Устройство на основе ансамбля гетерогенных нейронных сетей для уточнения прогнозов модели metro в задаче прогнозирования параметров и оценки состояния дорожного покрытия - RU191374U1

Чертежи

Описание

ОБЛАСТЬ ТЕХНИКИ

Заявленное решение относится к области обработки данных для прогнозирования параметров и оценки состояния дорожного покрытия, в частности, к устройству обработки информации на основе ансамбля гетерогенных нейронных сетей для уточнения прогноза показателей температуры и влажности дорожного покрытия, предсказанных моделью прогнозирования параметров и оценки состояния дорожного покрытия, например, моделью окружающей среды и температуры дорог (Model of the Environment and Temperature of Roads (METRo)).

УРОВЕНЬ ТЕХНИКИ

На сегодняшний день существует множество моделей для прогнозирования температуры дорожного покрытия. Все существующие подходы можно условно разделить на две большие группы: численные и статистические методы.

Численные методы используют физические и математические модели для записи уравнения, которое характеризует состояние дорожного покрытия. В работе [1] авторы рассматривают дорожное покрытие как полубесконечную массу с равномерной текстурой и, исходя из этих предположений, строят модель, позволяющую предсказывать максимальное значение температуры. В статье [2] описывается модель, которая позволяет строить прогнозы на три часа вперед, при этом полученные результаты основаны на уравнении теплопроводности. Авторы работы [3] строят прогноз на час вперед на основе закона сохранения энергии. Так же возможно сочетание нескольких численных моделей. Например, в статье [4] авторы используют комбинацию двух численных моделей Common Land Mode (CoLM) [5] и BJ-RUC [6], что позволило строить предсказания на период от 3 до 24 часов. В популярной на сегодняшний день модели METRo [7] используется уравнение теплового потока для прогнозирования температуры дороги. Отметим, что многие из перечисленных методов нашли свое применение в таких странах, как Чехия, Канада и США. Однако, несмотря на свою распространенность численные модели не лишены недостатков. Главным образом это связано с огромной вычислительной сложностью. Другая проблема связана с тем, что подобные модели плохо учитывают влияние антропогенные факторов, и попытки решить эту проблему путем введения дополнительного параметра могут не учитывать ряд сезонных зависимостей, а также дополнительно увеличивают и без того высокую вычислительную сложность. Другая проблема — это детерминированность прогнозов. Её можно пытаться решить при помощи методов Монте-Карло, однако это требует многократного решения уравнения с различными начальными условиями. Подобный подход позволяет получить вероятностные интерпретации, однако значительно увеличивает вычислительную сложность. Другая проблема связана с локальностью прогнозов. Численные модели не учитывают геометрию расположения датчиков, что может привести к неточности прогнозов в отдалении от места, где проводились измерения.

Ряд проблем численных методов можно решить, используя методы машинного обучения. Даже простейшие методы прогнозирования, такие как линейная регрессия, позволяют получить приемлемый прогноз точности состояния дорожного покрытия, в частности, такие линейные модели были использованы в работах [8, 9, 10]. Также возможно использование и более сложных моделей на основе рекуррентных искусственных нейронных сетей, как указывается, например, в работах [11, 12].

Отметим, что в статистических моделях, обучаемых на основе исторических данных, можно выделить ряд недостатков. В отличии от моделей на основе решения уравнений состояния они недостаточно интерпретируемы и могут требовать постоянной донастройки, так модель, которая работает на одном участке, может быть неприменима на другом.

РАСКРЫТИЕ ИЗОБРЕТЕНИЯ

Технической задачей, на решение которой направлено заявленное решение, является создание простого и надежного устройства обработки информации, выполненного с возможностью формирования уточненных прогнозов показателей температуры и влажности дорожного покрытия в минимально короткое время.

Техническим результатом является повышение точности прогноза показателей температуры и влажности дорожного покрытия.

