基于PCA-SVM的远程路面凝冰预警系统

路面凝冰导致路面摩擦系数减小,极易引发交通事故。针对易结冰路段的行车效率和安全问题,设计了一种基于PCA-SVM的远程路面凝冰预警系统。首先,分析了凝冰预测系统的功能需求,设计并搭建了一种凝冰预警系统的软硬件框架;其次,利用主成分分析法(Principal Component Analysis, PCA)分析影响路面凝冰的气象因素,并选择主要的影响因素构建支持向量机(Support Vector Machine, SVM)凝冰预测模型,提出了一种路面凝冰预测算法;在此基础上,利用B/S架构与物联网通信机制实现了远程路面的凝冰预警系统,通过采集交通气象信息与路面状态信息,完成路面凝冰预测及预警信息发布。最后,对远程路面凝冰预警系统进行了测试与应用。     

基于特征相关度分析的路面凝冰短时预测方法

针对高速公路易结冰路段的路面凝冰预测问题，提出了一种基于特征相关度分析的路面凝冰短时预测方法。该方法利用路侧设备的测量数据，包括结冰厚度、相对湿度、风向与风速等，通过ADF(Augment Dickey-Fuller)检验方法分析数据集的平稳性，进而设计出基于长短期记忆网络(Long Short-term Memory, LSTM)的路面凝冰短时预测算法。根据Spearman相关度系数法分析计算上述多种凝冰监测数据的相关度与置信度，并形成基于Spearman特征相关度的数据筛选模型，优化LSTM神经网络中的输入数据集。在此基础上，搭建面向凝冰预测误差的LSTM神经网络模型，并利用筛选后的凝冰数据集训练优化预测算法中的模型参数，提高目标路段路面凝冰预测的效率与精度。最后，通过数值仿真分析比较不同特征相关度下路面凝冰短时预测算法的均方根误差，确定最优预测模型，并于西延高速KM200+918路段进行实地测试。研究结果表明：路侧设备的测量数据中相关度较低的数据对路面凝冰预测算法存在反向作用，并非将所有数据进行组合即可得到最优结果，需对测量数据进行有效筛选，进而优化LSTM神经网络，提高凝冰预测...