引言

路面温度预报是交通气象服务的重要组成部分，其精度直接影响高速公路的运行安全与管理效率。在极端天气条件下，路面的极端高温和低温都可能引发一系列交通安全问题，路面低温是沥青路面收缩开裂的主要原因，也是路面结冰的先决条件(董天翔等，2018；舒斯等，2019)，而路面高温则会导致行驶车辆的爆胎甚至导致部分老化车辆自燃(冯蕾等，2017)，进而导致交通事故频发(李迅等，2014)。因此，建立精准、高效、全面的路面温度预报模型，对于交通管理部门及时采取防范措施、保障道路安全，以及气象服务部门提升道路交通气象灾害保障服务能力、应急减灾能力都具有重要意义。

当前对于路面温度预报的方法主要有两类(秦健和孙立军，2005)。一类是传统统计方法，即利用大量的观测数据建立回归统计方程(田华等，2009；武辉芹等，2014)，寻找路面温度和站点气温、辐射条件以及相关气象要素的定量关系，其模型相对简单，数据易于获取，具有较高的实际应用价值，但定量关系的建立需要大量数据支撑，且缺乏空间普适性(马宁等，2015；曲晓黎等，2010；Diefenderfer et al, 2006;黄立葵等，2005；李蕊等，2011；温华洋等，2021)。另一类是数值预报方法，其主要是以能量平衡方程和热传导公式为基础，建立数值预报模型(Barber, 1957;刘熙明等，2004；孟春雷和张朝林，2012)；这类方法一定程度从物理机制上揭示了气象因素和其他环境因素对路面温度的影响，但理论模型变量繁多、相关热学参数缺乏观测数据支撑，因此在气象服务中的广泛应用性受限。近年来，随着人工智能技术的快速发展，机器学习乃至深度学习方法在气象预报领域的应用逐渐受到关注，因此涌现出第三类——机器学习方法，已经有研究通过机器学习随机森林算法(王可心等，2021), 或者使用神经网络(王佳和郭春燕，2017；Xu et al, 2017)来预报路面温度，还有研究引入支持向量机来实现路面低温分类预警(董天翔等，2018)，但仍无法实现温度的准确预报。

循环神经网络(RNN)及其改进模型——长短期记忆网络(LSTM)，在处理时序数据方面有优越性，被广泛应用于自然语言处理、金融预测以及气象预报等多个领域(张荣等，2018)。常规机器学习方法, 如集成学习中的随机森林和梯度提升方法(XGBoost)等在部分任务中表现良好，而LSTM作为一种成熟的深度学习方法，在参数结构和层级设计上更为精细，显示出较强的抗干扰和泛化能力(Gupta et al, 2021;Li et al, 2023)。在路面温度预报这一特定场景中，LSTM模型对输入数据参数的要求相对简便，能够基于基础观测数据进行建模，从而提升模型的普适性和实际应用能力；不仅保留了传统统计方法易于数据获取的优点，还能有效捕捉时间序列中的非线性关系和长期依赖特性(Tabrizi et al, 2021)，这对于涉及多变量耦合和复杂动态变化的路面温度预报尤其关键，也一定程度继承了数值预报方法在处理复杂气象规律方面的能力(Caruana and Niculescu-Mizil, 2006;LeCun et al, 2015)。本文通过针对性的数据建模优化，可深化和拓宽LSTM在路面温度预报中的应用，强化其在实践中的适应性及精准性。

此外，当前对于路面温度预报模型的研究，多单独针对极端高温或低温等路面特殊状况提供预报，缺乏适用性较强的通用模型——在能做好日常路面温度预报的同时提高路面极端温度预报效果；同时，路面温度的变化受气象要素、地表特性以及交通条件等多种因素影响，具有复杂性和区域性，而传统统计方法建立的模型缺乏空间上的迁移适用能力，数值预报方法则服务应用能力相对较弱。

基于此，本文结合2018—2023年天津市高速公路沿线交通气象站的逐10 min观测数据，以LSTM模型为核心，设计并构建了一个多输入、多输出的路面温度短期预报模型，实现对未来3 h逐10 min的路面温度预报。研究中综合考虑了不同时间步长输入对模型预报性能的影响，选取最优方案进行模型训练与验证。同时，对模型的极端高低温预报能力及空间迁移适用性进行了系统评估，以期为高速公路气象服务提供更加精准、有效、全面的气象服务。本文的研究结果不仅可为提升路面温度预报的准确性提供一种有效方法，也可为深度学习模型在交通气象领域的应用探索提供重要参考，并为后续进一步研发极端天气道路风险预警服务产品，形成极端天气情景下的交通安全风险等级指标提供技术支撑。

