具体实施方式

步骤一构建气象-路况监测预警系统平台

气象-路况监测预警系统平台包括车流监控终端、沙尘监测终端、风速传感器、风向传感器、信号传输线路、云服务器、互联网、交换机、大屏系统、PC端、移动端、市政交通管理信息发布平台、交通信号灯监控系统。

信号传输线路包括有线传输、5G、NBiot所依托的软件和硬件设备。

车流监控终端包括道路视频监控摄像头、车辆测速机，道路视频监控摄像头可以采用既有的市政交通监控摄像头或另外加装，车辆测速机可以采用既有的市政交通测速设备或另外加装，车流监控终端可通过有线传输、5G或NBiot方式向云服务器传输数据。

沙尘监测终端可采用基于采样称重或光折射原理的粉尘浓度测量仪，监测得到沙尘颗粒浓度及级配分布数据并通过有线传输、5G或NBiot方式向云服务器传输数据，沙尘颗粒浓度及级配分布数据也可以通过人工采样、筛分、称重并通过移动端、PC端向云服务器传输数据，人工上报时应对沙尘颗粒浓度及级配分布数据标注采样点地理坐标。沙尘监测终端或者沙尘采样点为沙尘颗粒浓度及级配分布数据直测点。

风速传感器、风向传感器自动采集仪器所在位置处的风速和风向信息，通过有线传输、5G或NBiot方式向云服务器传输数据。

由于市区风向分布不规律、沙尘颗粒浓度分布不规律、车辆行驶视线与沙尘运动方向分布不规律，车流监控终端、沙尘监测终端、风速传感器、风向传感器均应沿市政道路路网按照等距或非等距方式进行布置，车流监控终端、沙尘监测终端、风速传感器、风向传感器均应记录所在位置的地理坐标，各信息采样点及监测点位置的地理坐标均应在系统平台内的GIS系统中换算为统一的地理坐标，将各信息采样点及监测点位置在GIS内进行标注，实现各信息采样及监测点位置与市政道路坐标的融合。

对于路网中单辆行车，以某时刻其车头前端所在位置的正北方向在竖直向下视角下顺时针转至行车方向得到的夹角角度，作为该车在该时刻的车流方向角。

对于路网中一个位置点，将其按照垂直于所在车道的行车轴线方向投影于行车轴线后，得到该点在行车轴线上的投影点，以投影点所在位置的正北方向在竖直向下视角下顺时针转至投影点处车道行车轴线方向得到的夹角角度，作为该位置点的车道方向角。

大屏系统、PC端、移动端、市政交通管理信息发布平台、交通信号灯监控系统均依次经交换机、互联网接入云服务器。

车道停止线中点，是一个车道段在行车方向上的终止点。

车道起始点，是一个车道段在行车方向上的起始点。

定义处于沿车道通行方向两处紧邻车道端点之间的单条车道为车道段，且单个车道段沿车道通行方向的两处车道段端点分别为车道起始点和车道停止线中点。

在气象-路况监测预警系统平台中，通过在平台内置的GIS界面上以光标点击的方式分别设定目标车道段起点与目标车道段终点来确定目标车道段，以与目标车道段起点最近的车道起始点作为目标车道段起始点，以与目标车道段终点最近的车道停止线中点作为目标车道段终止点，且目标车道段内无红绿灯。

在所有与同一交叉口相连的车道段中，定义所有直行或转向均汇入同一目标车道段的车道段为来车方向车道段群。

步骤二 气象-路况数据关联前处理

对分布式环境-车流数据进行数据融合。

对于每一个风向传感器，以其所在位置的正北方向在竖直向下视角下顺时针转至测得风向得到的最小非负夹角角度，作为该风向传感器测点处的风向角。路网上一个未布置风向传感器的点处的风向，取与该点三维空间直线距离最近的两个风向传感器，按照该点与这两个风向传感器的三维空间直线距离对这两个风向传感器的风向角进行线性插值，得到该点处的风向角。

对于每一个风速传感器，以其所在位置测得的风速速率，作为该风速传感器测点处的风速。路网上一个未布置风速传感器的点处的风速，取与该点三维空间直线距离最近的两个风速传感器，按照该点与这两个风速传感器的三维空间直线距离对这两个风速传感器的风速进行线性插值，得到该点处的风速大小。

