摘要：为探讨沥青路面路表温度与气象因素之间的相关关系,实现路表温度变化趋势的准确预测,在使用Python平台清洗数据集中缺失和错误数据的基础上,利用关联规则挖掘算法(Apriori)分析了气象因素与路表温度之间的关联性。在识别出影响路表温度关键气象因素后,分别采用梯度提升树(Gradient Boosting Decision Tree,GBDT)、随机森林(Random Forest,RF)以及线性回归(Linear Regression,LR)等3种分析技术构建了以关键气象因素为输入量,路表温度为输出量的冬季沥青路面路表温度预测模型。结果表明:Apriori算法在关联规则分析上表现优异,且在最小支持度为0.003,最小置信度为0.8的条件下,识别出影响沥青路面路表温度变化的关键气象因素是气温、气压、露点温度和相对湿度;梯度提升树模型的温度预测效果优于随机森林和线性回归,均方误差小并一直稳定于1.5,与随机森林相比鲁棒性相对较高,拥有良好的泛化能力,在预测领域中具有良好的适用性。研究成果为机器学习相关算法在关联规则分析领域以及预测问题应用中提供了理论与实践依据。

关键词：道路工程 温度预测 机器学习 沥青路面 气象因素 

单位：浙江师范大学道路与交通工程研究中心; 浙江金华321004