融合天气监测与预报的出行线路规划算法

王 兴，祝维聪，张 皓，张潇潇

(南京信息工程大学大气科学学院，江苏 南京 210044)

0 引言

近年来我国每年发生的交通事故高达50 万起以上，因交通事故死亡的人数超过10 万，直接经济损失多达数百亿元［1］。其中大雾、台风、暴雨、路面冰冻等极端天气是引发交通事故的一个重要因素［2-3］。GPS 导航仪能够帮助驾乘人员准确定位当前位置，并可根据既定的目的地规划行程。具备无线通讯模块的移动终端(如Android 手机)结合预装的地图App还能够显示实时路况信息，以便于用户针对道路拥堵情况重新规划行程线路。

尽管GPS 导航的应用已非常普及，但针对导航线路天气状况的预报预警目前尚属空白。特别对于我国东南沿海等局地极端天气多发地区，如果能在导航的过程中充分结合天气实况和预报预警，将很大程度上减少因天气原因造成的交通事故，挽回更多的生命和经济损失。本文在行车最短路径诱导算法的基础上，提出一种融合短临预报的最短路径诱导算法。

1 算法设计

1.1 基于天气影响值的WTP 算法

通常，GPS 导航线路规划的关键参数是出发地与目的地之间的距离以及道路等级、途中有无收费站等路况信息。本文设计的基于天气实况和临近预报影响值的WTP(Weather-Traffic Path)算法，对行程线路可能发生的雾霰、沙尘暴、降水、积雪、积冰、冰雹、台风和雷暴等天气现象进行影响评估、分析，并尽可能规避危险路段。WTP 算法的主要步骤如下:

1)根据出发地和目的地的地理信息规划若干条行程线路，将每条线路依据公路等级等路况信息拆分成若干个路段，对每条路段使用公式(1)进行计算。

式(1)中t 为通过当前路段所需的时间，l 为路段的长度，g 为路段的交通流量，c 为单位时间内路段可通过的最大车辆数，z 和y 为公路局路阻函数模型中的常数［4］，v 为当前路段行驶的平均速度。显然，v 除了受路况条件影响外，各种天气现象的发生对v 也有直接影响。

2)根据天气实况和短临预报的结果，以及这些天气影响直到消散或降低到行车安全级别所需的时间，评估各路段的最大安全速度。将这些因素统称作天气影响值WIV(Weather Influence Value)。由于不同天气现象对行车影响的程度有所不同，以下提出几种极端天气条件下最大安全车速的计算方法和参数。

式(2)中v 为理论最大安全速度，b 和c 是模型参数，可分别取值为-0.556 和0.309［5］，Vm为能见度，a 为不同环境下的制动加速度［6］。

a 的计算方法如式(3)所示，其中i 表示道路纵坡，即顺着道路前进方向的上下坡度，它与汽车的动力特性有很大关系，我国规定公路的最大纵坡为3%，山岭重丘区为4%～5%［7］。f 表示路面附着系数，即附着力与车轮法向压力的比值，它可以看成是轮胎和路面之间的静摩擦系数。该系数的大小主要取决于路面的基质和干燥状况，以及轮胎的结构、纹理等，值越大汽车就越不容易打滑。不同路面的附着系数f 如图1 所示。

图1 不同路面的附着系数

表1 能见度、道路纵坡和路面情况与最大安全速度的关系

图1 给出了不同路面情况下附着系数f 的大致范围，为方便算法的实现，在各种复杂天气现象发生时f 的取值需根据实际情况设定为某一常数。能见度受到雨、雪、雾、霰等多种天气的影响，在干燥路面条件下道路纵坡i 和能见度Vm与最大安全速度vmax的关系如图2 所示。

图2 不同能见度和道路纵坡情况下的最大安全速度

图2 中，当Vm小于50 m 时，根据国家有关规定将进行交通管制措施，实施全线或局部封闭高速公路［8］。当Vm大于500 m 时，即按照该路段设计的最大时速。

在雨雪冰冻天气条件下，能见度Vm、道路纵坡i与最大安全速度vmax的关系如表1 所示。

由于汽车外壳是导电密闭体，通常具有很好的防雷效果，如遭遇雷击不易伤害到车内人员，但雷暴常与强降水密切相关。因此，当监测或预测到有强对流或雷暴天气发生时，仍需评估因强降水造成能见度和路面湿滑对行车安全可能造成的影响。此外，还应考虑大风所带来的影响。当风力很大时，飞扬的沙尘不仅影响能见度和驾驶员的观察判断，而且不同方向的大风，特别是横风还会影响车的制动性能，甚至发生车身偏移。由于暂没有大风条件下交通管制的量化细则，本算法设计时考虑对八级及以上大风进行预警，线路规划时降低大风路段的选择优先级。

3)综合各种天气现象对行车速度的影响，WTP的算法流程如图3 所示。

图3 WTP 算法N-S 流程图

图3 中综合评估道路优先级的方法主要依据公式(4):