对于每一个沙尘监测终端或者沙尘采样点，以其所在位置测得的沙尘颗粒浓度及级配分布数据作为该点的沙尘颗粒浓度及级配分布数据。路网上一个未布置沙尘监测终端或者一个未布置沙尘采样点的点处的沙尘颗粒浓度及级配分布数据，取与该点三维空间直线距离最近的两个沙尘颗粒浓度及级配分布数据直测点，按照该点与这两个沙尘颗粒浓度及级配分布数据直测点的三维空间直线距离对这两个沙尘颗粒浓度及级配分布数据直测点的沙尘颗粒浓度及级配分布数据进行线性插值，得到该点处的沙尘颗粒浓度及级配分布数据。

采用车流监控终端得到不同时刻的路网行车数据，路网行车数据包含属性类数据和统计类数据，属性类数据包括车辆的车号、车辆位置坐标、监控时刻，统计类数据包括车道段车辆数量、车流方向角、行车速率，并在气象-路况监测预警系统平台内对路网行车数据进行统计。

路网中单辆行车在某时刻在其所在位置的风速大小为vd，行车速率为vc，风向角为θd，车流方向角为θc。

将车辆行驶方向等同于驾驶员的视线方向。

对于行驶中的车辆，在沙尘颗粒粒径一定的情况下，横风越猛烈，能见度越差，因为在驾驶员视野中单个的沙尘颗粒实际是以不透明矩形的形态存在的：由于车辆行驶视线与沙尘运动方向分布不规律及人眼视觉暂留，所以位于不同车道、行驶方向不同的车辆，沙尘相对于驾驶员视线方向的相对运动状态存在差异，具体体现为对于驾驶员，沙尘相对于人眼的运动速度不完全等于沙尘相对于大地的相对运动速度，且由于视觉暂留沙尘颗粒在驾驶员视野中以细长矩形的形态存在，矩形短边为沙尘颗粒粒径，矩形长边为视觉暂留时间内沙尘颗粒相对人眼的相对位移在人眼视线垂直平面上的正投影长度。

对于行驶中的车辆，在沙尘颗粒粒径一定的情况下，与视线平行方向来风越猛烈，则沙尘与前车窗的撞击越猛烈，因为沙尘颗粒沿视线方向向驾驶员运动会在前车窗上短暂停留、堆积形成遮挡，行车能见度也就越差，反之若风速在车速方向上的速度分量与车速方向一致且风速在车速方向上的速度分量不小于行车速率，则沙尘颗粒不会与前车窗发生碰撞，则前车窗上不会形成沙尘颗粒短暂停留及遮挡。

然而，对于一般的统计学拟合模型，如果不将直接反映车辆行驶视线与沙尘运动方向分布不规律及人眼视觉暂留对驾驶员视野下的道路能见度负面影响的特征变量放入输入层进行分析，则在运算过程中不能体现这些特征变量对输出层的影响，导致模型因为变量设置不合理、缺乏物理机理解释使得训练出的模型缺乏可解释性。

所以，对气象-路况数据进行关联和前处理，得到路网中单辆行车的沙尘横向放大倍数ka、路网中单辆行车的沙尘滞留放大倍数kb，ka按照式（1）计算，D为沙尘颗粒粒径众值，D属于沙尘颗粒浓度及级配分布数据，Δt为人眼视觉暂留时间期望，可取0.2s。

沙尘横向放大倍数ka体现了以沙尘颗粒粒径众值为粒径的沙尘相对人眼横向运动在视觉暂留时间内在驾驶员视野中实际可见的遮挡区域面积相对于以沙尘颗粒粒径众值为边长的正方形区域面积的放大倍数，体现了沙尘颗粒尺寸的统计学特征。

沙尘滞留放大倍数kb为实际沿驾驶员视线方向朝向前车窗运动的沙尘颗粒相对速度分量与行车速率的比值，等效于单位时间内实际情况下前车窗上短暂停留的沙尘颗粒数量与假设沙尘相对大地静止时车窗上短暂停留的沙尘颗粒数量之比，也可等效为沙尘相对人眼纵向运动在车窗上由于车窗阻挡而形成的短暂停留、堆积形成遮挡区域面积相对于单个颗粒在人眼视线垂直平面正投影面积的放大倍数。

