楊小兵，楊再均，韓 暉，李洋洋

(1.云南建投基礎(chǔ)工程有限責(zé)任公司,云南 昆明 521452; 2.貴州高速黔通建設(shè)工程有限公司,貴州 貴陽 550000; 3.北京中交華安科技有限公司,北京 100088)

0 引言

濃霧天氣對高速公路的運營安全產(chǎn)生嚴重影響，極易引發(fā)道路交通事故。全國每年高速公路平均交通事故死亡人數(shù)近12萬人，其中與交通氣象相關(guān)的約占70%[1-2]，且因大霧誘發(fā)的交通事故大部分為重大交通事故，損失最為嚴重[3]。同時，近年來全球氣候變暖加劇，國內(nèi)區(qū)域氣候濃霧下能見度整體呈現(xiàn)下降趨勢，尤其中東部地區(qū)[4-5]，低能見度天氣已成為危害行車安全的重要因素之一。因此，準(zhǔn)確的濃霧產(chǎn)生預(yù)測能夠有效減少交通事故的發(fā)生。

霧是由懸浮在近地面空氣中微小水滴和冰晶組成的低能見度的天氣現(xiàn)象[6]，其形成受到冷卻條件、水汽條件、凝結(jié)條件、天氣條件、層結(jié)條件、風(fēng)力等因素的影響和約束[7-9]，對各個氣象要素參數(shù)的要求苛刻至極[10]。

對于高速公路濃霧產(chǎn)生預(yù)測研究上，賀皓等根據(jù)霧產(chǎn)生前地面的氣象要素信息，利用支持向量機的方法進行短臨預(yù)測，并取得了不錯的效果[11]；周須文等應(yīng)用天氣學(xué)原理和數(shù)理統(tǒng)計方法對低能見度霧的生消機理進行研究，建立能見度氣象因子的回歸方程，進而實現(xiàn)對濃霧的預(yù)測和預(yù)報[12]；王月琴等通過采集高速公路部分氣象站點檢測的數(shù)據(jù)作為樣本，建立基于BP神經(jīng)網(wǎng)絡(luò)的高速公路團霧產(chǎn)生預(yù)測模型[13]；苗開超等基于LSTM網(wǎng)絡(luò)構(gòu)建了全新的大霧臨近預(yù)報框架，實現(xiàn)對大霧臨近進行有效的預(yù)測[14]；此外，數(shù)值預(yù)報模式也越來越多地被應(yīng)用到低能見度的模擬和預(yù)報中[15-17]。

綜上，現(xiàn)有的濃霧預(yù)測和預(yù)報研究中，大多為短期區(qū)域性的預(yù)測，其準(zhǔn)確率和精度相對較差。而針對高速公路的行車特點，濃霧臨近/短臨預(yù)測和預(yù)報對于保障交通的安全運行尤為重要，為此，本研究在現(xiàn)有研究成果和大數(shù)據(jù)技術(shù)廣泛應(yīng)用的基礎(chǔ)上，基于交通氣象監(jiān)測站的歷史數(shù)據(jù)，利用統(tǒng)計分析方法確定濃霧形成的重要指示變量和變化趨勢，構(gòu)建了基于“能見度前期振蕩”和“大氣溫度回溫波動”特性的濃霧短臨預(yù)測模型，實現(xiàn)對濃霧產(chǎn)生前短時間內(nèi)的有效預(yù)測。

1 歷史氣象數(shù)據(jù)處理

依托滬寧高速公路沿線江蘇境內(nèi)竇莊、河陽、仙人山等3處交通氣象監(jiān)測站4年(2013年1月1日至2016年12月31日)全天候的監(jiān)測數(shù)據(jù)(包括時間、能見度、大氣溫度、相對濕度、風(fēng)速風(fēng)向、降水量等數(shù)據(jù)信息，數(shù)據(jù)采樣間隔為1 min)進行研究。