式(4)中C 为可调常数，由公式(1)简化得到，Lx为路段长度。计算出的WIV 一般为某路段最大安全车速下的行车时间。同时，级别较高的雷暴、大风等灾害性天气也会影响各路段WIV 的优先级。通过综合排序比较各路段的WIV 即可分析得出行驶于出发地与目的地之间的最佳行程线路。

1.2 融合WTP 的最短路径算法

关于最短路径有很多成熟和先进的算法，常用的检索方式包括范围检索、最近邻目标检索和反向最近邻目标检索等［9］，且应用的范围也不仅局限于地理线路的规划，还适用于计算机网络路由优化、基站覆盖优化等诸多领域［10］。本文考虑的最短路径不只是地理位置上的距离最短，还包括时间、费用、特别是天气影响方面的评估。路径检索的基本思想如下:

1)查询从始发地到目的地之间的所有道路结点，分析各路段的公路等级、限速要求等基本路况信息。

2)使用双向Dijkstra 算法分别从始发地和目的地两端进行交替检索［11］，同时记录下每段的距离信息。当两端的检索都找到某一结点时，即形成一条最短路径。

3)对每条路径天气影响情况和路况信息进行评价，采用的方法即1.1 节所述的WTP 算法。如此往复直到完成所有线路或路段的计算。

实际上，最短路径算法先于WTP 算法执行，但为了能清楚说明WTP 算法，本文先进行了阐述。

2 系统设计

2.1 系统逻辑结构

整个系统包括负责算法和业务逻辑运算的后台以及面向用户操作使用的前台。后台的逻辑结构如图4 所示，除WTP 算法的实现外，还包括天气系统的实况监测、0～1 h 临近预报以及1～6 h 短时预报等核心模块。0～1 h 主要采用雷暴识别追踪和外推预报技术进行预报，1～6 h 主要使用外推预报和WRF模式预报产品作为输入场，采用Blending 算法进行融合预报。输入数据包括常规地面和高空探测资料、加密自动站观测资料、卫星红外水汽、可见光资料、雷达基本反射率、径向风、风廓线资料、天气模式初始场资料以及AMDAR 飞机报等。

图4 系统后台逻辑结构图

各个气象相关的业务模块中，对流天气系统识别模块是根据雷达回波的特性，通过资料预处理、滤波、识别算法、灾害天气的判别方程等自动提取回波强度、高度等特征值，并识别降水回波的性质，通过综合的分析判别灾害性天气发生的可能性。外推预报模块分别使用了TITAN［12］和CTREC［13-16］算法，天气模式采用了目前最为先进的中尺度数值天气模式——WRF V3.4，利用GFS 全球模式预报资料作为初始场，采取每6 h 更新一次的方案，提供时间分辨率为3 h，水平分辨率为3 km、垂直分层10 m、70 m、100 m、120 m以及其他高度的72 h 时效的区域精细化预报。Blending 融合预报是利用WRF 模式快速循环系统RR(Rapid Refresh)的降水预报资料作为初始场，配合雷达降水定量预报(QPF)［17］，将雷达资料与数值模式融合，进行1～6 h 强对流天气短时预报的技术。该技术既考虑了雷达外推预报在预报降水系统位置和初始强度方面的准确性，又应用了数值模式预报反映降水系统变化的能力，避免了单个方法的局限性，使得预报结果能够更好地反映对流系统的发展演变趋势，可以明显提高1～6 h 强对流天气短时预报的效果。动力解释应用模块是对数值预报产品的进一步解释和应用，以提高预报的准确率。可采用的算法比较多，本系统采用的是基于卡尔曼滤波的统计释用方法。

2.2 系统物理结构

整个系统至少由3 台气象核心业务算法服务器，2 台数据库服务器，1 台应用服务器和1 台系统管理端服务器组成，系统的物理部署如图5 所示。

图5 系统物理部署图

图5 中，气象实时监测数据库用于存储各类气象观测资料，实际系统中，数据入库之前还需经过报文解码、有效性检验、质量控制和数据预处理等一系列过程。由于每天新增的数据库记录数多达数十万条，因此预报产品数据库实际又分为实时库和历史库2个部分，实时库只保留最近半年的气象资料和产品。所有服务器设备中，数值模式服务器的硬件要求最高，为满足气象预报实时性的要求，至少包括128 个以上的CPU 核。3 台气象业务相关的服务器均采用RedHat Enterprise Linux 7 操作系统，算法程序主要由C/C++和Fortran 开发，数据库管理系统使用Oracle Database 12c，与前一版本11g 相比，该版本新增了Cloud 相关特性，使用该架构有助于简化部署和管理数据库云，提升管理的灵活性和综合成本的降低［18］。线路规划服务器除负责完成线路规划的任务外，还充当了应用服务器，随着将来访问量的增加，可以将应用服务器独立出来。为简化表示，图5 还省略了安全网关等相关的设备。GPS 移动终端是在Android 操作系统的基础上开发的应用软件，地图服务当前采用百度地图API，开发工具使用百度地图Android SDK v4.2。