Для обеспечения достижения указанного технического результата разработано устройство обработки информации для уточнения прогноза показателей температуры и влажности дорожного покрытия, содержащее устройство уточнения прогноза показателей температуры и влажности дорожного покрытия и устройство формирования уточненных предсказаний показателей температуры и влажности дорожного покрытия, причем устройство уточнения прогноза показателей температуры и влажности дорожного покрытия содержит:

блок обработки текущих показателей дорожного покрытия, выполненный с возможностью:

- приема информации о текущих показателях дорожного покрытия от по меньшей мере одного устройства сбора информации, причем текущие показатели дорожного покрытия включают показатели: температуры воздуха, влажности воздуха, атмосферного давления, направления, скорости и величины порывов ветра, температуры точки росы, типа и интенсивности осадков, температуры поверхности дороги, температуры в глубине дорожной одежды, количества отложений на поверхности дороги и количества реагентов на поверхности дороги;

- формирования на основе полученной информации вектора текущих показателей дорожного покрытия;

- формирования входного слоя на основе информации о векторе текущих показателей дорожного покрытия;

- формирования первого скрытого слоя на основе данных входного слоя;

- формирования второго скрытого слоя на основе данных первого скрытого слоя;

- формирования выходного слоя текущих показателей дорожного покрытия;

и блок обработки показателей дорожного покрытия, выполненный с возможностью:

- приема информации о текущих показателях дорожного покрытия, временных показателях и спрогнозированных показателях дорожного покрытия, предсказанные моделью предсказания показателей дорожного покрытия, от по меньшей мере одного устройства сбора информации, причем спрогнозированные показатели дорожного покрытия включают показатели: температуры воздуха, влажности воздуха, атмосферного давления, направления, скорости и величины порывов ветра, температуры точки росы, типа и интенсивности осадков, температуры поверхности дороги, температуры в глубине дорожной одежды, количества отложений на поверхности дороги, количества реагентов на поверхности дороги и параметры облачности;

- формирования на основе полученной информации вектор показателей дорожного покрытия;

- формирования входного слоя на основе информации о векторе показателей дорожного покрытия;

- формирования скрытого слоя на основе данных входного слоя;

- формирования выходного слоя спрогнозированных показателей дорожного покрытия на основе данных входного слоя;

при этом устройство формирования уточненных предсказаний температуры и влажности дорожного покрытия выполнено с возможностью:

- получения информации о спрогнозированных показателях дорожного покрытия, предсказанные моделью предсказания показателей дорожного покрытия от по меньшей мере одного устройства сбора информации;

- формирования уточненных спрогнозированных показателей температуры воздуха на основе данных выходного слоя текущих показателей дорожного покрытия, полученных от блока обработки текущих показателей дорожного покрытия, и информации о спрогнозированных показателях дорожного покрытия, предсказанных моделью предсказания показателей дорожного покрытия;

- формирования уточненных спрогнозированных показателей температуры поверхности дороги, температуры в глубине дорожной одежды и влажности воздуха на основе данных выходного слоя спрогнозированных показателей дорожного покрытия, полученных от блока обработки показателей дорожного покрытия, и информации о спрогнозированных показателях температуры дорожного покрытия, предсказанные моделью предсказания показателей дорожного покрытия;

- сохранения уточненных на предыдущих шагах спрогнозированных показателей температуры и влажности дорожного покрытия в устройстве сбора уточненных предсказаний.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

Для лучшего понимания сущности решения, и чтобы более ясно показать, каким образом оно может быть осуществлено, далее будет сделана ссылка, лишь в качестве примера, на прилагаемый чертеж, на котором изображено:

фиг. 1 – общая схема обработки данных с Автоматическими Дорожными Метеостанциями (АДМС);

фиг. 2 - общая схема системы уточнения прогноза.

ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ

Уточнение прогнозов модели предсказания показателей дорожного покрытия, например, модели METRo, является частью комплексной системы прогнозирования параметров и оценки состояния дорожного покрытия. На фиг. 1 изображено взаимодействие компонент системы. Более детально, распределённая система АДМС (101) агрегирует и отправляет в локальную базу данных (102) через интервалы приблизительно в 30 минут следующие показатели (всего 13 показателей):

значения температуры и влажности воздуха;

атмосферное давление;

направление, скорость и величину порывов ветра;

температуру точки росы;

тип и интенсивность осадков;

температуру поверхности дороги;

температуру в глубине дорожной одежды (4 − 7 см);

количество отложений на поверхности дороги;

наличие реагентов на поверхности дороги.