綜合考慮高速公路行車安全的實際需求，結(jié)合數(shù)據(jù)分析的結(jié)果，本研究選取了能見度數(shù)值為200 m[18]作為分界閾值點，研究濃霧產(chǎn)生前后各氣象要素的變化情況，具體過程如下：

(1)數(shù)據(jù)提取

根據(jù)本研究目的，提取濃霧產(chǎn)生前3 h的氣象數(shù)據(jù)來分析濃霧產(chǎn)生過程中各氣象要素的變化特性、趨勢和規(guī)律。但受目前交通氣象監(jiān)測設(shè)備數(shù)據(jù)采集質(zhì)量影響，存在部分時段數(shù)據(jù)異常和缺失的狀況，導(dǎo)致在非濃霧產(chǎn)生時段中出現(xiàn)少量數(shù)據(jù)單元存在能見度低于200 m的狀況，或在濃霧時段會存在個別數(shù)據(jù)單元能見度遠大于該時段其他數(shù)據(jù)的狀況。

本研究以氣象數(shù)據(jù)單元的采樣時間序列為基準(zhǔn)，利用“滑動窗+模糊統(tǒng)計”方法對各數(shù)據(jù)單元進行處理。濃霧產(chǎn)生后會持續(xù)一定的時間，通過對濃霧產(chǎn)生前3 h數(shù)據(jù)進行統(tǒng)計分析，發(fā)現(xiàn)濃霧產(chǎn)生前跨度為連續(xù)2 h的數(shù)據(jù)會出現(xiàn)至少一次相同的變化趨勢，故設(shè)定滑動窗窗體大小為120個數(shù)據(jù)單元即2個小時。

為提升數(shù)據(jù)提取的準(zhǔn)確性和速度，采用雙約束并列關(guān)聯(lián)提取的方式，具體操作如下：

確定當(dāng)前位置的滑動窗A={xi,xi+1,…，xi+118,xi+119}，判斷當(dāng)前位置能見度持續(xù)時長：

(1)

式中，K為滑動窗決策變量，取值為0或1；N為模糊統(tǒng)計數(shù)量閾值，本研究通過對氣象數(shù)據(jù)進行統(tǒng)計分析后其取值為48；NA為滑動窗子窗體A中能見度小于200 m的數(shù)據(jù)單元個數(shù)。

當(dāng)K=0時，對滑動窗A內(nèi)部數(shù)據(jù)單元進行約束條件判定，選取滑動窗A中前60個元素即Ai={xi,xi+1,…，xi+59}進行約束條件判定：

(2)

若K=0，滑動窗Ai向前滑動1個數(shù)據(jù)單元長度，繼續(xù)進行判斷，直至子滑動窗遍歷整個滑動窗A；當(dāng)K=1時，確定當(dāng)前滑動窗首元素位置i，分別提取當(dāng)前位置前3 h數(shù)據(jù)單元元素即{xi-180,xi-179,…,xi-1}，同時為驗證整體的濃霧產(chǎn)生前后的變化過程，并提取其對應(yīng)位置后2 h數(shù)據(jù)單元元素即{xi,xi+1,…,xi+119}，此時滑動窗向前滑動2個窗體A的長度即300個數(shù)據(jù)單元長度。

圖1 提取數(shù)據(jù)結(jié)果Fig.1 Result of data extracting

(2)數(shù)據(jù)剔除及修復(fù)

受交通氣象監(jiān)測站硬件數(shù)據(jù)采集精度和所處氣候環(huán)境的影響，采集的氣象數(shù)據(jù)會存在部分時間點的數(shù)據(jù)丟失問題，本研究為保障所建短臨預(yù)測模型的準(zhǔn)確性，對于數(shù)據(jù)缺失較為嚴重的樣本進行直接剔除。