（1）

kb按照式（2）计算。

若|θc-θd|＞90°，沙尘颗粒发生与前车窗之间必有碰撞。

若|θc-θd|≤90°且vc≤∣vd×cos(θc-θd)∣，则此时沙尘颗粒与前车窗之间无碰撞，则kb=0。

若|θc-θd|≤90°且vc＞∣vd×cos(θc-θd)∣，则此时沙尘颗粒发生与前车窗之间有碰撞，且kb=((vc-∣vd×cos(θc-θd)∣)/vc)。

（2）

路网中单辆行车的沙尘放大倍数K按照式（3）计算。

（3）。

步骤三 生成分类样本集

按照拥堵态势监控预警实施所在地的道路拥堵评价标准，对各路段分别构建分类样本集。

监控时刻在本步骤仅用于标注信息获取时刻而不参与定量计算。

分类样本集包含类、基本特征和衍生特征。

将拥堵程度作为类，将属于同一车道段内的沙尘颗粒浓度及级配分布数据、除去车辆车号后的路网行车数据、各车的vd、各车的θd、各车的ka、各车的kb、各车的K，以及同一车道段内的行车速率标准差、同一车道段内的行车速率平均值作为基本特征。

对于属于同一车道段内的基本特征，将基本特征的随机次幂进行两两相除、两两相乘得到复合非线性特征，将基本特征取自然对数运算得到对数特征，随机次幂运算中的指数取[0,10]中的随机数，复合非线性特征、对数特征、随机次幂运算中的指数共同组成衍生特征，车辆位置坐标仅用于标注车辆所在车道段而不参与定量计算。

各车的行车速率仅在基本特征中参与计算各车的kb、各车的K、同一车道段内的行车速率标准差、同一车道段内的行车速率平均值。

步骤四 分步训练预测模型序列

监控时刻在本步骤仅用于标注信息获取时刻而不参与定量计算。

根据既有的监测数据，将同一车道段内的沙尘颗粒浓度及级配分布数据、除去行车速率及车辆车号后的路网行车数据、各车的vd、各车的θd、各车的ka作为学习样本的输入层，将同一车道段内的行车速率平均值作为学习样本的输出层，利用人工神经网络模型训练得到行车速率均值预测模型，车辆位置坐标仅用于标注车辆所在车道段而不参与定量计算。

根据既有的监测数据，将同一车道段内的沙尘颗粒浓度及级配分布数据、除去车辆车号和行车速率后的路网行车数据、各车的vd、各车的θd、各车的ka、各车的kb、各车的K、同一车道段内的行车速率平均值作为学习样本的输入层，将同一车道段内的行车速率标准差作为学习样本的输出层，利用人工神经网络模型训练得到行车速率偏差程度预测模型，车辆位置坐标仅用于标注车辆所在车道段而不参与定量计算，各车的行车速率仅参与计算kb、K、同一车道段内的行车速率平均值。

根据分类样本集，运用监督学习方法，训练得到以同一车道段内的基本特征和衍生特征为输入、以拥堵程度为输出的路网拥堵态势预测模型，车辆位置坐标仅用于标注车辆所在车道段而不参与定量计算。

步骤五 拥堵态势预测与信息发布

将行车速率均值预测模型、行车速率偏差程度预测模型、路网拥堵态势预测模型部署在气象-路况监测预警系统平台，向路网拥堵态势预测模型中导入气象部门提供的沙尘气象预报资料、结合气象-路况监测预警系统平台监测得到的基本特征所对应的物理量在路网上不同位置的分布。

假设自本次预测结果相应的输入信息采集时刻至本次预测结果的预计发生时刻的相对于大地的风速风向保持不变。

假设自本次预测结果相应的输入信息采集时刻至本次预测结果的预计发生时刻的属于目标车道段内的沙尘颗粒浓度及级配分布数据保持不变。

假设在本次预测结果相应的输入信息采集时刻的目标车道段上的所有车辆在本次预测结果的预计发生时刻均已离开目标车道段。

对于目标车道段，本次预测结果相应的输入信息采集时刻的来车方向车道段群上的所有车辆总数n，将目标车道段均分为n个分段后再在除去车道起始点后的各预计分段点位置随机一一均匀分配给来车方向车道段群上的各车辆作为来车方向车道段群上的各车辆汇入目标车道段后的预计位置，以来车方向车道段群上的各车辆汇入目标车道段后的预计位置相应的车道方向角作为来车方向车道段群上的各车辆汇入目标车道段后的各来车预计θc。