1 资料与方法 1.1 研究资料

本文所用研究资料来自于天津高速公路沿线的交通气象站观测数据。天津市内共有16个交通气象站点(文中对站名、站号均做了脱密处理)，位置见图 1，站点观测要素包括气温、能见度、路面温度、相对湿度、降水量、风速、风向和云量共8个，资料长度为2018年1月1日至2023年12月31日，资料时间分辨率为逐10 min。对数据进行时间一致性、内部一致性、空间一致性等方面的检查，由于部分站点的数据缺失过于严重，最终选择武清某店西站(A1)、武清某港西站(A2)、武清某站(A3)、静海某站(A5)、蓟州某站(A6)、蓟州某收费站站(A7)、宝坻某北站(A8)和宝坻某站(A0)，共8个站用于建立和验证模型(图 1红色五角星)。选择了数据相对完整的静海某收费站站(B1)、大港某收费站站(B2)、西青某收费站站(B3)，共3个站用于后续的空间适用性检验(图 1蓝色圆点)。本文对使用的所有数据均进行了质量控制，剔除了异常值，对缺失数据量不多的时段进行了邻近线性插值插补。全文时间均为北京时。

1.2 研究方法 1.2.1 LSTM模型设计

LSTM是一种改进型RNN，其有效解决了RNN中存在的长期依赖问题，并一定程度上缓解了训练长序列时出现的梯度消失问题(米前川等，2022)。本文基于LSTM所建立的高速公路路面温度预报模型由输入层、LSTM层、全连接层和输出层组成。模型采用tanh函数作为激活函数，采用adam优化器作为优化算法，采取学习率衰减的方式来避免过拟合，初始学习率为0.01，衰减率为0.01。通过网格搜索，当验证集误差接近训练集误差并趋于稳定时，认为模型结果最优。以高质量观测数据为基础，通过多次寻优试验，确定了模型效果最优的超参数：隐藏层数为1，隐藏层神经元数为64，训练批次大小为32，迭代次数为200。数据集划分方面，本文将2018—2021年数据作为训练集，2022年数据作为验证集，2023年数据作为测试集，测试集数据完全不参与模型训练，确保用于模型评估时的准确性。

本研究对于多步预报输出采取多输入、多输出预报策略。模型的训练和预报均基于滚动窗口进行有监督学习。综合考虑路面温度的短时预报需求和实际预报效果，选择未来3 h的路面温度作为预报目标。

1.2.2 模型输入数据

在机器学习相关领域中，输入数据的预处理以及选择是十分重要的一环。处理后的数据决定了模型在数据中可挖掘的规律多少，最优的模型即保留最多规律并最大程度还原数据特征的模型(Bishop, 2006;Goodfellow et al, 2016)。本文将月、日、时引入特征变量以在数据特征中加入季节变化规律，同时结合实际气象服务应用需求，将除路面温度外的7个观测要素数据输入步长划分为1、3、6、12、24 h共5种方案，探究在应用中模型预报效果最佳的输入步长。使用数据进行模型训练之前，考虑到各个特征要素量纲、单位差距较大，为有效提高模型拟合效率，提高模型学习效果，对训练集数据统一采取归一化处理，并以训练集归一化尺度处理验证集和测试集数据，保证模型输出数据的真实有效和模型评估指标的准确易读。

1.2.3 模型评估指标

为了对模型预报效果进行检验，本文采用平均绝对误差、均方根误差和预报准确率，共3个指标来进行模型评估。其中，预报准确率为预报值与观测值差值的绝对值不大于3℃的次数与总次数的比值，准确率越高表示模型预报效果越好(熊国玉等，2024)。

