本发明涉及大风实时预警，尤其涉及一种高速路风速短时概率预测方法及系统。
背景技术：
1、随着高速铁路和高速公路等高速路的建设，高速路上的行车速度越来越快，由于行车速度的加快，高速行驶的车辆面临的各种恶劣环境威胁也增多，其中恶劣风环境对行车安全的威胁最为常见，大风导致的行车安全事故屡见不鲜。因此，及时发布大风预警信息并警示驾驶员对应降低高速路上风致行车安全事故具有重要意义。目前，常用的确定性风速预测主要以单点风速预测为主，缺少风向的预测，同时在预测的过程中并没有考虑到周边数据监测点中除风速和风向外的其他因素。可见，现有的风速预测方法存在预测数据单一，考虑因素不完全的问题。
技术实现思路
1、本发明提供了一种高速路风速短时概率预测方法及系统，以解决现有的风速预测方法存在预测数据单一，考虑因素不完全的问题。
2、为了实现上述目的，本发明通过如下的技术方案来实现：
3、第一方面，本发明提供一种高速路风速短时概率预测方法，包括：
4、基于目标高速路沿线区域确定多个测点，获取多个测点的风力参数和气象参数，并基于风力参数和气象参数得到测点的监测数据序列；
5、根据多个测点的位置确定测点的阵列数据，并抽取测点的监测数据序列与对应测点的阵列数据构成三维张量；
6、对所述三维张量按照一定补偿进行裁剪得到多组小序列数据，并利用所述小序列数据对基于cnn-lstm的神经网络进行训练得到风速短时预测模型；
7、采用所述风速短时预测模型对监测数据序列进行预测得到短时预测风速结果序列，并将短时预测风速结果序列与对应监测数据序列相减得到风速预测误差序列；
8、通过高斯混合模型方法(gmm)对所述风速预测误差序列进行统计分析，得到风速预测误差序列的条件概率密度函数；
9、将所述短时预测风速结果序列作为预测期望，结合风速预测误差序列的条件概率密度函数，计算得到目标高速路给定置信水平的风速短时概率。
10、可选的，所述风力参数包括：风速参数和风向参数，所述气象参数包括：温度、湿度和气压。
11、可选的，所述短时预测风速结果序列包括风速值、风向和气象参数的组合。
12、可选的，所述通过高斯混合模型方法对所述风速预测误差序列进行统计分析，得到风速预测误差序列的条件概率密度函数，包括：
13、采用二维高速混合模型方法对风速预测误差序列和短时预测风速序列进行统计分析，得到风速预测误差序列和短时预测风速序列的联合概率密度函数，其表达式如下所示：
14、f(e,y)＝gmm(e,y)；
15、其中，e表示风速预测误差序列，y表示短时预测风速序列；
16、基于上述表达式，则风速预测误差序列与短时预测风速序列的边缘分布概率密度函数fe(e)和fy(y)分别为：
17、
18、
19、已知二维随机变量的概率密度函数和其各自的边缘分布函数，根据贝叶斯公式可以得到预测值y＝y的条件下误差e的条件概率密度为：
20、
21、其中，e表示风速预测误差序列，y表示短时预测风速序列，e表示y＝y的条件下误差。
22、第二方面，本申请实施例提供一种高速路风速短时概率预测系统，包括处理器、存储器；
23、存储器，用于存放计算机程序；
24、处理器，用于执行存储器上所存放的程序时，实现第一方面中任一所述的方法步骤。
25、有益效果：
26、本发明提供的高速路风速短时概率预测方法，采用风速短时预测模型对风速进行短时预测，通过将多点监测的数据按照测点的位置信息以及风速的风向和不同气象参数等信息组成的三维张量组成的序列进行模型的训练和预测，可以得到预测结果，风速短时预测模型采用基于cnn-lstm的神经网络模型，通过cnn-lstm的混合实现了多种气象参数均纳入了风速预测的考虑的范畴，然后利用高斯混合模型方法分析预测风速的误差分布特征并建立预测误差条件分布模型，将两者结合实现风速的短时概率预测；能够考虑风速预测过程中的不确定性，例如风速本身的随机性和波动性、数据测量误差、模型不确定性等，实现不同置信水平的风速短时概率快速预测。本发明能够用于高速公路和高速铁路的大风预警，能够避免横风所导致的行车安全事故，保障出行人员生命财产安全，提高通行效率，对于改善交通出行环境具有重大意义。
1.一种高速路风速短时概率预测方法，其特征在于，包括：
2.根据权利要求1所述的高速路风速短时概率预测方法，其特征在于，所述风力参数包括：风速参数和风向参数，所述气象参数包括：温度、湿度和气压。
3.根据权利要求1所述的高速路风速短时概率预测方法，其特征在于，所述短时预测风速结果序列包括风速值、风向和气象参数的组合。
4.根据权利要求1所述的高速路风速短时概率预测方法，其特征在于，所述通过高斯混合模型方法对所述风速预测误差序列进行统计分析，得到风速预测误差序列的条件概率密度函数，包括：
5.一种高速路风速短时概率预测系统，其特征在于，包括处理器、存储器；