圖2 數(shù)據(jù)缺失情況Fig.2 Situation of data missing

對于獲取的數(shù)據(jù)存在個別數(shù)據(jù)點異?；蜻z漏，本研究選用滑動窗和線形插值的方法對氣象數(shù)據(jù)進行數(shù)據(jù)異常值修復(fù)。

首先，濃霧的產(chǎn)生與消散過程是一個緩慢的過程，所以相鄰數(shù)據(jù)單元間其氣象監(jiān)測數(shù)據(jù)的差異也是在一定范圍內(nèi)波動的。通過對氣象站監(jiān)測數(shù)據(jù)的統(tǒng)計分析發(fā)現(xiàn)：低能見度情況下，隨著能見度的降低，相鄰數(shù)據(jù)單元的能見度差值整體上呈現(xiàn)減小的趨勢；當(dāng)能見度小于等于2 000 m時，相鄰數(shù)據(jù)單元間能見度值的差異約90%集中在小于等于200 m。本研究選定在低能見度下能見度差值閾值δ作為異常數(shù)據(jù)判定的依據(jù)，取δ=200。

其次，根據(jù)獲取數(shù)據(jù)的整體情況，為保證數(shù)據(jù)修復(fù)過程的合理性和準(zhǔn)確性，本研究利用線性插值方法對數(shù)據(jù)序列中的異常數(shù)據(jù)、缺失數(shù)據(jù)進行修復(fù)。具體修復(fù)過程如下：

(3)

式中，xi為第i個數(shù)據(jù)單元；Dxi為第i個數(shù)據(jù)單元的原始能見度值；D′xi為第i個數(shù)據(jù)單元的修復(fù)后能見度值。

最后，利用相同的方法對提取時間段內(nèi)數(shù)據(jù)單元的其他要素數(shù)據(jù)進行異常數(shù)據(jù)值進行處理和修復(fù)，如溫度、濕度等，得到能夠體現(xiàn)濃霧產(chǎn)生過程的各氣象要素數(shù)據(jù)集。

2 重要指示變量分析

(1)濃霧產(chǎn)生過程中重要指示變量選取

實現(xiàn)對濃霧產(chǎn)生有效預(yù)測最為關(guān)鍵的是選取重要指示變量和分析變量的變化趨勢和規(guī)律特點。本研究所采用的滬寧高速公路沿線江蘇境內(nèi)交通氣象監(jiān)測站歷史數(shù)據(jù)的指標(biāo)變量共計13項，包括時間、能見度、大氣溫度、相對濕度、降水量、瞬時風(fēng)速、瞬時風(fēng)向、2 min風(fēng)速、2 min風(fēng)向、10 min風(fēng)速、10 min風(fēng)向、0 cm地溫、10 cm地溫，而從數(shù)據(jù)的整體有效性和數(shù)據(jù)的準(zhǔn)確性來看，僅時間、能見度、大氣溫度、相對濕度、降水量、瞬時風(fēng)速的監(jiān)測結(jié)果較為準(zhǔn)確。

根據(jù)目前濃霧預(yù)測研究所采用的氣象變量指標(biāo)和結(jié)果，本研究所采用的數(shù)據(jù)可以滿足對濃霧產(chǎn)生進行短臨預(yù)測的需求，同時結(jié)合本研究目的，選取了能見度、相對濕度和瞬時風(fēng)速作為濃霧短臨預(yù)測模型的重要指示變量。

(2)濃霧產(chǎn)生過程中重要指示變量統(tǒng)計分析

通過對滬寧高速公路沿線江蘇境內(nèi)交通氣象監(jiān)測站的歷史數(shù)據(jù)進行預(yù)處理獲得濃霧產(chǎn)生前后各氣象要素數(shù)據(jù)，進而利用MATLAB工具對其數(shù)據(jù)進行統(tǒng)計分析來獲取相關(guān)重要指示變量在濃霧產(chǎn)生過程中的特點，具體結(jié)果見表1所示。