Данные, приходящие с АДМС, имеют приблизительную частоту 2 записи в час. В этом случае «приблизительный» означает, что некоторая запись может быть получена в 15:32 или в 15:27 при плановом получении в 15:30. Поскольку большинство алгоритмов машинного обучения, применимых к данным такого типа, работают в предположении постоянной частоты, показатели из локальной базы данных (102) предварительно обрабатываются устройством предобработки данных (103).

Далее, на основе предобработанных данных формируется набор дополнительных признаков устройством формирования признаков (104). Данные признаки учитывают динамику во времени показателей, пришедших с той же самой рассматриваемой АДМС.

Сформированные признаки, полученные в результате работы устройства (104), отправляются на вход устройству (105) для удаления записей, содержащих аномальные значения признаков. Важность данного этапа обуславливается наличием перебоев в работе АДМС, при которых передаваемые сенсором данные не соответствуют состоянию дороги.

Система, обеспечивающая уточнение прогнозов состояния дорожного покрытия, состоит из трёх главных компонент (см. фиг. 2):

База данных (106). После удаления аномальных записей в результате работы устройства (105) оставшиеся данные записываются в базу данных (106).

Модель предсказания показателей дорожного покрытия (107). Используя данные из базы (106) модель предсказания показателей дорожного покрытия (107) обеспечивает предсказание метеорологических показателей с горизонтом в несколько часов.

Блок уточнения прогноза (108). Принимая на вход предсказания модели (107) и соответствующие показатели из базы данных (106) данное устройство предоставляет уточненные прогнозы модели (107) аналогичных метеорологических показателей.

Модель предсказания показателей дорожного покрытия (107) предоставляет прогнозы следующих показателей (всего 14 показателей):

значения температуры и влажности воздуха;

атмосферное давление;

скорость ветра;

температуру точки росы;

наличие и интенсивность дождя;

наличие и интенсивность снега;

температуру поверхности дороги и под поверхностью дороги;

температуру в глубине дорожной одежды (4 − 7 см);

количество отложений на поверхности дороги;

облачность.

Система уточнения прогноза модели предсказания показателей дорожного покрытия, помимо базы данных (106) и модели предсказания показателей дорожного покрытия (107), также содержит следующие компоненты:

По меньшей мере одно устройство сбора информации (201);

Устройство обработки информации для уточнения прогноза показателей температуры и влажности дорожного покрытия (200);

Устройство сбора уточненных прогнозов (204).

Устройство обработки информации (200) для уточнения прогноза показателей температуры и влажности дорожного покрытия содержит устройство уточнения прогноза показателей температуры и влажности дорожного покрытия (202) и устройство формирования уточненных предсказаний показателей температуры и влажности дорожного покрытия (203). Устройство обработки информации (200) может быть выполнено на базе по меньшей мере одного персонального компьютера с процессором Intel или AMD, поддерживающим архитектуру x86 и минимальными требования к аппаратной конфигурации: частота процессора 1 ГГц или выше, объем оперативной памяти 1 Гб или больше, объем свободного дискового пространства 100 Мб или больше. Программное обеспечение устройства обработки информации для выполнения приписанных ниже ему функций может быть спроектировано и изготовлено на языке программирования Python версии 3.6.4 с использованием сторонних библиотек, которые находятся в открытом доступе: Numpy версии 1.14.1; Pandas версии 0.22.0; PyTorch версии 0.4.0; Matplotlib версии 2.2.0; Scikit-Learn версии 0.19.1; nginx версии 1.10.3; gunicorn версии 19.9.0; flask версии 1.0.2; SciPy версии 1.0.0; Docker версии 18.06.1-ce. Упомянутые устройства (202) и (203) могут быть соединены конструктивными связями, например, путем их размещения на единой печатной плате.

Устройство сбора информации (201) и устройство сбора уточненных прогнозов (204) может быть выполнено на базе по меньшей мере одного вычислительного устройства, оснащено средством хранения данных. Упомянутые устройства (201) и (204) могут быть также соединены конструктивными связями с элементами устройства обработки информации (200), например, путем их размещения на единой печатной плате. Устройство сбора информации (201) предназначено для формирования данных для устройства обработки информации (200) в результате прогноза метеорологических показателей с помощью модели предсказания показателей дорожного покрытия (107), выполненных на основе данных из базы данных (106).

