一种高速公路恶劣天气预警方法及系统

摘要

本发明提供了一种高速公路恶劣天气预警方法及系统，该方法包括：根据历史气象数据构建出隐患点数据集；根据隐患点数据集确定出对目标高速公路的通行产生影响的若干恶劣天气要素，并根据预设空间插值算法匹配出与若干恶劣天气要素隐患点气象要素值；根据隐患点数据集、隐患点气象要素值以及预设深度学习网络训练出气象风险预报模型，并对目标高速公路分别进行承灾体分析以及抗灾能力分析；基于层次分析法将第一指标数据以及第二指标数据输入至气象风险预报模型中，以生成风险等级预报模型，并通过风险等级预报模型预测出目标高速公路的行驶风险预警等级。本发明能够准确的预测

权利要求

1.一种高速公路恶劣天气预警方法，其特征在于，所述方法包括：

获取目标高速公路的历史气象数据，并根据所述历史气象数据构建出对应的隐患点数据集；

根据所述隐患点数据集确定出对所述目标高速公路的通行产生影响的若干恶劣天气要素，并根据预设空间插值算法匹配出与若干所述恶劣天气要素对应的隐患点气象要素值；

根据所述隐患点数据集、所述隐患点气象要素值以及预设深度学习网络训练出对应的气象风险预报模型，并对所述目标高速公路分别进行承灾体分析以及抗灾能力分析，以分别生成对应的第一指标数据以及第二指标数据；

基于层次分析法将所述第一指标数据以及第二指标数据输入至所述气象风险预报模型中，以生成对应的风险等级预报模型，并通过所述风险等级预报模型预测出所述目标高速公路的行驶风险预警等级；

所述根据预设空间插值算法匹配出与若干所述恶劣天气要素对应的隐患点气象要素值的步骤包括：获取所述目标高速公路周围的若干气象站分别对应的若干地理坐标，并根据若干所述地理坐标围合出对应的泰森多边形；

根据若干所述恶劣天气要素确定出与所述泰森多边形对应的待插值点，并根据所述待插值点以及第一预设算法分别计算出与每一所述恶劣天气要素分别对应的隐患点气象要素值，所述待插值点具有唯一性，所述第一预设算法的表达式为：其中，m表示所述泰森多边形的个数，T（A）表示所述隐患点气象要素值，Tk（A）表示第k个恶劣天气要素；

其中，根据所述目标高速公路周围的气象站的地理坐标构建出需要的泰森多边形，泰森多边形的属性为： ，其中，T（o）为已知点的属性值，T（A）为待求点的属性值，w为权系数，f（l）为待求点与已知点之间的距离函数，且 ，其中，l表示待插值点与其控制点间的距离，lo表示临界影响距离，另外，。

2.根据权利要求1所述的高速公路恶劣天气预警方法，其特征在于：所述根据所述隐患点数据集、所述隐患点气象要素值以及预设深度学习网络训练出对应的气象风险预报模型的步骤包括：构建出所述隐患点数据集与所述隐患点气象要素值之间的映射关系，并根据所述映射关系对所述隐患点数据集以及所述隐患点气象要素值进行归一化处理，以生成对应的隐患数据集；

基于预设规则根据所述隐患数据集生成对应的训练集以及验证集，并根据所述训练集、所述验证集以及所述预设深度学习网络对应训练出所述气象风险预报模型。

3.根据权利要求2所述的高速公路恶劣天气预警方法，其特征在于：所述根据所述训练集、所述验证集以及所述预设深度学习网络对应训练出所述气象风险预报模型的步骤包括：调取与所述隐患数据集适配的ANN学习网络，并依次检测出所述ANN学习网络中包含的LSTM层、Drpout层以及Dense层；

通过所述LSTM层对所述训练集进行预处理，以将所述训练集转换成对应的隐患点信息，并通过所述Drpout层对所述隐患点信息进行迭代收敛，以输出对应的初始预测值；

通过所述Dense层实时判断所述初始预测值是否在预设收敛阈值内；

若通过所述Dense层实时判断到所述初始预测值在所述预设收敛阈值内，则判定完成对所述ANN学习网络的训练，并通过所述验证集对所述ANN学习网络进行验证。

4.根据权利要求3所述的高速公路恶劣天气预警方法，其特征在于：所述通过所述Drpout层对所述隐患点信息进行迭代收敛的步骤包括：当获取到所述隐患点信息时，提取出所述Drpout层中包含的第二预设算法，并通过所述第二预设算法对所述隐患点信息进行卷积计算，以计算出若干对应的卷积值；