2 结果分析 2.1 模型预报能力评估 2.1.1 不同输入步长模型预报能力评估

使用1、3、6、12、24 h共5种不同输入步长构建的模型对2023年A1、A2、A3、A5、A6、A7、A8、A0共8个交通气象站的路面温度进行模拟预报，对每个输入方案所有预报时效的评估指标绘制箱线图(图 2)，用以直观比较不同输入步长的模型预报效果。总体来说模型效果比较稳定，各评估指标对不同方案均表现出了一致的优劣特征，结果表明，3 h输入步长的模型预报性能表现最佳，其平均绝对误差为0.38~2.21℃，均方根误差为0.63~3.31℃，准确率为76.15%~99.48%；24 h的输入时间步长方案预报性能表现最差，其平均绝对误差为0.58~2.56℃，均方根误差为0.91~3.61℃，准确率为69.98%~98.97%。从模型预报效果并非随着输入步长的增加单调变化可以看出，过多地增加输入时间步长并不会有效增加模型预报性能，但是输入时间步长过少也会降低模型的拟合稳定度，使用合适的时间步长输入在有利于实际操作和减少模型训练时间的同时，也有利于建立预报性能更优的模型。基于这一结果，本文后续将采用预报性能最佳的3 h输入步长模型继续进行研究讨论，后文所提及的模型均为此类。

2.1.2 不同站点模型预报能力评估

为了进一步评估不同站点的模型预报能力，对比8个交通气象站模型2023年的模拟预报结果(图 3)。不同交通气象站的模型表现出较为一致的预报性能，随着预报时效的增加，平均绝对误差和均方根误差均增加，预报准确率也下降。在预报时效小于30 min时，不同站点的模型预报性能差距较小；随着预报时效的增加，从60 min预报时效开始，各站点模型的预报性能衰减明显，同时模型之间的差异开始显现。交通气象站A1的预报模型表现出最佳的预报能力，其平均绝对误差为0.38~1.34℃，均方根误差为0.63~2.20℃，准确率为89.04%~99.25%；交通气象站A8模型的预报表现最差，其平均绝对误差为0.53~2.21℃，均方根误差为1.00~3.31℃，准确率为76.15%~98.06%。

为深入检验预报效果，选取表现最佳的A1预报模型和表现最差的A8预报模型，对1、2、3 h预报进行分析(图 4)。2023年交通气象站A1路面温度在大部分时间为-3~39℃，最低可达-20℃，最高可达64℃，交通气象站A8路面温度在大部分时间为-4~35℃，最低可达-19℃，最高可达63℃。从决定系数(R²)来看，A1的拟合效果明显均优于A8，其中A1的3 h预报仍优于A8的1 h预报。从散点分布来看，A1的整体分布较A8更加集中于1:1线，说明其误差更小，模型预报结果更准确，与前文预报能力评估结论一致。单独来看，A1模型预报效果的散点分布具有上宽下窄的明显特征(图 4a~4c)，其分布随着温度上升而更分散，这说明模型预报效果随温度升高而降低；同时，散点在高温预报时向拟合线的预报值一侧倾斜，说明预报值较观测值偏大。A8模型预报效果的散点分布同样具有上宽下窄的特征(图 4d~4f)，但是散点的倾斜性不明显，即预报偏差方向没有显著规律。

总的来说，A1模型整体表现出预报值偏高的特征，两个模型的预报效果都随预报温度上升而降低。高温预报效果偏差的部分原因是由于高温样本相对较少，导致模型在学习训练过程中对高温情形拟合不足，影响其预报准确性。A1模型显著优于A8模型可能和地理因素有关，A8位于蓟州山区附近，海拔较高，路面温度的变化波动更剧烈(邢志军等，2020)，提高了模型预报难度。

2.2 极端低温和极端高温路面状况下模型预报能力评估 2.2.1 低温和高温路面状况下的各站点模型预报能力评估

在服务实践中，交通管理部门极为关注路面的极端低温和极端高温情况，因此针对极端温度的预报效果也广泛受到关注。本文参考中国气象局公共气象服务中心和公安部交通管理科学研究所(2024)联合起草的《高速公路交通安全管控天气风险预警等级》(QX/T729—2024)，定义路面温度低于0℃时为低温，路面温度高于40℃时为高温，两者均会对交通运行产生不利影响，提高致灾可能。基于此，本文对2023年A1、A2、A3、A5、A6、A7、A8、A0共8个交通气象站点低于0℃和高于40℃的样本进行模型预报准确率评估(表 1)。