Из базы данных (106) устройство сбора информации (201) извлекает текущие показатели АДМС (205). Также время записи соответствующих данных АДМС (101) в локальную базу данных (102) преобразуются во временные показатели (206). Поскольку в рассматриваемых временных рядах присутствует сезонность, целесообразно разложить текущий момент времени на компоненты синуса и косинуса относительно рассматриваемой периодичности (всего 10):

Синус и косинус текущей минуты относительно суток;

Cинус и косинус текущего часа относительно суток;

Cинус и косинус текущего дня относительно недели;

Cинус и косинус текущего дня относительно года;

Cинус и косинус текущего месяца относительно года.

В результате устройство сбора информации (201) формирует:

Текущие показатели АДМС (205);

Временные показатели (206);

Предсказание модели предсказания показателей дорожного покрытия всех показателей на один час (207) относительно времени записи соответствующих данных АДМС (101) в локальную базу данных (102);

Аналогичное предсказание модели предсказания показателей дорожного покрытия всех показателей на два часа (208);

Аналогичное предсказание модели предсказания показателей дорожного покрытия всех показателей на три часа (209);

Предсказания модели предсказания показателей дорожного покрытия всех показателей на один, два и три часа (235). В действительности, предсказания (235) являются предсказаниями (207), (208) и (209), собранных в одном месте.

Устройство уточнения прогноза показателей температуры и влажности дорожного покрытия (202) предоставляет по входным данным из устройства сбора информации (201) уточнение прогноза модели предсказания показателей дорожного покрытия (107) целевых метеорологических показателей: температуры воздуха, температур поверхности дороги и в глубине дорожной одежды, влажности воздуха. Устройство уточнения прогноза показателей температуры и влажности дорожного покрытия (202) содержит блок обработки текущих показателей дорожного покрытия (210) и блок обработки показателей дорожного покрытия (211).

Блок обработки текущих показателей дорожного покрытия (210) принимает от по меньшей мере одного устройства сбора информации (201) на вход текущие показатели дорожного покрытия (всего 13 показателей) АДМС (205), в частности, показатели: температуры воздуха, влажности воздуха, атмосферного давления, направления, скорости и величины порывов ветра, температуры точки росы, типа и интенсивности осадков, температуры поверхности дороги, температуры в глубине дорожной одежды, количества отложений на поверхности дороги и количества реагентов на поверхности дороги.

В это время блок обработки показателей дорожного покрытия (211) помимо текущих показателей АДМС (205), также принимает на вход от по меньшей мере одного устройства сбора информации (201) временные показатели (206) и спрогнозированные показатели дорожного покрытия, предсказанные моделью предсказания показателей дорожного покрытия (107), например, на один (207), два (208) и три (209) часа (всего 13+3*14+10=65 показателей). Спрогнозированные показатели дорожного покрытия включают показатели: температуры воздуха, влажности воздуха, атмосферного давления, направления, скорости и величины порывов ветра, температуры точки росы, типа и интенсивности осадков, температуры поверхности дороги, температуры в глубине дорожной одежды, количества отложений на поверхности дороги, количества реагентов на поверхности дороги и параметры облачности. Все входные данные о текущих показателях дорожного покрытия объединяются блоком обработки текущих показателей дорожного покрытия (210) в один входной вектор текущих показателей дорожного покрытия соответствующей размерности, а входные данные о текущих показателях дорожного покрытия, временных показателях и спрогнозированных показателях дорожного покрытия объединяются блоком обработки показателей дорожного покрытия (211) в один вектор показателей дорожного покрытия соответствующей размерности, и формируются входной слой (212) и входной слой (216) для упомянутых блоков (210) и (211) соответственно. Например, формирование входного слоя (212) на основе информации вектора текущих показателей дорожного покрытия может осуществляться с размерностью 13, а формирование входного слоя (216) на основе информации о векторе показателей дорожного покрытия - с размерностью 65.