将若干所述卷积值输入至所述Drpout层中的第三预设算法中，并通过所述第三预设算法对若干所述卷积值进行迭代收敛，以对应输出所述初始预测值，所述第三预设算法的表达式为：其中，x表示所述卷积值，y表示所述初始预测值。

5.根据权利要求1所述的高速公路恶劣天气预警方法，其特征在于：所述基于层次分析法将所述第一指标数据以及第二指标数据输入至所述气象风险预报模型中，以生成对应的风险等级预报模型的步骤包括：根据所述第一指标数据以及所述第二指标数据制定出对应的风险预警指标，并通过所述层次分析法构建出与所述风险预警指标对应的权重判断矩阵；

对所述权重判断矩阵以及所述气象风险预报模型进行融合处理，以对应生成所述风险等级预报模型。

6.根据权利要求5所述的高速公路恶劣天气预警方法，其特征在于：所述对所述权重判断矩阵以及所述气象风险预报模型进行融合处理，以对应生成所述风险等级预报模型的步骤包括：计算出与所述权重判断矩阵对应的若干特征向量，并对若干所述特征向量进行归一化处理，以生成与所述风险预警指标对应的相对权重；

将所述相对权重对应融合至所述气象风险预报模型中，以对应生成所述风险等级预报模型。

7.一种高速公路恶劣天气预警系统，其特征在于，用于实现如权利要求1至6中任意一项所述的高速公路恶劣天气预警方法，所述系统包括：获取模块，用于获取目标高速公路的历史气象数据，并根据所述历史气象数据构建出对应的隐患点数据集；

匹配模块，用于根据所述隐患点数据集确定出对所述目标高速公路的通行产生影响的若干恶劣天气要素，并根据预设空间插值算法匹配出与若干所述恶劣天气要素对应的隐患点气象要素值；

训练模块，用于根据所述隐患点数据集、所述隐患点气象要素值以及预设深度学习网络训练出对应的气象风险预报模型，并对所述目标高速公路分别进行承灾体分析以及抗灾能力分析，以分别生成对应的第一指标数据以及第二指标数据；

预测模块，用于基于层次分析法将所述第一指标数据以及第二指标数据输入至所述气象风险预报模型中，以生成对应的风险等级预报模型，并通过所述风险等级预报模型预测出所述目标高速公路的行驶风险预警等级。

8.一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的高速公路恶劣天气预警方法。

9.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至6中任意一项所述的高速公路恶劣天气预警方法。

说明书

一种高速公路恶劣天气预警方法及系统

技术领域

[0001] 本发明涉及气象技术领域，特别涉及一种高速公路恶劣天气预警方法及系统。

背景技术

[0002] 随着时代的发展，高速公路已经在我国得到普及，能够进一步缩短人们出行的时间，对应提升了人们的出行效率。

[0003] 由于现有的高速公路都具有较长的路线，从而使得人们驾驶车辆行驶在高速公路的过程中，可能会遇到恶劣天气，从而会给驾驶员带来一定的安全隐患。

[0004] 基于此，现有技术为了能够使驾驶员提前做出对应的预防措施，大部分会对高速公路上的天气进行实时监测，并在监测到恶劣天气时，提前发出预警信号给驾驶员，然而，现有技术在生成预警信号的过程中，大部分只会考虑大雾或者道路结冰或者暴雨等单一元素，导致生成的预警信号的准确度较低，从而存在着一定的安全隐患。

发明内容

[0005] 基于此，本发明的目的是提供一种高速公路恶劣天气预警方法及系统，以解决现有技术生成的预警信号的准确度较低，导致存在着一定安全隐患的问题。

[0006] 本发明实施例第一方面提出了：

[0007] 一种高速公路恶劣天气预警方法，其中，所述方法包括：

[0008] 获取目标高速公路的历史气象数据，并根据所述历史气象数据构建出对应的隐患点数据集；

[0009] 根据所述隐患点数据集确定出对所述目标高速公路的通行产生影响的若干恶劣天气要素，并根据预设空间插值算法匹配出与若干所述恶劣天气要素对应的隐患点气象要素值；

[0010] 根据所述隐患点数据集、所述隐患点气象要素值以及预设深度学习网络训练出对应的气象风险预报模型，并对所述目标高速公路分别进行承灾体分析以及抗灾能力分析，以分别生成对应的第一指标数据以及第二指标数据；

[0011] 基于层次分析法将所述第一指标数据以及第二指标数据输入至所述气象风险预报模型中，以生成对应的风险等级预报模型，并通过所述风险等级预报模型预测出所述目标高速公路的行驶风险预警等级。