对于目标车道段，以在本次预测结果相应的输入信息采集时刻的目标车道段内除去车道起始点后的各预计分段点位置处的风速大小作为与各预计分段点位置相应的来车方向车道段群上的各车辆在汇入目标车道段后的各来车预计vd，以在本次预测结果相应的输入信息采集时刻的目标车道段内除去车道起始点后的各预计分段点位置处的风向角作为与各预计分段点位置相应的来车方向车道段群上的各车辆在汇入目标车道段后的各来车预计θd。

根据在本次预测结果相应的输入信息采集时刻的各来车预计vd、各来车预计θd、各来车预计θc、属于目标车道段内的沙尘颗粒浓度及级配分布数据，按照式（1）计算得到各来车预计ka。

将在本次预测结果相应的输入信息采集时刻的时间点、n、各来车预计vd、各来车预计θd、各来车预计θc，以及属于目标车道段内的沙尘颗粒浓度及级配分布数据，以及各来车预计ka，共同导入行车速率均值预测模型，得到目标车道段来车方向行车速率均值预测值。

将目标车道段来车方向行车速率均值预测值作为来车方向车道段群上的各车辆汇入目标车道段后的各来车预计vc。

根据各来车预计vd、各来车预计θd、各来车预计θc、各来车预计vc、属于目标车道段内的沙尘颗粒浓度及级配分布数据按照式（2）、式（3）计算得到的各来车预计kb、各来车预计K。

对于目标车道段，将在本次预测结果相应的输入信息采集时刻的时间点、n、目标车道段来车方向行车速率均值预测值、各来车预计vd、各来车预计θd、各来车预计θc，以及属于目标车道段内的沙尘颗粒浓度及级配分布数据，以及各来车预计ka、各来车预计kb、各来车预计K，共同导入行车速率偏差程度预测模型，得到目标车道段来车方向行车速率标准差预测值。

对于目标车道段，将属于目标车道段内的沙尘颗粒浓度及级配分布数据，以及在本次预测结果相应的输入信息采集时刻的时间点、n、各来车预计vc、各来车预计vd、各来车预计θd、各来车预计θc，以及各来车预计ka、各来车预计kb、各来车预计K，以及目标车道段来车方向行车速率标准差预测值、目标车道段来车方向行车速率均值预测值共同组成基本特征，再按照步骤三生成与基本特征相应的衍生特征，再将基本特征、衍生特征共同导入路网拥堵态势预测模型，计算得到目标车道段来车拥堵态势预测结果，实现输入气象监测信息和的路况监测信息，输出目标车道段拥堵程度预测结果。

来车方向车道段群汇入同一目标车道段所等待的红灯平均时长根据气象-路况监测预警系统平台中的交通信号灯监控系统获得。

将来车方向车道段群中的所有车道长度的算术平均值的一半，与目标车道段长度的算术平均值的一半相加得到来车距离，将来车距离除以目标车道段来车方向行车速率均值预测值得到本次预测结果的预警超前时长。

本次预测结果相应的输入信息采集时刻加上预警超前时长、来车方向车道段群汇入同一目标车道段所等待的红灯平均时长，得到本次预测结果的预计发生时刻。

将各路段拥堵程度预测结果在系统平台中进行可视化标注，自动编辑包含路段名称、路段拥堵程度预测结果、预测结果的预计发生时刻的信息发送至市政交通管理信息发布平台，以电台广播方式向行车进行播报。

本技术的特点在于考虑了市区风向分布不规律、沙尘颗粒浓度分布不规律、车辆行驶视线与沙尘运动方向分布不规律的影响，尤其是以分布式数据采集-融合、气象-路况数据关联前处理构造放大倍数为基础，通过生成分类样本集、多层次地分步训练预测模型序列，结合多时态监测数据导入预测模型，形成可解释程度较高的拥堵态势预测方法，本方法预测精度较高，且实用性强，以呼和浩特市2021年3~4月的多次沙尘气象交通拥堵态势监测预警工作为例，具体工作成效如表1所示。

本内容以及应用均为南京坤拓土木工程科技有限公司、呼和浩特市同心德市政工程设计研究有限公司内部测试成果，所有成果均未公开。

表1 监测预警成果统计

。