Преобразование данных в упомянутых блоках (210) и (211) осуществляется за счет трансформации данных между слоями (фиг. 2). Архитектура вычислений в литературе известна как архитектура искусственной нейронной сети. На данный момент данный инструмент имеет достаточно большую популярность в том числе за счет того, что может эффективно решать задачи предиктивной аналитики. Существует множество сторонних библиотек, позволяющих эффективно работать с искусственными нейронными сетями, которые находятся в открытом доступе (например, PyTorch, TensorFlow).

Механизм работы искусственной нейронной сети состоит из однотипных компонент, где каждая компонента состоит из последовательного применения определённых преобразований входного вектора: вектор определённой размерности преобразуется путем умножения вектора на матрицу весов и суммирования результата с определенным вектором смещения. Значения матрицы весов заранее задаются в упомянутом блоке (210) на основе исторических данных о всех поступающих в данный блок (210) показателях. Методы определения значений матрицы весов в нейронных сетях на основе исторических данных о показателях широко известны из уровня техники и подробно не будут раскрыты в настоящей заявке.

Далее следует нелинейное преобразования полученного вектора. Результирующий вектор называется скрытым слоем и отправляется в качестве входного вектора следующей компоненте искусственной нейронной сети. Рассмотрим преобразование данных одной компоненты более детально на примере входного слоя (212) и первого скрытого слоя (213) блока обработки текущих показателей дорожного покрытия (210):

1. Во входном слое (212) имеется вектор input размерностью 13:

2. Данный вектор умножается справа на определённую матрицу весов

3. К полученному вектору

4. Итоговый вектор

Матрица весов и значения вектора смещения могут быть получены в результате техники обратного распространения ошибки, которая используется для обучения нейронных сетей, и могут быть заложены в программно-аппаратный алгоритм блока обработки текущих показателей дорожного покрытия (210) и блока обработки показателей дорожного покрытия (211). Упомянутая техника обратного распространения ошибки широко известна для специалиста в данной области техники и не будет подробно описана а рамках настоящей заявки.

Таким образом, с помощью аналогичной трансформации данные о текущих показателях дорожного покрытия, представленные в виде вектора текущих показателей дорожного покрытия, из входного слоя (212) преобразуются блоком обработки текущих показателей дорожного покрытия (210) в данные первого скрытого слоя для формирования первого скрытого слоя (213). Например, если входной слой (212) сформирован на основе информации вектора текущих показателей дорожного покрытия с размерностью 13, то формирование первого скрытого слоя осуществляется посредством умножения вектора текущих показателей дорожного покрытия с размерностью 13 на матрицу весов размерностью 128х13 и прибавления вектора смещения с размерностью 128. Далее данные из первого скрытого слоя (213) преобразуются упомянутым блоком (210) в данные для формирования второго скрытый слой (214), частности посредством умножения данных первого скрытого слоя на матрицу весов размерностью 16х128 и прибавления вектора смещения с размерностью 16, и в итоге данные из второго скрытого слоя (214) – в данные для формирования выходного слоя (215), в частности, посредством умножения данных второго скрытого слоя на матрицу весов размерностью 3х16 и прибавления вектора смещения с размерностью 3.

Перед записью в выходной слой (215) к итоговому вектору не применяется нелинейное преобразование LeakyReLU. Стоит отметить, что на вход блоку (210) подаются лишь текущие показатели АДМС (205), в то время как координаты (т.е. данные выходного слоя текущих показателей дорожного покрытия) выходного слоя (215) представляют из себя уточнения прогноза температуры воздуха на один, два и три часа соответственно. Обновление значений весов матриц блока (210) основана на исторических показателях, поэтому информация о предсказаниях модели предсказания показателей дорожного покрытия (107) неявно содержится в значениях матриц весов блока (210).