[0012] 本发明的有益效果是：通过实时采集高速公路的历史气象数据，并构建出对应的隐患点数据集，从而能够知悉影响高速公路通行的恶劣天气要素，进一步的，进一步获取到能够用于后续预测的隐患点气象要素值，基于此，能够对应训练出需要的气象风险预报模型，并能够进一步得到用于预测出风险等级的风险等级预报模型，并下发至用户的移动终端，以使用户能够做出对应的预防措施，对应提升了用户的驾驶体验。

[0013] 进一步的，所述根据预设空间插值算法匹配出与若干所述恶劣天气要素对应的隐患点气象要素值的步骤包括：

[0014] 获取所述目标高速公路周围的若干气象站分别对应的若干地理坐标，并根据若干所述地理坐标围合出对应的泰森多边形；

[0015] 根据若干所述恶劣天气要素确定出与所述泰森多边形对应的待插值点，并根据所述待插值点以及第一预设算法分别计算出与每一所述恶劣天气要素分别对应的隐患点气象要素值，所述待插值点具有唯一性，所述第一预设算法的表达式为：

[0016]

[0017] 其中，m表示所述泰森多边形的个数，T（A）表示所述隐患点气象要素值，Tk（A）表示第k个恶劣天气要素。

[0018] 进一步的，所述根据所述隐患点数据集、所述隐患点气象要素值以及预设深度学习网络训练出对应的气象风险预报模型的步骤包括：

[0019] 构建出所述隐患点数据集与所述隐患点气象要素值之间的映射关系，并根据所述映射关系对所述隐患点数据集以及所述隐患点气象要素值进行归一化处理，以生成对应的隐患数据集；

[0020] 基于预设规则根据所述隐患数据集生成对应的训练集以及验证集，并根据所述训练集、所述验证集以及所述预设深度学习网络对应训练出所述气象风险预报模型。

[0021] 进一步的，所述根据所述训练集、所述验证集以及所述预设深度学习网络对应训练出所述气象风险预报模型的步骤包括：

[0022] 调取与所述隐患数据集适配的ANN学习网络，并依次检测出所述ANN学习网络中包含的LSTM层、Drpout层以及Dense层；

[0023] 通过所述LSTM层对所述训练集进行预处理，以将所述训练集转换成对应的隐患点信息，并通过所述Drpout层对所述隐患点信息进行迭代收敛，以输出对应的初始预测值；

[0024] 通过所述Dense层实时判断所述初始预测值是否在预设收敛阈值内；

[0025] 若通过所述Dense层实时判断到所述初始预测值在所述预设收敛阈值内，则判定完成对所述ANN学习网络的训练，并通过所述验证集对所述ANN学习网络进行验证。

[0026] 进一步的，所述通过所述Drpout层对所述隐患点信息进行迭代收敛的步骤包括：

[0027] 当获取到所述隐患点信息时，提取出所述Drpout层中包含的第二预设算法，并通过所述第二预设算法对所述隐患点信息进行卷积计算，以计算出若干对应的卷积值；

[0028] 将若干所述卷积值输入至所述Drpout层中的第三预设算法中，并通过所述第三预设算法对若干所述卷积值进行迭代收敛，以对应输出所述初始预测值，所述第三预设算法的表达式为：

[0029]

[0030] 其中，x表示所述卷积值，y表示所述初始预测值。

[0031] 进一步的，所述基于层次分析法将所述第一指标数据以及第二指标数据输入至所述气象风险预报模型中，以生成对应的风险等级预报模型的步骤包括：

[0032] 根据所述第一指标数据以及所述第二指标数据制定出对应的风险预警指标，并通过所述层次分析法构建出与所述风险预警指标对应的权重判断矩阵；

[0033] 对所述权重判断矩阵以及所述气象风险预报模型进行融合处理，以对应生成所述风险等级预报模型。

[0034] 进一步的，所述对所述权重判断矩阵以及所述气象风险预报模型进行融合处理，以对应生成所述风险等级预报模型的步骤包括：

[0035] 计算出与所述权重判断矩阵对应的若干特征向量，并对若干所述特征向量进行归一化处理，以生成与所述风险预警指标对应的相对权重；

[0036] 将所述相对权重对应融合至所述气象风险预报模型中，以对应生成所述风险等级预报模型。

[0037] 本发明实施例第二方面提出了：

[0038] 一种高速公路恶劣天气预警系统，其中，所述系统包括：

[0039] 获取模块，用于获取目标高速公路的历史气象数据，并根据所述历史气象数据构建出对应的隐患点数据集；

[0040] 匹配模块，用于根据所述隐患点数据集确定出对所述目标高速公路的通行产生影响的若干恶劣天气要素，并根据预设空间插值算法匹配出与若干所述恶劣天气要素对应的隐患点气象要素值；