由表 1可见，低温状态下，1、2、3 h预报的平均准确率分别为93.21%、84.80%、76.34%；参考ECMWF模式在提前1~3 h的低温预报准确率(85%~90%;Zhang et al, 2021)，考虑到路面极端低温预报的难度，模型预报表现相对不错。高温状态下各模型预报效果普遍较低温差，1、2、3 h预报的平均准确率分别为80.98%、53.39%、37.81%，随预报时效延长模型预报能力衰减较大，且模型之间差距起伏较大；由于路面处于极端高温时温度变化迅速且敏感(杜镀和陈家豪，2020)，同时学习样本偏少，导致模型模拟能力不足。总的来说，极端温度相对正常温度下的预报效果有明显下降，低温状态下的模型表现优于高温状态，高温状态下的模型预报参考价值主要在1 h时效以内的预报。

2.2.2 路面极端低温和极端高温个例的模型预报能力评估

为了进一步验证模型对路面极端温度的预报效果，本文从测试集中挑选无缺测数据且出现符合2.2.1节阈值规定温度的个例进行预报效果评估。考虑数据完整度和质量控制情况，最终筛选A2和A0交通气象站模型进行个例评估。极端低温个例为2023年1月23日12时至24日12时，当日无降水，A2和A0的平均最低气温分别为-12.3℃、-13.1℃，路面温度最低分别为-15.8℃、-16.6℃；极端高温个例为2023年5月14日00时至15日00时，当日无降水，A2和A0的平均最高气温分别为35.4℃、34.5℃，路面温度最高分别为54.7℃、52.4℃。评估效果具体见表 2。

极端低温个例预报效果如图 5所示。2023年1月23日16时开始，路面温度持续降低，17时开始两站路面温度均低于0℃，24日08时前后达到最低。1 h预报，A0的模型预报效果较好，A2准确率较差, 低于90%；随着预报时效的延长，A0模型预报效果略有下降，但变化不大，均稳定于95%以上，其中2 h预报效果还略低于3 h预报，但平均绝对误差值仍然随预报时效延长而增大；另外，A2模型的预报效果随预报时效的延长不仅不下降反而出现上升，2 h、3 h预报的准确率均提升至90%以上，平均绝对误差值也是2 h预报最低，但总体差距不大。考虑这种情况的出现是由于个例具有一定特殊性，在一定准确率内，平均绝对误差对于预报效果的评估更加具有指导性，整体上仍符合对模型的预报预期。此外，通过预报值和观测值的对比(图 5)可以看出，A2模型1 h预报对于最低温度的出现时间略有提前，2 h和3 h预报对于极端低温出现的时间和大小预报更好；A0模型对温度持续下降阶段的前半段预报波动较大，但在接近极端低温出现时预报逐渐稳定，并能很好地预报出极端温度的大小及出现时间。总的来说，模型可以较为准确地预报出路面温度下降的拐点、下降过程趋势以及最低温度的出现时间和大小，虽然在温度下降前的温度高值时段(23日12—15时)预报效果不太一致，但偏差值基本控制在±3℃以内，总体预报效果依然比较理想。

极端高温个例预报效果如图 6所示。2023年5月14日06时开始，路面温度整体持续上升，A2温度在08—09时出现小幅波动，14时前后2个站达到最高温，随后路面温度持续下降。1 h预报，A0模型预报准确率达到100%，A2模型预报准确率不足90%。随着预报时效延长，两站模型预报能力均下降，其中A0模型预报表现不错，全时效预报准确率均在85%以上，A2模型则随预报时效延长下降明显，3 h预报准确率不足75%，但平均绝对误差仍控制在3℃以内。从预报值和观测值的对比可以看出(图 6)，在正常温度区间，模型预报效果比较出色，在所有预报时效均可以对温度趋势和大小做出不错的预报；但当温度高于40℃后，模型预报能力明显下降，预报值整体偏小，且偏差随预报时效的增加而增大，其中A2模型表现更为明显；当温度回落至正常区间后，模型预报效果再次上升。总体来说，模型在极端高温个例上的预报表现高于预期，1 h预报具有较高的参考价值，2 h和3 h预报也能较好地提前预测升温趋势，虽然不同站点模型对路面极端高温大小的预报仍然存在一定偏差。后续可考虑分析不同站点预报值的偏差规律，通过偏差订正提高预报准确率。

综上所述，模型对于路面极端低温的预报能力要高于极端高温，主要体现在对极端温度的出现时间和极值大小的预报均更优，但两者的模型预报结论都对交通管理和安全决策具有较好的气象应用参考价值。