Аналогично для блока обработки показателей дорожного покрытия (211), например, если входной слой (216) сформирован на основе информации о векторе показателей дорожного покрытия с размерностью 65, то данные из входного слоя (216) преобразуются блоком (211) в данные первого скрытого слоя (217), на основе которых формируется первый скрытый слой (217), посредством умножения вектора показателей дорожного покрытия с размерностью 65 на матрицу весов размерностью 32х65 и прибавления вектора смещения с размерностью 32. Далее данные первого скрытого слоя (217) преобразуются в данные выходного слоя (218) для формирования выходного слоя спрогнозированных показателей дорожного покрытия, в частности, посредством умножения данных первого скрытого слоя на матрицу весов размерностью 9х32 и прибавления вектора смещения с размерностью 9. Также перед записью в выходной слой (218) к итоговому вектору не применяется нелинейное преобразование LeakyReLU. Координаты 9-тимерного итогового вектора, находящегося в выходном слое (218), представляют из себя следующие уточнения прогноза:

1. Температура поверхности дороги на один час;

2. Температура поверхности дороги на два часа;

3. Температура поверхности дороги на три часа;

4. Температура в глубине дорожной одежды на один час;

5. Температура в глубине дорожной одежды на два часа;

6. Температура в глубине дорожной одежды на три часа;

7. Влажность воздуха на один час;

8. Влажность воздуха на два часа;

9. Влажность воздуха на три часа.

Устройство формирования уточненных предсказаний показателей температуры и влажности дорожного покрытия (203) осуществляет агрегацию данных, полученных в результате работы устройства уточнения прогноза показателей температуры и влажности дорожного покрытия (202) и модели предсказания показателей дорожного покрытия (107). Данное устройство (203) принимает результат уточнения прогноза метеорологических показателей, полученных в результате работы устройства уточнения прогноза (202), а также предсказания модели предсказания показателей дорожного покрытия (107) на один, два и три часа (235). Из всех полученных данных (235) для дальнейшей работы используются прогнозы только целевых показателей:

Температуры воздуха на один, два и три часа (219);

Температуры поверхности дороги на один, два и три часа (220);

Температуры в глубине дорожной одежды на один, два и три часа (221);

Влажности воздуха на один, два и три часа (222).

В частности, на устройство формирования уточненных предсказаний показателей температуры и влажности дорожного покрытия (203) поступает информации о спрогнозированных показателях дорожного покрытия, предсказанные моделью предсказания показателей дорожного покрытия, и данные выходного слоя текущих показателей дорожного покрытия (215). Уточненные спрогнозированные показатели температуры воздуха, например, на один час (223), упомянутое устройство (203) формирует путём суммирования спрогнозированных показателей температуры воздуха на один час, предсказанные моделью предсказания показателей дорожного покрытия (219), и данных выходного слоя текущих показателей дорожного покрытия (215), являющимся результатом работы блока (210) устройства уточнения прогноза (202). Более конкретно, из выходного слоя (215) блока (210) используется первая координата выходного вектора, соответствующая значению уточнения прогноза температуры воздуха на один час. Аналогично для прогноза показателей температуры воздуха на два (224) и три (225) часа используются вторая и третья координаты выходного вектора (215) блока (210).

Также на устройство формирования уточненных предсказаний показателей температуры и влажности дорожного покрытия (203) от блока обработки показателей дорожного покрытия (218) поступают данные выходного слоя спрогнозированных показателей дорожного покрытия (218).

Уточненные спрогнозированные показатели температуры поверхности дороги, например, на один час (226), упомянутое устройство (203) формирует путём суммирования спрогнозированных показателей температуры поверхности дороги на один час, предсказанных моделью предсказания показателей дорожного покрытия (220), и данных выходного слоя спрогнозированных показателей дорожного покрытия (218), являющимся результатом работы упомянутого блока (211). Более конкретно, из выходного слоя (218) блока (211) используется первая координата выходного вектора, соответствующая значению уточнения прогноза температуры поверхности дороги на один час. Аналогично для прогноза температуры поверхности дороги на два (227) и три (228) часа используется вторая и третья координаты выходного вектора блока (211).

