一种基于集成学习的道路能见度短临预测方法技术

本发明专利技术公开了一种基于集成学习的道路能见度短临预测方法，该方法包括：构建样本气象数据集；利用样本数据集训练随机森林，得到随机森林模型；利用样本数据集训练梯度提升树，并利用极限梯度提升算法进行训练，得到极限梯度提升模型；根据预测时间要求，将待预测数据输入训练过后的随机森林模型和极限梯度提升模型中，得到能见度等级预测数据；对比两个模型在不同预测性能指标上的表现，综合选择预测结果作为最终的能见度预测数据。本发明专利技术实现了能见度的精细化、短临化预测，对于开展道路交通等领域的低能见度预警预报具有一定的指导意义。

【技术实现步骤摘要】
一种基于集成学习的道路能见度短临预测方法
本专利技术涉及交通与气象领域，特别是一种基于集成学习的能见度短临预测方法。
技术介绍
近年来，我国道路交通基础设施的建设不断加快，通车里程和车流量不断增加，道路交通安全问题也愈发突出。在交通事故中由恶劣天气引发的重、特大交通事故居于首位。据统计，30％的交通事故由恶劣天气导致，其中，在团雾等低能见度天气下发生的重大交通事故尤为突出。由团雾引发的交通事故具有事故数量多、死伤人数多、事故后果严重等特点，并极易引发交通瘫痪。团雾的突发性、局地性和流动性等特点，对道路能见度预测的精准性、及时性提出了更高的要求。现有的大气能见度预测方法主要分为数值模式方法和统计学方法两类，其中，数值模式方法在道路能见度预测方面具有一定的局限性：首先，其需要较高精度和多种类的气象数据做支撑，现有道路气象监测设备获取相关数据的难度较大；其次，数值模式方法主要适用于中观和宏观尺度的能见度预测，较难应用于雾区路段等较小尺度的区域；另外，数值模式方法计算过程较为复杂，预测的时间范围较大，难以满足道路交通短临能见度预测和预警的需求。本文档来自技高网...

【技术保护点】
1.一种基于集成学习的道路能见度短临预测方法，其特征在于，包括：获取道路沿线在待预测时刻之前多个时刻的气象特征数据，构建样本气象数据集；利用样本数据集训练随机森林，得到随机森林模型；利用样本数据集训练梯度提升树，并利用极限梯度提升算法进行训练，得到极限梯度提升模型；根据预测时间要求，将待预测数据输入训练过后的随机森林模型和极限梯度提升模型中，得到能见度等级预测数据；对比两个模型在不同预测性能指标上的表现，选择预测结果作为最终的能见度预测数据。/n

【技术特征摘要】
1.一种基于集成学习的道路能见度短临预测方法，其特征在于，包括：获取道路沿线在待预测时刻之前多个时刻的气象特征数据，构建样本气象数据集；利用样本数据集训练随机森林，得到随机森林模型；利用样本数据集训练梯度提升树，并利用极限梯度提升算法进行训练，得到极限梯度提升模型；根据预测时间要求，将待预测数据输入训练过后的随机森林模型和极限梯度提升模型中，得到能见度等级预测数据；对比两个模型在不同预测性能指标上的表现，选择预测结果作为最终的能见度预测数据。


2.如权利要求1所述的方法，其特征在于，具体包括以下步骤：
步骤1，获取气象特征数据
所述气象特征数据主要包括道路沿线在待预测时刻之前多个时刻的风速、风向、温度、湿度、气压气象特征数据，将能见度等级作为输出变量，建立样本数据...

【专利技术属性】
技术研发人员：吴兵，翟犇，王艳丽，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31