通過表1和圖3可以發(fā)現(xiàn)：在濃霧產(chǎn)生的整個過程中，大氣相對濕度、風(fēng)速、能見度等相關(guān)氣象因子變化均具有一定的規(guī)律和特點。當(dāng)濃霧逐漸形成的過程中，大氣相對濕度整體處于85%以上，風(fēng)速的大小在一定小范圍內(nèi)浮動變化([0，4]m/s)，且

表1 不同濃度條件下的濃霧各指示變量分布的情況Tab.1 Distribution of dense fog indicator variables under different concentration conditions

圖3 濃霧產(chǎn)生過程中重要指示變量的變化情況Fig.3 Changes of important indicator variables in dense fog generation process

普遍偏低，主要集中于1 m/s左右；隨著環(huán)境的能見度逐漸降低，大氣相對濕度逐漸增加，當(dāng)濃霧產(chǎn)生后，其環(huán)境的能見度等指標(biāo)逐漸趨于穩(wěn)定、下降趨勢減緩，濕度的上升趨勢也減緩。

(3)濃霧產(chǎn)生過程中重要指示變量變化特點分析

根據(jù)滬寧高速公路沿線江蘇境內(nèi)交通氣象監(jiān)測站歷時數(shù)據(jù)的分析結(jié)果及現(xiàn)有研究成果，可以發(fā)現(xiàn)：濃霧形成前近地層空氣中空氣濕度近乎達到飽和態(tài)，其能見度的降低不都是逐漸降低的，濃霧在產(chǎn)生之前，普遍會出現(xiàn)一個前期振蕩。前期振蕩現(xiàn)象是突然出現(xiàn)的，持續(xù)時間短，能見度值不低，也不穩(wěn)定，一般介于200～800 m之間波動，這可被視為突發(fā)性濃霧的前奏，本研究稱之為能見度前期振蕩，如圖4所示。

圖4 能見度前期振蕩Fig.4 Visibility early oscillation

能見度前期振蕩具有以下兩個特征：

(1)從ta到tb的時間大多在10～40 min之間，從tc到出現(xiàn)持續(xù)濃霧的時間大約是2～3 h；

(2)前期振蕩是突然出現(xiàn)的，但能見度值在一定范圍內(nèi)變化。

此外，低能見度穩(wěn)定濃霧天氣過程在形成前存在先期振蕩，表明突發(fā)性濃霧的形成不是一次完成的，究其成因是近地層大氣中初次產(chǎn)生凝結(jié)后，存在凝結(jié)潛熱釋放的物理過程，加上霧對地面輻射的阻隔，使近地層的氣溫有所上升。研究表明[19]：穩(wěn)定濃霧在爆發(fā)性下降前，大氣溫度都經(jīng)過了“下降-小幅回升-繼續(xù)下降”的過程，本研究稱之為大氣溫度回溫波動，如圖5所示，溫度下降過程中的小幅上升對能見度的突然下降有很好的預(yù)測作用。

圖5 大氣溫度回溫波動Fig.5 Atmospheric temperature return fluctuation

大氣溫度回溫波動具有以下特征：

(1)大氣溫度波動的幅度在一定范圍內(nèi)波動；

(2)從ta到tb的時間大多在10～40 min，從tb到出現(xiàn)持續(xù)濃霧的時間30 min～3 h不等。

3 基于“能見度前期振蕩”和“大氣溫度回溫波動”特性的濃霧短臨預(yù)測模型

基于滬寧高速公路沿線江蘇境內(nèi)交通氣象監(jiān)測站數(shù)據(jù)分析結(jié)果：在能見度爆發(fā)下降前相對濕度和風(fēng)速大小的波動情況具有一定的規(guī)律特點，為此在進行濃霧短臨預(yù)測時必須先滿足兩個先決條件即：

(4)