Уточненные спрогнозированные показатели температуры в глубине дорожной одежды, например, на один час (229) упомянутое устройство (203) формирует путём суммирования уточненных спрогнозированных показателей температуры в глубине дорожной одежды, предсказанных моделью предсказания показателей дорожного покрытия (221), и данных выходного слоя спрогнозированных показателей дорожного покрытия (218), являющимся результатом работы упомянутого блока (211). Более конкретно, из выходного слоя (218) блока (211) используется 4-ая координата выходного вектора, соответствующая значению уточнения прогноза температуры в глубине дорожной одежды на один час. Аналогично для прогноза температуры в глубине дорожной одежды на два (230) и три (231) часа используются 5-ая и 6-ая координаты выходного вектора блока (211).

Уточненные спрогнозированные показатели влажности воздуха, например, на один час (232), упомянутое устройство (203) формирует путём суммирования уточненных спрогнозированных показателей влажности воздуха на один час, предсказанных моделью предсказания показателей дорожного покрытия (222), и данных выходного слоя спрогнозированных показателей дорожного покрытия (218), являющимся результатом работы упомянутого блока (211). Более конкретно, из выходного слоя (218) блока (211) используется 7-ая координата выходного вектора, соответствующая значению уточнения прогноза влажности воздуха на один час. Аналогично для прогноза влажности воздуха на два (233) и три (234) часа используется 8-ая и 9-ая координаты выходного вектора блока (211).

Устройство сбора уточненных предсказаний (204) собирает полученные уточненные спрогнозированные показатели температуры и влажности дорожного покрытия (223) – (234) и записывает их в базу данных (106).

Таким образом, за счет того, что формирование уточненных спрогнозированных показателей температуры воздуха выполняется на основе данных выходного слоя (215) текущих показателей дорожного покрытия, сформированного с учетом показателей температуры воздуха, влажности воздуха, атмосферного давления, направления, скорости и величины порывов ветра, температуры точки росы, типа и интенсивности осадков, температуры поверхности дороги, температуры в глубине дорожной одежды, количества отложений на поверхности дороги и количества реагентов на поверхности дороги, а формирование уточненных спрогнозированных показателей температуры поверхности дороги, температуры в глубине дорожной одежды и влажности воздуха - на основе данных выходного слоя спрогнозированных показателей дорожного покрытия, сформированного с учетом спрогнозированных показателей температуры воздуха, влажности воздуха, атмосферного давления, направления, скорости и величины порывов ветра, температуры точки росы, типа и интенсивности осадков, температуры поверхности дороги, температуры в глубине дорожной одежды, количества отложений на поверхности дороги, количества реагентов на поверхности дороги и параметры облачности, повышается точность уточненных спрогнозированных показателей температуры воздуха, температуры поверхности дороги, температуры в глубине дорожной одежды и влажности воздуха, т.е. обеспечивается достижение указанного технического результата, заключающегося в повышении точности прогноза показателей температуры и влажности дорожного покрытия.

Кроме того, за счет того, что блок обработки текущих показателей дорожного покрытия (210) обрабатывает только лишь данные о текущих показателях дорожного покрытия, на основе которых формируются уточненные спрогнозированные показатели температуры воздуха, в то время, как блок обработки показателей дорожного покрытия (211) обрабатывает данные о текущих показателях дорожного покрытия, временных показателях и спрогнозированных показателях дорожного покрытия, на основе которых формируются уточненные спрогнозированные показатели температуры поверхности дороги, температуры в глубине дорожной одежды и влажности воздуха, повышается скорость определения показателей температуры и влажности дорожного покрытия. Дополнительную точность показателям температуры и влажности дорожного покрытия могут обеспечить указанные в настоящей заявки размерности, выбранные для формирования входных, скрытых и выходных слоев упомянутых блоков (210) и (211).

Улучшение точности предсказания за счёт уточнения прогноза модели METRo была доказана экспериментально на основе исторических данных за 2016-2017 гг. В таблице 1 представлены результаты экспериментальной проверки.

Таблица 1.

Столбцы таблицы 1 соответствуют прогнозируемому горизонту времени (на один, два и три часа), строки соответствуют целевому показателю (температура воздуха, температура дороги, температура под поверхностью дороги и влажность воздуха). Каждая строка содержит три подстолбца, которые соответствуют модели прогнозирования (предсказание текущим значением, предсказание моделью METRo и предсказание предложенной модели, уточняющая модель METRo). Предсказание текущим значением утверждает, что через определённое количество времени целевой показатель не изменится. В ячейках таблицы для предсказания текущим значением и предсказания модели METRo записано средняя абсолютная разность между настоящим и спрогнозированным значением целевого показателя на всех рассматриваемых исторических данных. Для предложенной модели в ячейках таблицы указаны два параметра: средняя абсолютная разность (САР) и стандартное отклонение (СО) средней абсолютной разности между настоящим и спрогнозированным значением целевого показателя на всех рассматриваемых исторических данных.

