)據(jù)由氣象站工作人員進(jìn)行校驗(yàn)，路面溫度數(shù)據(jù)則依據(jù)傳感器測溫范圍進(jìn)行了異常值處理。鋪面結(jié)構(gòu)示意見圖1。

圖1 鋪面結(jié)構(gòu)示意圖

2 模型輸入特征

模型特征應(yīng)基于路面結(jié)構(gòu)的實(shí)際熱交換過程。故當(dāng)路面各結(jié)構(gòu)層之間接觸良好且無熱阻情況下，路面溫度場θi(z，t)的偏微分方程可表示為

(1)

在路表處有

(2)

式中：θi(z,t)為第i層距路表深度z處t時(shí)刻的溫度；αi為第i層導(dǎo)熱系數(shù)；q1(0,t)為t時(shí)刻的路表熱流；λ1為路表結(jié)構(gòu)層的導(dǎo)熱系數(shù)。

對(duì)于接近表面的結(jié)構(gòu)層而言，其熱交換主要由以下兩部分構(gòu)成。

1) 與下層結(jié)構(gòu)的熱交換。路表與表面以下的結(jié)構(gòu)層存在溫度梯度,這導(dǎo)致兩者之間發(fā)生一定的熱交換。由于底部溫度在24 h內(nèi)振幅一般小于0.5 ℃，故結(jié)構(gòu)層內(nèi)的熱源主要是路表，談至明[7]指出，可以根據(jù)歷史時(shí)刻的路表溫度對(duì)結(jié)構(gòu)層的溫度進(jìn)行估計(jì)。故有必要將歷史時(shí)刻的路表溫度作為特征。本文選取過去4 h的路表溫度納入模型中。

2) 與外界環(huán)境的熱交換。外界氣象要素的變化是路表溫度變化的根本原因，太陽輻射與天空逆輻射是路表的熱源，同時(shí)在風(fēng)的作用下，路表與空氣通過熱對(duì)流進(jìn)行熱量交換。因此，應(yīng)將太陽輻射、氣溫、風(fēng)速等氣象參數(shù)納入模型當(dāng)中，模型輸入的參數(shù)見表1。

表1 模型輸入?yún)?shù)

3 模型與方法

3.1 模型介紹

LightGBM是微軟公司提出的一種實(shí)現(xiàn)梯度提升決策樹(GBDT)的集成學(xué)習(xí)框架，其核心是GBDT算法，基于boosting的集成思想，通過若干個(gè)CART決策樹作為基學(xué)習(xí)器進(jìn)行模型的迭代，并最終生成了一個(gè)強(qiáng)學(xué)習(xí)器，實(shí)現(xiàn)了對(duì)目標(biāo)變量的預(yù)測。相較于傳統(tǒng)GBDT框架，其在不降低精度的條件下能大幅加快訓(xùn)練速度，廣泛應(yīng)用于各種預(yù)測問題中。

模型的輸入為訓(xùn)練樣本D={(x1,y1),(x2,y2),…,(xm,ym)},損失函數(shù)L(y,c)，基學(xué)習(xí)器的個(gè)數(shù)N。輸出為路面溫度預(yù)估值yi。GBDT算法的訓(xùn)練流程如下。

步驟1。初始化模型，得到初始學(xué)習(xí)器

(3)

步驟2。迭代n=1，2，…，N個(gè)基學(xué)習(xí)器：

1) 遍歷i=1,2,…,m個(gè)訓(xùn)練樣本，對(duì)第i個(gè)樣本，計(jì)算當(dāng)前模型在損失函數(shù)中的負(fù)梯度。

(4)

2) 擬合上一步得到的殘差，得到1棵新回歸樹。新回歸樹的葉子節(jié)點(diǎn)區(qū)域?yàn)镽nk，k=1,2,…,J。J為回歸樹的葉子節(jié)點(diǎn)個(gè)數(shù)。

3) 遍歷k=1,2,…,J個(gè)葉子節(jié)點(diǎn)，計(jì)算最優(yōu)擬合結(jié)果。

(5)

4) 更新學(xué)習(xí)器

(6)

損失函數(shù)采用實(shí)際意義明確的均方差函數(shù)

(7)

式中：xi為輸入變量；yi為輸出變量；f(xi)為預(yù)測值；n為樣本數(shù)。

3.2 預(yù)估方法

現(xiàn)場實(shí)驗(yàn)共對(duì)水泥、瀝青2種路面進(jìn)行了為期1年、10 min/次的數(shù)據(jù)采集，各得到了5×104余條路面溫度數(shù)據(jù)。氣象數(shù)據(jù)每個(gè)整點(diǎn)記錄1次，其中，太陽輻射為小時(shí)內(nèi)輻射總量，其余參數(shù)為小時(shí)內(nèi)平均值。為了確保路面溫度數(shù)據(jù)與氣象數(shù)據(jù)相匹配，取整點(diǎn)時(shí)刻的路表溫度作為訓(xùn)練數(shù)據(jù)，與氣象數(shù)據(jù)共同送入模型中訓(xùn)練。利用python平臺(tái)的LightGBM、scikit-learn等相關(guān)庫開展實(shí)驗(yàn)，訓(xùn)練集與測試集的劃分比例為4∶1,利用網(wǎng)格搜索得到最佳的超參數(shù)后，分別得到了1 h與3 h的預(yù)估結(jié)果。

預(yù)估結(jié)果的評(píng)價(jià)指標(biāo)采用均方根誤差RMSE與預(yù)報(bào)準(zhǔn)確率Accuracy 2個(gè)指標(biāo)進(jìn)行評(píng)價(jià)，以允許誤差為3 ℃計(jì)算準(zhǔn)確率[8]，兩指標(biāo)的計(jì)算公式分別見式(8)和式(9)。