式中，Humi為當(dāng)前時刻i的相對濕度；Windi為當(dāng)前時刻i的風(fēng)速；Nhum，Nwind分別為預(yù)測模型先決條件閾值。

在滿足當(dāng)前時刻先決條件閾值約束的基礎(chǔ)上，本研究利用滑動窗口算法設(shè)定數(shù)據(jù)實時處理分析過程，并基于能見度前期振蕩辨識算法和大氣溫度回溫波動辨識算法對濃霧產(chǎn)生前的雙特性變化趨勢進行辨識，進而實現(xiàn)對濃霧產(chǎn)生前有效預(yù)測。

(1)滑動窗口算法

本研究利用滑動窗口算法對能見度前期振蕩辨識算法和大氣溫度回溫波動辨識算法的遍歷規(guī)則進行了設(shè)定，具體步驟如下：

圖6 滑動窗口算法示意圖Fig.6 Schematic diagram of sliding window algorithm

Step1：研判周期確定及數(shù)據(jù)預(yù)處理

以氣象站當(dāng)前時間ta獲取的數(shù)據(jù)單元為基準(zhǔn)，往前選擇一個時間點tc，ta至tc形成一個研判周期時長定義為cycle；利用本研究數(shù)據(jù)預(yù)處理方法對研判周期內(nèi)的數(shù)據(jù)進行處理。

Step2：研判周期內(nèi)數(shù)據(jù)整體性約束判別

為提升研判的準(zhǔn)確性，需確定周期cycle中所有數(shù)據(jù)單元的整體水平進行先驗處理，即

(5)

Step3：滑動窗體確定

在cycle內(nèi)選擇一個時間點tb，形成一個時間窗口定義為window，能見度前期振蕩和大氣溫度回溫波動辨識在window內(nèi)執(zhí)行，根據(jù)兩個現(xiàn)象出現(xiàn)的特征，確定window時間長度。

Step4：窗體滑動規(guī)則

window在cycle內(nèi)依次遍歷，每次往前推進一個短時間段，這個時間段為滑動時間步長，定義為step，step時間長度為一個數(shù)據(jù)單元長度；直至window遍歷完整個cycle，判定此次預(yù)測過程結(jié)束。

(2)能見度前期振蕩辨識算法

根據(jù)能見度前期振蕩的特征，判定：

(6)

式中，Svis為能見度前期振蕩特性決策變量，取值為0或1；VIS_MAX，VIS_MIN分別為能見度前期振蕩上限值和下限值；VISmin，VISmax分別為能見度滑動窗window內(nèi)數(shù)據(jù)序列的平均能見度最大值和平均能見度最小值。

圖7 能見度前期振蕩辨識算法示意圖Fig.7 Schematic diagram of identification algorithm of visibility early oscillation

其中：

(7)

式中，VISmax1，VISmax2分別為能見度滑動窗window內(nèi)數(shù)據(jù)序列中兩個最大能見度值；VISmin1，VISmin2分別為滑動窗window內(nèi)能見度數(shù)據(jù)序列中兩個最小能見度值。

(3)大氣溫度回溫波動辨識算法

圖8 大氣溫度回溫波動辨識算法Fig.8 Schematic diagram of identification algorithm of atmospheric temperature return fluctuation

根據(jù)大氣溫度回溫波動的特征，判定：

(8)

式中，Tat為大氣溫度回溫波動特性決策變量，取值為0或1；AT_RANGE為大氣溫度回溫波動的幅度；ΔAT為大氣溫度滑動窗window內(nèi)數(shù)據(jù)序列中平均最大溫差；Tmax1，Tmax2分別為大氣溫度滑動窗window內(nèi)數(shù)據(jù)序列中兩個最大溫度值所對應(yīng)的時間；Tmin1，Tmin2分別為滑動窗window內(nèi)能見度數(shù)據(jù)序列中兩個最小溫度值所對應(yīng)的時間。

其中：

(9)

式中，ATmax1，ATmax2分別為大氣溫度滑動窗window內(nèi)數(shù)據(jù)序列中兩個最大溫度值；ATmin1，ATmin1分別為大氣溫度滑動窗window內(nèi)數(shù)據(jù)序列中兩個最小溫度值。