[0041] 训练模块，用于根据所述隐患点数据集、所述隐患点气象要素值以及预设深度学习网络训练出对应的气象风险预报模型，并对所述目标高速公路分别进行承灾体分析以及抗灾能力分析，以分别生成对应的第一指标数据以及第二指标数据；

[0042] 预测模块，用于基于层次分析法将所述第一指标数据以及第二指标数据输入至所述气象风险预报模型中，以生成对应的风险等级预报模型，并通过所述风险等级预报模型预测出所述目标高速公路的行驶风险预警等级。

[0043] 进一步的，所述匹配模块具体用于：

[0044] 获取所述目标高速公路周围的若干气象站分别对应的若干地理坐标，并根据若干所述地理坐标围合出对应的泰森多边形；

[0045] 根据若干所述恶劣天气要素确定出与所述泰森多边形对应的待插值点，并根据所述待插值点以及第一预设算法分别计算出与每一所述恶劣天气要素分别对应的隐患点气象要素值，所述待插值点具有唯一性，所述第一预设算法的表达式为：

[0046]

[0047] 其中，m表示所述泰森多边形的个数，T（A）表示所述隐患点气象要素值，Tk（A）表示第k个恶劣天气要素。

[0048] 进一步的，所述训练模块具体用于：

[0049] 构建出所述隐患点数据集与所述隐患点气象要素值之间的映射关系，并根据所述映射关系对所述隐患点数据集以及所述隐患点气象要素值进行归一化处理，以生成对应的隐患数据集；

[0050] 基于预设规则根据所述隐患数据集生成对应的训练集以及验证集，并根据所述训练集、所述验证集以及所述预设深度学习网络对应训练出所述气象风险预报模型。

[0051] 进一步的，所述训练模块还具体用于：

[0052] 调取与所述隐患数据集适配的ANN学习网络，并依次检测出所述ANN学习网络中包含的LSTM层、Drpout层以及Dense层；

[0053] 通过所述LSTM层对所述训练集进行预处理，以将所述训练集转换成对应的隐患点信息，并通过所述Drpout层对所述隐患点信息进行迭代收敛，以输出对应的初始预测值；

[0054] 通过所述Dense层实时判断所述初始预测值是否在预设收敛阈值内；

[0055] 若通过所述Dense层实时判断到所述初始预测值在所述预设收敛阈值内，则判定完成对所述ANN学习网络的训练，并通过所述验证集对所述ANN学习网络进行验证。

[0056] 进一步的，所述训练模块还具体用于：

[0057] 当获取到所述隐患点信息时，提取出所述Drpout层中包含的第二预设算法，并通过所述第二预设算法对所述隐患点信息进行卷积计算，以计算出若干对应的卷积值；

[0058] 将若干所述卷积值输入至所述Drpout层中的第三预设算法中，并通过所述第三预设算法对若干所述卷积值进行迭代收敛，以对应输出所述初始预测值，所述第三预设算法的表达式为：

[0059]

[0060] 其中，x表示所述卷积值，y表示所述初始预测值。

[0061] 进一步的，所述：预测模块具体用于

[0062] 根据所述第一指标数据以及所述第二指标数据制定出对应的风险预警指标，并通过所述层次分析法构建出与所述风险预警指标对应的权重判断矩阵；

[0063] 对所述权重判断矩阵以及所述气象风险预报模型进行融合处理，以对应生成所述风险等级预报模型。

[0064] 进一步的，所述预测模块还具体用于：

[0065] 计算出与所述权重判断矩阵对应的若干特征向量，并对若干所述特征向量进行归一化处理，以生成与所述风险预警指标对应的相对权重；

[0066] 将所述相对权重对应融合至所述气象风险预报模型中，以对应生成所述风险等级预报模型。

[0067] 本发明实施例第三方面提出了：

[0068] 一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上面所述的高速公路恶劣天气预警方法。

[0069] 本发明实施例第四方面提出了：

[0070] 一种可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上面所述的高速公路恶劣天气预警方法。

[0071] 本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

[0072] 图1为本发明第一实施例提供的高速公路恶劣天气预警方法的流程图；

[0073] 图2为本发明第六实施例提供的高速公路恶劣天气预警系统的结构框图。

[0074] 如下具体实施方式将结合上述附图进一步说明本发明。

具体实施方式

[0075] 为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。

[0076] 需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。

[0077] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。

[0078] 请参阅图1，所示为本发明第一实施例提供的高速公路恶劣天气预警方法，本实施例提供的高速公路恶劣天气预警方法能够准确的预测出高速公路的气象风险等级，并下发至用户的移动终端，以使用户能够提前做出对应的预防措施，对应提升了用户的驾驶体验。