(8)

(9)

式中：yi_true為實(shí)測溫度，℃；yi_pred為預(yù)估溫度，℃；n為樣本數(shù)。

4 結(jié)果分析

4.1 1 h預(yù)估精度

預(yù)估未來1 h的路面溫度時(shí)，測試樣本上瀝青路面的RMSE為1.12 ℃,水泥路面為0.82 ℃，2種路面的預(yù)估溫度與實(shí)測溫度對(duì)比圖均圍繞45°等值線上下波動(dòng)。1 h預(yù)估溫度與實(shí)測溫度比對(duì)結(jié)果見圖2。

圖2 2種路面1 h預(yù)估結(jié)果

4.2 3 h預(yù)估精度

預(yù)估未來3 h內(nèi)的路面溫度時(shí)，氣象要素的時(shí)間尺度從1 h增加為3 h，將未來3 h內(nèi)的太陽輻射、風(fēng)速、氣溫輸入模型當(dāng)中，測試樣本上水泥路面的RMSE為1.31 ℃，瀝青路面為1.86 ℃，2種路面的預(yù)估精度均出現(xiàn)了一定程度的下降。3 h預(yù)估溫度與實(shí)測溫度比對(duì)結(jié)果見圖3。

圖3 2種路面3 h預(yù)估結(jié)果

比較圖2與圖3發(fā)現(xiàn)，在低溫階段3 h與1 h的預(yù)測效果均較好，實(shí)測溫度與預(yù)測溫度均勻分布在45°等值線上下，當(dāng)路面溫度大于40 ℃時(shí)，3 h時(shí)間尺度的預(yù)估結(jié)果精度出現(xiàn)了明顯下降，這表明誤差的增大主要是由于高溫階段預(yù)估結(jié)果的精度下降造成的。其主要原因可能是夏季正午前后路表溫度快速上升，由于云對(duì)太陽輻射有削弱作用且其分布具有隨機(jī)性，導(dǎo)致路面溫度變化的不確定性增加，進(jìn)而導(dǎo)致預(yù)估精度下降。

由圖2、圖3還可知，2種時(shí)間尺度下水泥路面的RMSE均小于瀝青路面，準(zhǔn)確率也高于瀝青路面，水泥路面的預(yù)估效果優(yōu)于瀝青路面的原因可能在于瀝青的體積熱容較小而輻射吸收能力較強(qiáng)，導(dǎo)致瀝青路面溫度變化對(duì)外界環(huán)境的噪音更為敏感。

預(yù)估結(jié)果的精度與準(zhǔn)確度比較結(jié)果見表2，除瀝青路面3 h的預(yù)估結(jié)果外，2種時(shí)間尺度下路表溫度的預(yù)估精度都達(dá)到了95%以上。

表2 預(yù)估結(jié)果精度比較

在相同地區(qū)同一數(shù)據(jù)集上的研究中，使用理論法進(jìn)行預(yù)估時(shí)RMSE在2.5 ℃上下[9-10]，其他學(xué)者使用多元回歸等方法進(jìn)行預(yù)估時(shí)RMSE在2～3 ℃之間。機(jī)器學(xué)習(xí)的方法對(duì)路表溫度進(jìn)行預(yù)估具有較好的效果，在未來進(jìn)一步的研究中，隨著數(shù)據(jù)量的增加與氣象參數(shù)的拓展，其預(yù)估效果仍有一定的優(yōu)化空間。

5 結(jié)語

本文采用了LightGBM這一機(jī)器學(xué)習(xí)集成框架在中短期時(shí)間尺度內(nèi)對(duì)路面溫度進(jìn)行了預(yù)估，得到了如下結(jié)論：

1) 相較于理論法與傳統(tǒng)的經(jīng)驗(yàn)法，該方法具有需要參數(shù)少、中間參數(shù)處理簡單的特點(diǎn)，特別是在數(shù)據(jù)量較大時(shí)，機(jī)器學(xué)習(xí)的方法能夠更充分有效地利用數(shù)據(jù)。

2) 在瀝青、水泥2種路面結(jié)構(gòu)上，1 h與3 h 2個(gè)時(shí)間尺度的預(yù)估結(jié)果均取得了良好的效果，RMSE在0.82～1.86 ℃之間，準(zhǔn)確度在93.2%～98.9%之間，水泥路面的預(yù)估效果優(yōu)于瀝青路面。

3) 低溫狀況下2種路面在中短期時(shí)間尺度下預(yù)估精度均較好，預(yù)估溫度與實(shí)測溫度均勻分布在45 ℃等值線上下；高溫狀況下預(yù)估精度有所下降。

4) 影響預(yù)估結(jié)果的主要因素有估計(jì)時(shí)效、結(jié)構(gòu)類型與氣象因素。其中，由于氣象因素較為復(fù)雜，難以全面考慮，且不可避免地存在著各種噪音，造成了預(yù)估結(jié)果存在一定誤差。預(yù)估時(shí)效的延長，造成了預(yù)估誤差的疊加；相對(duì)與水泥路面，瀝青路面的溫度變化對(duì)環(huán)境因素更加敏感，當(dāng)氣象因素存在一定的不確定性時(shí)，其預(yù)估結(jié)果的誤差將大于水泥路面。

由于不同地區(qū)具有不同的氣候特點(diǎn)，加之路面結(jié)構(gòu)的熱工參數(shù)也有差異，模型能否進(jìn)一步推廣于其他地區(qū)尚需在新的數(shù)據(jù)集上加以驗(yàn)證。如何進(jìn)一步合理納入云等氣象要素作為特征以降低高溫狀況下路表溫度的預(yù)估誤差，仍有待進(jìn)一步研究。