綜上，當(dāng)能見度前期振蕩辨識結(jié)果和大氣溫度回溫波動辨識結(jié)果滿足：

(10)

判定當(dāng)前時刻未來1～3 h內(nèi)將會產(chǎn)生濃霧。

4 模型參數(shù)標(biāo)定及應(yīng)用效果分析

基于滬寧高速公路沿線江蘇境內(nèi)3個交通氣象監(jiān)測站2013—2016年的歷史數(shù)據(jù)，提取出其濃霧產(chǎn)生后能見度小于200 m且持續(xù)穩(wěn)定的濃霧產(chǎn)生時前3個小時的數(shù)據(jù)單元，進而對提取數(shù)據(jù)進行預(yù)處理，共計獲得有效數(shù)據(jù)組128組，其中2013—2015年共計105組，2016年共計23次組。為實現(xiàn)對基于“能見度前期振蕩”和“大氣溫度回溫波動”特性的濃霧短臨預(yù)測模型的參數(shù)標(biāo)定和應(yīng)用效果分析，本研究將2013—2015年共計105組濃霧產(chǎn)生前3 h的數(shù)據(jù)作為樣本數(shù)據(jù)用于模型參數(shù)的標(biāo)定，進而根據(jù)模型標(biāo)定結(jié)果對2016年的氣象數(shù)據(jù)進行濃霧短臨預(yù)測辨識，通過對比模型辨識結(jié)果和真實數(shù)據(jù)結(jié)果來驗證模型的有效性。具體如下：

(1)模型條件閾值確定

圖9 2013—2015年濃霧產(chǎn)生前3 h相對濕度統(tǒng)計Fig.9 Statistics of relative humidity 3 h before occurrence of dense fog in 2013—2015

圖10 2013—2015年濃霧產(chǎn)生前3 h風(fēng)速情況Fig.10 Statistics of wind speed 3 h before occurrence of dense fog in 2013—2015

通過對2013—2015年歷史數(shù)據(jù)的整體統(tǒng)計分析：濃霧發(fā)生前3 h相對濕度在85%及以上的比例達到84.48%，相對濕度在80%及以上的比例達到92.52%；而風(fēng)速在3 m/s及以下的比例達到95.06%。為此，本研究對于模型先決條件閾值確定上選擇：

(11)

而對于滑動周期cycle內(nèi)數(shù)據(jù)單元的整體性水平約束閾值的確定上，本研究分別對各組數(shù)據(jù)進行整體性分析，分析結(jié)果如表2所示。

表2 濃霧產(chǎn)生前相對濕度和風(fēng)速的整體性水平Tab.2 Overall level of relative humidity and wind speed before occurrence of dense fog

通過表2所統(tǒng)計出的結(jié)果，在滿足整體性水平較好同時需要能夠保證預(yù)測結(jié)果準(zhǔn)確性，對滑動窗cycle設(shè)定為150 min，對整體性水平約束閾值設(shè)定為：

(12)

(2)模型辨識算法參數(shù)確定

對于能見度前期振蕩和大氣溫度回溫波動辨識算法相關(guān)參數(shù)的確定上，本研究直接對已提取的105組濃霧產(chǎn)生前其能見度和大氣溫度的變化趨勢進行提取，獲取各組數(shù)據(jù)中距離當(dāng)前時刻最近的能見度前期震蕩位置點和大氣溫度回溫波動位置點的實際波動情況，進而進行統(tǒng)計分析得到如下結(jié)果。

圖11 2013—2015年濃霧產(chǎn)生前能見度前期震蕩和 大氣溫度回溫變化情況Fig. 11 Changes of visibility early oscillation and atmospheric temperature return fluctuation before occurrence of dense fog in 2013—2015