[0079] 具体的，本实施例提供的高速公路恶劣天气预警方法具体包括以下步骤：

[0080] 步骤S10，获取目标高速公路的历史气象数据，并根据所述历史气象数据构建出对应的隐患点数据集；

[0081] 步骤S20，根据所述隐患点数据集确定出对所述目标高速公路的通行产生影响的若干恶劣天气要素，并根据预设空间插值算法匹配出与若干所述恶劣天气要素对应的隐患点气象要素值；

[0082] 步骤S30，根据所述隐患点数据集、所述隐患点气象要素值以及预设深度学习网络训练出对应的气象风险预报模型，并对所述目标高速公路分别进行承灾体分析以及抗灾能力分析，以分别生成对应的第一指标数据以及第二指标数据；

[0083] 步骤S40，基于层次分析法将所述第一指标数据以及第二指标数据输入至所述气象风险预报模型中，以生成对应的风险等级预报模型，并通过所述风险等级预报模型预测出所述目标高速公路的行驶风险预警等级。

[0084] 具体的，在本实施例中，首先需要说明的是，为了能够准确的对高速公路进行恶劣天气预警，需要首先获取当前目标高速公路的历史气象数据，并基于该历史气象数据考虑多种不同的因素，从而能够全面的预测出当前高速公路的行驶风险预警等级。具体的，本实施例提供的恶劣天气主要包括大雾、道路结冰以及强降雨，进一步的，根据当前历史气象数据构建出对应的隐患点数据集，以便于后续的训练，其中，每一种恶劣天气分别对应一个隐患点数据集。基于此，就能够对应根据当前隐患点数据集确定出对当前目标高速公路的通信产生影响的若干恶劣天气要素，对应的，根据已经设置好的空间插值算法匹配出与当前若干恶劣天气要素分别对应的隐患点气象要素值。

[0085] 进一步的，实时根据获取到的隐患点数据集、隐患点气象要素值以及预先设置好的深度学习网络训练出需要的气象风险预报模型，用于对当前目标高速公路进行基础的气象风险预报，在此基础之上，为了能够清除的了解到当前目标高速公路的抗风险能力，还需要同时对当前目标高速公路进行承灾体分析以及抗灾能力分析，并能够对应获取到第一指标数据以及第二指标数据，具体的，承灾体分析包括脆弱性分析以及易损性分析，其中，脆弱性分析包括交通事故、人员伤亡以及经济损失等，易损性分析包括路网密度、车流量以及植被覆盖等。在此基础之上，根据预先设置好的层次分析法将当前第一指标数据以及第二指标数据同时输入至上述风险预报模型种，能够进一步生成需要的风险等级预报模型，基于此，最后能够直接通过该风险等级预报模型对应预测出当前目标高速公路的行驶风险预警等级，以使用户能否做出提前的预防，对应消除安全隐患。

[0086] 第二实施例

[0087] 具体的，在本实施例中，需要说明的是，上述根据预设空间插值算法匹配出与若干所述恶劣天气要素对应的隐患点气象要素值的步骤包括：

[0088] 获取所述目标高速公路周围的若干气象站分别对应的若干地理坐标，并根据若干所述地理坐标围合出对应的泰森多边形；

[0089] 根据若干所述恶劣天气要素确定出与所述泰森多边形对应的待插值点，并根据所述待插值点以及第一预设算法分别计算出与每一所述恶劣天气要素分别对应的隐患点气象要素值，所述待插值点具有唯一性，所述第一预设算法的表达式为：

[0090]

[0091] 其中，m表示所述泰森多边形的个数，T（A）表示所述隐患点气象要素值，Tk（A）表示第k个恶劣天气要素。

[0092] 具体的，在本实施例中，需要说明的是，为了能够全面的获取到需要的隐患点数据集，会搜集主要高速公路沿线气象观测资料、公路基本信息、公路沿线因气象条件造成的交通事故和封路信息，确定高速公路交通气象灾害隐患及主要灾害性天气类型、致灾气象因子及其致灾临界值，分析不同的气象灾害分布和变化规律、发生频率和致灾特点以及对高速公路交通产生的影响。 本项目在实施高速公路气象灾害综合风险普查时，以各高速公路为基本单元，采用“先清查后普查、全面普查和抽样调查、典型调查和重点调查”相结合的方式，充分依靠交通运输、交管部门提供的相关资料，结合气象部门历史气象观测数据，采用问卷调查、站点观测、资料调查、统计分析、地图绘制、插值分析等方式，对各类交通气象灾害风险进行专项调查，单灾种致灾要素调查、承灾体调查、综合减灾资源调查等。与此同时，并行开展调查对象的自然灾害要素（地质环境、植被覆盖、岩土类型）和社会要素调查，获得空间覆盖完整的高速公路基础详细信息，实现高速交通气象灾害普查信息的空间化，以对应生成上述隐患点数据集。