3 系统实现

根据上述算法和设计，开发了融合天气现象的出行线路规划系统。这里以2014 年8 月11 日08 时作为测试时间点，由本系统气象业务算法模块预报出的未来6 h 降水量如图6 所示。可以看出，重庆、贵州、江南西北部以及江淮西南部等地区将出现大到暴雨，局部大暴雨(6 h 降水量超过25 mm)。

造成能见度降低的天气因素比较多，主要是受雾霰和沙尘的影响，由于本系统没有PM2.5 等空气质量的监测数据，因此能见度主要是依据常规地面台站观测资料。2014 年8 月11 日08 时近地面层的大气能见度情况如图7 所示。

图6 2014-08-11 08 时6 h 降水量预报

图7 2014-08-11 08 时近地面层大气能见度

从图7 可以看出，预报降水量较大的重庆、长沙西南部等地区的能见度较差，部分地区低于5000 m。类似地，本系统还针对雷电、大风、冰雹等多个气象指标针对路况进行综合分析，最终得出该时刻贵阳到长沙的线路规划如图8 所示。

图8 Android 平台融合短临天气预报的GPS 导航

图8 中可以看出，本系统规划出从贵阳到长沙的2 条线路，每条又分出2 条支路，其中③、④(实际系统中为橙色)和⑥(实际系统中为红棕色)线路受到天气的影响，而其它线路相对安全。这样的规划与实况天气以及预报的结果是相一致的。用户还可通过滑动屏幕右下角的“详细”查看道路和天气相关的更多信息。

4 结束语

本文首先重点阐述了基于天气影响值的WTP 算法流程，将该算法集成到最短路径算法当中，实现融合天气监测和预报的出行线路规划。然后从系统的功能模块与业务流程、物理部署等方面展开描述，最后在智能移动终端(Android 平台)的基础上开发实现完整功能。该系统的应用，将可为驾车出行人员提供针对行车线路的天气预报预警，对影响行车安全的线路进行规避或提醒，从而有效地降低因极端天气造成的交通事故，挽回更多的生命和财产损失。

由于受当前气象观测资料精细化程度以及天气预报相关算法等客观条件限制，目前尚无法针对城市中每一条道路精细区分天气状态和相应的路线规划，如果只是市内短程出行，相邻的若干条道路往往受到相同天气的影响，本算法和系统只能对该区域进行天气预报预警。因此，融合天气状况的线路规划更适用于跨市或跨省的长途出行。

［1］李童，毛力，吴滨.基于改进PSO 优化SVR 的交通事故预测模型［J］.计算机与现代化，2014(5):28-32.

［2］刘利花，张金喜.高速公路不良天气交通事故分析［J］.道路交通与安全，2006，6(8):26-29.

［3］姚文静，李磊，刘丽娟.不利天气条件下的高速公路交通安全评估［J］.科技信息，2014(3):206-207.

［4］郑远，杜豫川，孙立军.美国联邦公路局路阻函数探讨［J］.交通与运输(学术版)，2007(1):24-26.

［5］程国柱.高速道路车速限制方法研究［D］.哈尔滨:哈尔滨工业大学，2007.

［6］李春芾.基于加速度计的汽车制动与转向性能监测方法研究［D］.长春:吉林大学，2007.

［7］吕天青.新建城市道路工程设计方案评价研究［D］.武汉:武汉科技大学，2013.

［8］袁成松，卞光辉，冯民学.高速公路上低能见度的监测与预报［J］.气象，2003，29(11):36-40.

［9］唐彩红.基于方向优先和对向搜索的改进Dijkstra 算法［J］.计算机与现代化，2014(7):113-116.

［10］方昕.一种求解高校路网问题的新型自平衡SDPSO 算法［J］.计算机与现代化，2012(6):17-19.

［11］李妍妍.Dijkstra 最短路径分析算法的优化实现［J］.测绘与空间地理信息，2014，37(5):172-173.

［12］Athena Coustenis，Mathieu Hirtzig.Cassini-Huygens results on Titan’s surface［J］.Research in Astronomy and Astrophysics，2009，9(3):249-268.

［13］郑永光，林隐静，朱文剑.强对流天气综合监测业务系统建设［J］.气象，2013，39(2):234-240.

［14］万齐林，薛纪善，陈子通，等.雷达TREC 风的三维变分同化应用与试验［J］.热带气象学报，2005，21(5):449-457.

［15］陈明轩，王迎春，俞小鼎.交叉相关外推算法的改进及其在对流临近预报中的应用［J］.应用气象学报，2007，18(5):690-700.

［16］Mecklenburg S，Bell V A，Carrington D S，et al.Applying cotrec-derived rainfall forecasts to the rainfall-runoff model PDM-estimating error sources［C］// Proceedings of the 30th International Conference on Radar Meteorology.2001:14-16.

［17］Heather Dawn Reeves，Daniel T Dawson.The dependence of QPF on the choice of microphysical parameterization for lake-effect snowstorms［J］.Journal of Applied Meteorology and Climatology，2013，52(2):363-377.

［18］Darl Kuhn.深入理解Oracle 12c 数据库管理［M］.北京:人民邮电出版社，2014.