通過對105組數(shù)據(jù)的濃霧產(chǎn)生前的能見度前期震蕩和大氣溫度回溫統(tǒng)計(圖10)可以發(fā)現(xiàn)：濃霧產(chǎn)生前會出現(xiàn)明顯的能見度前期震蕩和大氣溫度回溫波動的情況，同時波動產(chǎn)生的時間點和波動值具備一定分散性，但同時也具備一定的變化規(guī)律，能見度極小值主要集中在200～800 m之間，而極大值主要集中在500～1 400 m之間，同時二者的差值主要集中在250～650 m之間；能見度振蕩持續(xù)時長在10～40 min，大氣溫度回溫波動在0.2～0.9 ℃。

基于此，單一且固定的模型參數(shù)變量難以讓模型獲取準(zhǔn)確而又確定的辨識結(jié)果，為此本研究采用序列式模型參數(shù)用于模型辨識，即

(13)

而對于滑動窗window的確定上，根據(jù)對數(shù)據(jù)分析的結(jié)果，本研究選擇能夠滿足85%的數(shù)據(jù)組需求的值定為滑動窗的大小，即滑動窗window為30。

在此基礎(chǔ)上，本研究進而利用MATLAB處理工具對滬寧高速公路沿線江蘇境內(nèi)3個交通氣象監(jiān)測站2016年數(shù)據(jù)進行濃霧產(chǎn)生短臨預(yù)測，共獲取數(shù)據(jù)組共計29組，其中與2016年真實數(shù)據(jù)相匹配數(shù)據(jù)共計22組，有效率達到75.86%，而漏檢率僅為4.35%。

綜上，本研究基于能見度前期振蕩特性和大氣溫度回溫波動特性的濃霧短臨預(yù)測模型可以有效的對濃霧進行短臨預(yù)測，同時預(yù)測結(jié)果與模型參數(shù)密切相關(guān)，結(jié)合實際的歷史數(shù)據(jù)選定合適的模型參數(shù)對模型預(yù)測的準(zhǔn)確率有重要的影響。

5 結(jié)論

通過對滬寧高速公路沿線江蘇境內(nèi)交通氣象監(jiān)測站獲取的數(shù)據(jù)進行統(tǒng)計分析，發(fā)現(xiàn)濃霧發(fā)生過程中環(huán)境能見度、大氣溫度、相對濕度、風(fēng)速等重要指示變量對高速公路沿線濃霧短臨預(yù)測具有較好的指示意義。基于此，本研究利用滑動窗口算法，結(jié)合滬寧高速公路沿線交通氣象歷史數(shù)據(jù)的分析結(jié)果，提出了基于能見度前期振蕩特性和大氣溫度回溫波動特性的濃霧短臨預(yù)測模型，實現(xiàn)了基于當(dāng)前時刻氣象數(shù)據(jù)及其歷史數(shù)據(jù)對濃霧產(chǎn)生進行有效的短臨預(yù)測，能及時警示公路運營管理部門提前做好預(yù)防處理準(zhǔn)備，降低因突發(fā)濃霧而造成的交通事故發(fā)生的概率。

當(dāng)然，本研究尚存在不足和需要改進的地方，具體總結(jié)如下：

(1)本研究預(yù)測模型參數(shù)標(biāo)定的數(shù)據(jù)樣本有限，使得模型的預(yù)測準(zhǔn)確率受限；

(2)預(yù)測模型參數(shù)標(biāo)定結(jié)果與地區(qū)氣象數(shù)據(jù)密切相關(guān)，未來研究需融入模型反饋機制，構(gòu)建模式庫建立多模式模型參數(shù)匹配機制來提升模型的應(yīng)用性和預(yù)測準(zhǔn)確性；

(3)本研究對于濃霧短臨預(yù)測因素僅考慮了能見度、大氣溫度、濕度和風(fēng)速等影響，未來可以增加其他因素對濃霧短臨預(yù)測的影響，從而提升預(yù)測準(zhǔn)確率。