2.3 模型空间迁移应用能力评估

本文从已经建立的交通气象站模型中选取A1(预报表现最佳)、A8(预报表现最差)、A3和A5(距离迁移预报站点最近)共4个交通气象站模型，对未建立模型的3个交通气象站(B1、B2、B3)进行路面温度预报，以验证已建站点模型的空间迁移应用能力。测试建立异地交通气象站模型能否解决数据完整性较差的气象站路面温度预报问题, 缺测数据插补问题以及无路面温度要素站点路段的预报问题。

预报效果如表 3所示，整体预报效果相比本站预报均有明显下降，3 h预报中部分站点模型的迁移预报平均绝对误差超过3℃，准确率低于70%。具体来说，本站模型表现最佳的A1模型预报能力在迁移后仍然要高于表现最差的A8模型，但相比距离预报站点更近的A3模型和A5模型并没有明显优势。1 h预报，A1模型迁移至B1和B2站点的预报表现和A3模型、A5模型相近，在B3站点的预报表现则明显更优；2 h和3 h预报，A1模型迁移至B1和B2站点的预报表现出现大幅下降，显著弱于A3模型、A5模型，但在B3站点依然具有更好的预报能力，平均绝对误差均小于2℃，2 h预报准确率超过A3模型、A5模型约10个百分点，3 h预报准确率超过A3模型、A5模型约8个百分点。另外，A3模型和A5模型在所有站点的迁移预报中均表现出相近的性能。从3个预报站点与模型站的相对位置(图 1)来看，B3站点在3个预报站点中距离A1模型站点最近，但A3才是和B3距离最近的模型站点。

综上所述，结合参考站点位置分布以及测试站与模型站之间的距离(表 3)，可认为已建模型具有一定的空间迁移应用能力，本站预报表现越好的模型迁移后具有越好的预报能力，模型的迁移预报效果与迁移的距离有关，迁移距离不宜过远，在一定的迁移范围内，模型的本站预报表现对迁移预报的影响要大于距离的影响。

3 结论与讨论

本文先建立LSTM模型，通过对比多时间步长输入，选取最优的模型输入时间步长，预报未来3 h逐10 min的路面温度，并对预报结果进行检验评估，深入分析路面极端低温和极端高温状态的预报效果，并验证已建模型的空间适用性，得到如下结论：

(1) 基于LSTM建立的未来3 h逐10 min路面温度预报模型，当以3 h观测数据作为输入时，预报效果最优。各个站点的预报模型表现基本一致，预报效果随预报时效延长而下降，1~3 h预报的平均绝对误差范围为0.38~2.21℃，均方根误差范围为0.63~3.31℃，准确率范围为76.15%~99.48%。

(2) 模型的低温预报能力表现不错，能够准确预报出路面温度下降的时刻、下降趋势、最低温度大小及发生时间，1 h预报的准确率控制在90%左右。模型的高温预报能力相对低温较弱，随着预报时效的增加，偏差增大较多，但仍能够对高温上升趋势、极值时间提供可用的预报信息，在40℃及以上的高温路面状态下存在预报值偏小的情况，后续可考虑通过订正提高预报准确率。

(3) 模型预报的空间适用性方面。使用已经建立的模型，预报未建立模型的交通气象站点路面温度，1、2、3 h预报的平均准确率分别在85%以上、77%以上、70%以上，预报值平均误差不超过±3℃，可以认为模型具有一定的空间迁移应用能力。本站建立模型的预报表现越好，迁移后的预报能力越强；模型迁移的距离越近，迁移后预报效果越好；在一定的迁移范围内，模型的本站预报表现对迁移预报影响要大于距离影响，但受限于交通站点的稀疏性，该迁移范围的具体距离还有待进一步细化研究，这也是后续模型研究完善的方向。

本文所构建的模型，在保证了模型通用性、能够较为准确地预报正常路面温度的同时，提供了不错的极端路面温度预报表现，同时具备了一定的极端低温和极端高温预报能力。不针对低温或者高温单一情况特殊建模，有助于提高模型的实际应用价值，能够在正常进行多时效预报的同时，保证路面极端温度的可预报性。同时，模型还考虑了已建模型的空间迁移能力，扩展模型的迁移应用范围，有助于解决实际气象服务工作中遇到站点数据、要素缺失的问题。但模型对于极端路面温度尤其是极端高温的预报效果还有很大的改进空间，后续为进一步改善极端路面温度的预报效果，将尝试增加极端温度样本数据，以提高模型的极端温度敏感性。