[0093] 进一步的，为了能够有效的对当前隐患点数据集进行处理，需要首先构建出需要的泰森多边形，其中，具体根据当前目标高速公路周围的气象站的地理坐标构建出需要的泰森多边形，泰森多边形的属性为： ，其中，T（o）为已知点的属性值，T（A）为待求点的属性值，w为权系数，f（l）为待求点与已知点之间的距离函数，进一步的，，其中，l表示待插值点与其控制点间的距离，lo表示临界影响距离，进一步的， ，最后，通过上述第一预设算法能够计算出需要
的隐患点气象要素值，以便于后续的处理。

[0094] 具体的，在本实施例中，还需要说明的是，上述根据所述隐患点数据集、所述隐患点气象要素值以及预设深度学习网络训练出对应的气象风险预报模型的步骤包括：

[0095] 构建出所述隐患点数据集与所述隐患点气象要素值之间的映射关系，并根据所述映射关系对所述隐患点数据集以及所述隐患点气象要素值进行归一化处理，以生成对应的隐患数据集；

[0096] 基于预设规则根据所述隐患数据集生成对应的训练集以及验证集，并根据所述训练集、所述验证集以及所述预设深度学习网络对应训练出所述气象风险预报模型。

[0097] 具体的，在本实施例中，还需要说明的是，在通过上述步骤获取到需要的隐患点数据集以及隐患点气象要素值之后，为了便于后续的训练，还需要构建出两者之间的映射关系，并基于该映射关系进行归一化处理，从而能够将两者合并为一个整体，即能够对应生成上述隐患数据集。进一步的，将当前隐患数据集拆分成需要的训练集以及验证集，以进一步根据当前训练集、验证集以及预设深度学习网络训练出上述气象风险预报模型。

[0098] 第三实施例

[0099] 另外，在本实施例中，需要说明的是，上述根据所述训练集、所述验证集以及所述预设深度学习网络对应训练出所述气象风险预报模型的步骤包括：

[0100] 调取与所述隐患数据集适配的ANN学习网络，并依次检测出所述ANN学习网络中包含的LSTM层、Drpout层以及Dense层；

[0101] 通过所述LSTM层对所述训练集进行预处理，以将所述训练集转换成对应的隐患点信息，并通过所述Drpout层对所述隐患点信息进行迭代收敛，以输出对应的初始预测值；

[0102] 通过所述Dense层实时判断所述初始预测值是否在预设收敛阈值内；

[0103] 若通过所述Dense层实时判断到所述初始预测值在所述预设收敛阈值内，则判定完成对所述ANN学习网络的训练，并通过所述验证集对所述ANN学习网络进行验证。

[0104] 另外，在本实施例中，需要说明的是，为了提升后续的训练效率，本实施例会进一步调取与上述隐患数据集适配的ANN（Artificial Neural Networks）学习网络，并进一步检测出当前ANN学习网络中包含的三个网络层，其中，LSTM层具有良好的拟合性能，Drpout能够增强模型的泛化能力，Dense层能够计算出预测数据，并且在进行具体的训练之前，还需要首先构建出模型效果评价指标，具体如下所示：

[0105] 具体包括以下评价指标：均方根误差（RMSE）、召回率（Recall）和精准率（Precision）指标、准确率指标、ROC曲线。

[0106] 均方根误差（RMSE）：RMSE可以评估流量量级上的误差，公式如下：

[0107]

[0108] 其中，y和yi分别为观测气象要素值和模拟值，σ表示均方根误差，n表示数量。

[0109] 召回率（Recall）、精准率（Precision）、正确率（Accuracy）：以TP、FN、TN分别为混淆矩阵中真正例、假正例、真反例数据，则有召回率（Recall）

[0110] 和精准率（Precision）指标

[0111]

[0112]

[0113]

[0114] ROC曲线：以真正率TPR为纵坐标，以假正率FPR为横坐标绘制的曲线就是ROC（Receiver Operating Characteristic）曲线，ROC曲线上每个点表示分类模型在特定的截断点下的（TPR、FPR）。ROC曲线越靠近左上角模型的表现越好。AUC（Area under the curve）值，即ROC曲线与坐标轴围成的面积，面积越大表示模型的性能越好。AUC的取值范围为0～1之间，AUC的值存在小于0.5的情况，不过AUC的值要大于0.5才有意义。一般来说AUC大于0.75的模型效果表现较好。AUC越接近1，说明预测效果越好。