Для каждого целевого показателя для определённого времени прогнозирования жирным шрифтом выделен наиболее точный метод. Как видно из таблицы, на всех рассматриваемых временных горизонтах на всех целевых показателях предложенный метод уточняет прогноз модели METRo.

Список литературы:

[1] Edward S Barber. Calculation of maximum pavement temperatures from weather reports. Highway Research Board Bulletin, (168), 1957.

[2] Bent H Sass. A numerical forecasting system for the prediction of slippery roads. Journal of

Applied Meteorology, 36(6):801–817, 1997.

[3] Tao Feng and Shide Feng. A numerical model for predicting road surface temperature in the highway. Procedia Engineering, 37:137–142, 2012.

[4] Meng Chunlei and Liu Changyou. Summer road temperature disaster forecast of expressway in Beijing [j]. Journal of Institute of Disaster-Prevention Science and Technology, 3:007, 2009.

[5] Yongjiu Dai, Xubin Zeng, Robert E Dickinson, Ian Baker, Gordon B Bonan, Michael G Bosilovich, A Scott Denning, Paul A Dirmeyer, Paul R Houser, Guoyue Niu, et al. The common land model. Bulletin of the American Meteorological Society, 84(8):1013–1023, 2003.

[6] Shui-yong FAN, Min CHEN, Ji-qin ZHONG, and Zuo-fang ZHENG. Performance tests and evaluations of beijing local high-resolution rapid update cycle system [j]. Torrential Rain and Disasters, 2:005, 2009.

[7] Louis-Philippe Crevier and Yves Delage. Metro: A new model for road-condition forecasting in Сanada. Journal of Applied Meteorology, 40(11):2026–2037, 2001.

[8] Brian K Diefenderfer, Imad L Al-Qadi, Stacey D Reubush, and Thomas E Freeman. Development and validation of a model to predict pavement temperature profile. Citeseer.

[9] Qinghong YANG, Jiuhui PENG, and Yuanyuan LIU. The atmospheric physical quantity and radar echo characteristic of a strong convective weather [j]. Journal of Arid Meteorology, 3:015, 2010.

[10] Chi-Chou Liao, Bo-Ruei Chen, Shun-Hsing Chen, and Wei-Hsing Huang. Temperature prediction model for flexible pavements in taiwan. In Performance Modeling and Evaluation of Pavement Systems and Materials: Selected Papers from the 2009 GeoHunan International Conference, pages 82–89, 2009.

[11] Mohamed Akram Zaytar and Chaker El Amrani. Sequence to sequence weather forecasting with long short-term memory recurrent neural networks. Int J Comput Appl, 143(11), 2016.

[12] Andre Gensler, Janosch Henze, Bernhard Sick, and Nils Raabe. Deep learning for solar power forecasting — an approach using autoencoder and lstm neural networks. In Systems, Man, and Cybernetics (SMC), 2016 IEEE International Conference on, pages 002858–002865. IEEE, 2016.

Реферат

Заявленное решение относится к области обработки данных для прогнозирования параметров и оценки состояния дорожного покрытия, в частности к устройству обработки информации на основе ансамбля гетерогенных нейронных сетей для уточнения прогноза показателей температуры и влажности дорожного покрытия, предсказанных моделью прогнозирования параметров и оценки состояния дорожного покрытия. Техническим результатом является повышение точности прогноза показателей температуры и влажности дорожного покрытия. Для обеспечения достижения указанного технического результата разработано устройство обработки информации для уточнения прогноза показателей температуры и влажности дорожного покрытия, содержащее устройство уточнения прогноза показателей температуры и влажности дорожного покрытия и устройство формирования уточненных предсказаний показателей температуры и влажности дорожного покрытия.

Формула