[0115] 进一步的，在通过上述方式完成了模型评价指标之后，此时会引入上述ANN学习网络，以便于后续的处理。

[0116] 另外，在本实施例中，还需要说明的是，上述通过所述Drpout层对所述隐患点信息进行迭代收敛的步骤包括：

[0117] 当获取到所述隐患点信息时，提取出所述Drpout层中包含的第二预设算法，并通过所述第二预设算法对所述隐患点信息进行卷积计算，以计算出若干对应的卷积值；

[0118] 将若干所述卷积值输入至所述Drpout层中的第三预设算法中，并通过所述第三预设算法对若干所述卷积值进行迭代收敛，以对应输出所述初始预测值，所述第三预设算法的表达式为：

[0119]

[0120] 其中，x表示所述卷积值，y表示所述初始预测值。

[0121] 另外，在本实施例中，还需要说明的是，在通过上述步骤获取到需要的隐患点信息之后，此时可以进一步提取出Drpout层中包含的卷积算法，具体的，可以是现有的DTW算法，从而能够对应计算出若干卷积值，该若干卷积值均是具体的数值。进一步的，将当前若干卷积值实时输入至上述Drpout层中的第三预设算法中，从而能够最终根据该第三预设算法实时输出需要的初始预测值，以便于后续的处理。

[0122] 第四实施例

[0123] 其中，在本实施例中，需要指出的是，所述基于层次分析法将所述第一指标数据以及第二指标数据输入至所述气象风险预报模型中，以生成对应的风险等级预报模型的步骤包括：

[0124] 根据所述第一指标数据以及所述第二指标数据制定出对应的风险预警指标，并通过所述层次分析法构建出与所述风险预警指标对应的权重判断矩阵；

[0125] 对所述权重判断矩阵以及所述气象风险预报模型进行融合处理，以对应生成所述风险等级预报模型。

[0126] 其中，在本实施例中，需要指出的是，在通过上述步骤分别获取到需要的第一指标数据、第二指标数据以及气象风险预报模型之后，此时可以进一步生成最终需要的风险等级预报模型，具体的，第一指标数据可以包括路面类型、路面坡度以及路网密度等数据，对应的，第二指标数据可以包括财政预算以及人均收入等数据，基于此，可以制定出对应的风险预警指标，并进一步通过上述层次分析法计算出与当前风险预警指标对应的权重判断矩阵，其中，该层次分析法包含三个计算层，依次是风险预警目标层、风险形成条件准侧层以及影响因素的指标层。进一步的，将当前权重判断矩阵融合至上述气象风险预报模型中，就能够对应改变当前气象风险预报模型的模型参数，并进一步升级成上述风险等级预报模型。

[0127] 第五实施例

[0128] 其中，在本实施例中，需要指出的是，所述对所述权重判断矩阵以及所述气象风险预报模型进行融合处理，以对应生成所述风险等级预报模型的步骤包括：

[0129] 计算出与所述权重判断矩阵对应的若干特征向量，并对若干所述特征向量进行归一化处理，以生成与所述风险预警指标对应的相对权重；

[0130] 将所述相对权重对应融合至所述气象风险预报模型中，以对应生成所述风险等级预报模型。

[0131] 其中，在本实施例中，需要指出的是，在通过上述步骤获取到需要的权重判断矩阵之后，此时就可以进一步对应计算出当前权重判断矩阵所对应的若干特征向量，并对当前若干特征向量进行归一化处理，即融合成一个整体，基于此，就能够进一步计算出与上述风险预警指标对应的相对权重。

[0132] 进一步的，最后将该相对权重进一步融合至上述气象风险预报模型中，从而能够最终训练出上述风险等级预报模型，进而能够通过该风险等级预报模型提前预测出当前目标高速公路的气象风险等级，并下发至用户的移动终端，以使用户能够提前做出对应的防护措施，另外，本实施例还制备出了行驶风险等级与防御措施之间的对应关系，具体的，如下表1所示：

[0133] 表1

[0134]

[0135] 基于此，能够有效的降低高速公路的事故发生率，对应保障用户的生命财产安全。

[0136] 请参阅图2，本发明第六实施例提供了：

[0137] 一种高速公路恶劣天气预警系统，其中，所述系统包括：

[0138] 获取模块，用于获取目标高速公路的历史气象数据，并根据所述历史气象数据构建出对应的隐患点数据集；

[0139] 匹配模块，用于根据所述隐患点数据集确定出对所述目标高速公路的通行产生影响的若干恶劣天气要素，并根据预设空间插值算法匹配出与若干所述恶劣天气要素对应的隐患点气象要素值；

[0140] 训练模块，用于根据所述隐患点数据集、所述隐患点气象要素值以及预设深度学习网络训练出对应的气象风险预报模型，并对所述目标高速公路分别进行承灾体分析以及抗灾能力分析，以分别生成对应的第一指标数据以及第二指标数据；

[0141] 预测模块，用于基于层次分析法将所述第一指标数据以及第二指标数据输入至所述气象风险预报模型中，以生成对应的风险等级预报模型，并通过所述风险等级预报模型预测出所述目标高速公路的行驶风险预警等级。

[0142] 其中，上述高速公路恶劣天气预警系统中，所述匹配模块具体用于：

[0143] 获取所述目标高速公路周围的若干气象站分别对应的若干地理坐标，并根据若干所述地理坐标围合出对应的泰森多边形；

[0144] 根据若干所述恶劣天气要素确定出与所述泰森多边形对应的待插值点，并根据所述待插值点以及第一预设算法分别计算出与每一所述恶劣天气要素分别对应的隐患点气象要素值，所述待插值点具有唯一性，所述第一预设算法的表达式为：

[0145]

[0146] 其中，m表示所述泰森多边形的个数，T（A）表示所述隐患点气象要素值，Tk（A）表示第k个恶劣天气要素。

[0147] 其中，上述高速公路恶劣天气预警系统中，所述训练模块具体用于：

[0148] 构建出所述隐患点数据集与所述隐患点气象要素值之间的映射关系，并根据所述映射关系对所述隐患点数据集以及所述隐患点气象要素值进行归一化处理，以生成对应的隐患数据集；

[0149] 基于预设规则根据所述隐患数据集生成对应的训练集以及验证集，并根据所述训练集、所述验证集以及所述预设深度学习网络对应训练出所述气象风险预报模型。

[0150] 其中，上述高速公路恶劣天气预警系统中，所述训练模块还具体用于：

[0151] 调取与所述隐患数据集适配的ANN学习网络，并依次检测出所述ANN学习网络中包含的LSTM层、Drpout层以及Dense层；

[0152] 通过所述LSTM层对所述训练集进行预处理，以将所述训练集转换成对应的隐患点信息，并通过所述Drpout层对所述隐患点信息进行迭代收敛，以输出对应的初始预测值；

[0153] 通过所述Dense层实时判断所述初始预测值是否在预设收敛阈值内；

[0154] 若通过所述Dense层实时判断到所述初始预测值在所述预设收敛阈值内，则判定完成对所述ANN学习网络的训练，并通过所述验证集对所述ANN学习网络进行验证。

[0155] 其中，上述高速公路恶劣天气预警系统中，所述训练模块还具体用于：

[0156] 当获取到所述隐患点信息时，提取出所述Drpout层中包含的第二预设算法，并通过所述第二预设算法对所述隐患点信息进行卷积计算，以计算出若干对应的卷积值；

[0157] 将若干所述卷积值输入至所述Drpout层中的第三预设算法中，并通过所述第三预设算法对若干所述卷积值进行迭代收敛，以对应输出所述初始预测值，所述第三预设算法的表达式为：

[0158]

[0159] 其中，x表示所述卷积值，y表示所述初始预测值。

[0160] 其中，上述高速公路恶劣天气预警系统中，所述：预测模块具体用于[0161] 根据所述第一指标数据以及所述第二指标数据制定出对应的风险预警指标，并通过所述层次分析法构建出与所述风险预警指标对应的权重判断矩阵；

[0162] 对所述权重判断矩阵以及所述气象风险预报模型进行融合处理，以对应生成所述风险等级预报模型。

[0163] 其中，上述高速公路恶劣天气预警系统中，所述预测模块还具体用于：

[0164] 计算出与所述权重判断矩阵对应的若干特征向量，并对若干所述特征向量进行归一化处理，以生成与所述风险预警指标对应的相对权重；

[0165] 将所述相对权重对应融合至所述气象风险预报模型中，以对应生成所述风险等级预报模型。

[0166] 本发明第七实施例提供了计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上述实施例提供的高速公路恶劣天气预警方法。

[0167] 本发明第八实施例提供了可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上述实施例提供的高速公路恶劣天气预警方法。

[0168] 综上所述，本发明上述实施例提供的高速公路恶劣天气预警方法及系统能够准确的预测出高速公路的气象风险等级，并下发至用户的移动终端，以使用户能够做出对应的预防措施，对应提升了用户的驾驶体验。

[0169] 需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。

[0170] 在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

[0171] 计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

[0172] 应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

[0173] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

[0174] 以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。