基于深度学习的路面状况监控与预测物联网设计.pdf

第47卷总第516期9 2023年8月第8期基于深度学习的路面状况监控与预测物联网设计由于路面结冰严重威胁行车安全，因而公路结冰预警技术成为保障安全行驶的关键性技术。基于大连地区五年历史数据集，利用神经网络特征提取与压缩的能力，提出了基于深度学习的短时间道路结冰预测系统，并且构建了相应的硬件平台。具体地说，首先，构建了LSTM、CNN、TEXTCNN、ConvLSTM、Transformer五种神经网络从时域、空域等多维度挖掘数据集的内在结构，并对下一时刻道路结冰状况进行预测。其次，将训练好的五种神经网络调试并下载到树莓派4b平台，实现了低成本的硬件系统。最后，实验结果表明，TEXTCNN模型的预测准确率可以达到97%，同时鲁棒性最高，有效地解决高速公路高危路段的路面凝冰预测的技术难题。深度学习；道路结冰；树莓派4b（大连海事大学信息科学技术学院，辽宁 大连 116026）【摘 要】吴楠，刘小凡，王旭东，王莹doi:10.3969/j.issn.1006-1010.20230512-0001 中图分类号：TN929.5文献标志码：A 文章编号：1006-1010(2023)08-0009-07引用格式：吴楠,刘小凡,王旭东,等.基于深度学习的路面状况监控与预测物联网设计J.移动通信,2023,47(8):9-15.WU Nan,LIU Xiaofan,WANG Xudong,et al.Road Condition Monitoring and Prediction IoT Design Leveraging Deep LearningJ.Mobile Communications,2023,47(8):9-15.Road Condition Monitoring and Prediction IoT Design Leveraging Deep LearningDue to the severe threat of icy roads to driving safety,road ice early warning technology for highways has become a critical technology for ensuring safe driving.Based on the five-year historical dataset in Dalian,a short-term road icing prediction system based on deep learning is proposed via utilizing the feature extraction and compression capabilities of neural networks,and a corresponding hardware platform is constructed.Specifically,this paper first builds five neural networks of LSTM,CNN,TEXTCNN,ConvLSTM,and Transformer to mine the intrinsic structure of the dataset from multiple dimensions such as time and space domains,and predicts the road icing situation at the next moment.Secondly,this paper fine-tunes and downloads the five trained neural networks to the Raspberry Pi 4b platform,realizing a low-cost hardware system.Finally,experimental results show that the prediction accuracy of the TEXTCNN model can reach 97%with the highest robustness,effectively solving the technical problem of road icing prediction in high-risk sections of highways.Deep Learning;icy roads;Raspberry Pi 4b(School of Information Science and Technology,Dalian Maritime University,Dalian 116026,China)WU Nan,LIU Xiaofan,WANG Xudong,WANG YingAbstract Keywords【关键词】OSID：扫描二维码与作者交流收稿日期：2023-05-12树3是最具代表性的传统方法。早在1964年，传统的机器学习SVM算法就已经被提出，经过不断地改进与扩展，被广泛地应用于各大领域，其中就包含解决道路结冰预测问题4。文献5利用SVM，结合气象数据得出沥青路面结冰标准并进行评估预测。文献6为了提高预测的准确率，提出一种改进的遗传微粒群算法与SVM相结合的方法，该系统在一定程度上改进了参数选择误差对预测结果的影响。文献7为了更加合理地选择预测模型的参数，将SVM分别利用粒子群算法、交叉验证算法与遗传算法互相结合，并比较每种模型的性能，与遗传算法相结合的模型在预测结果的准确率上脱颖而出，更具有鲁棒性。0 引言随着城市化的不断推进，交通安全在日常生活中扮演着越来越重要的角色。尤其在冬季，随着温度的降低，道路结冰的可能性随之增加。为了降低其引发交通事故的概率，保证人们的安全，采取措施对道路结冰进行预警具有重要意义。由于道路结冰已成为交通事故发生的主要原因，因此有效的道路结冰预测方法吸引了学术界的持续研究1。支持向量机（SVM，Support Vector Machine）2、决策第47卷总第516期102023年8月第8期“面向6G的物联网技术”专题虽然SVM能够处理高维度数据与非线性数据，并且当只有少量样本时，具有很好分泛化能力，但是一旦数据量非常大，利用SVM进行预测则需耗费大量的时间与内存空间，效率极低，文献8采用C4.5决策算法克服了数据复杂、计算量大等困难，先对气象数据进行分类，再用训练好的数据对沈阳周边地区进行道路结冰预测。结果表明，该模型具有高效性，同时准确率达到了93.3%。然而，这些传统的方法往往都需要人工提取特征与设置参数，若是其中一个环节出现偏差，预测结果将会受到较大的影响，泛化能力也较弱。近年来，深度神经网络（NN,Neural Network）领域取得了巨大突破，因此受到各界学者们的广泛关注与应用9-13。深度学习由于其具有很强的适应性、灵活性与鲁棒性，已在图像识别、语音处理等各个领域取得了重要的研究成果14-15。并且，随着深度学习的发展，NN在对大规模、高维度数据的并行处理方面有巨大的优势，并具有特征提取16与数据压缩17两种能力。原始数据往往是高维的，包含着大量的冗余数据，NN通过层层的非线性变换将原本的高维数据自发的生成为低维的、具有高区分度的特征向量，起到特征提取的作用，从而使得原始数据拥有了更有意义的表示形式。同时，随着维度的降低，数据以及其蕴含的知识不断被压缩到NN的权重里面。进而，学者们开始尝试使用NN去预测道路状况，并试图利用NN设计出更为高效、准确的道路状态预测系统。文献18提出利用反向传播神经网络（BPNN,Back Propagation Neural Network）模型，让其自主学习数据特征并自动调整模型参数，最后运用训练好的模型对结冰量进行预测。实验结果表明，利用NN预测不仅是可行的，相对误差也能控制在2%以内。文献19在此基础上，同样用BPNN对道路结冰时间进行了预测。深层NN拥有更强的特征提取能力，应用于预测问题具有一定优势。文献20提出采用门控循环单元的深层循环神经网络（RNN,Recurrent Neural Network）对路面状况进行预测，其准确率可高达97%。文献21提出了一种新的基于注意力的图卷积网络与门控单元相结合的混合模型，该模型能够有效地捕捉时间特征与空间特征，实现了对交通状况的精准预测。但是，到目前为止，很少有学者利用更深层的NN投入该方面的研究，而深层的NN在数据的特征提取方面更有优势，会在一定程度上提高预测结果的准确率，因此，通过深度学习预测道路结冰状况具有广阔的发展前景。针对上述问题，本文设计了基于深度学习的短时间道路结冰预测系统，并构建了5种不同的神经网络模型，通过挖掘大连气象站提供的气温、湿度、气压等数据信息去预测道路的结冰状况，还能够实现输出显示功能。更具体地说，本文的创新点如下：（1）针对道路状态预测问题，本文构建了5种不同特点的神经网络模型，并通过对预测准确率和损失值等指标的综合评估，筛选出准确率最高的NN网络。（2）该系统的设计依托于大连历时五年的真实数据集，为系统提供了坚实的数据基础。（3）该系统可运行在低成本边缘IoT设备（树莓派4b）上运行并呈现道路结冰的预测结果。1 数据集本文使用的数据集由大连气象台提供，采集自大连市内东经41.78度，北纬123.30度附近的气象站，共包含附近三个站点20172021年气象观测数据信息，共107 756条，数据来源地如图1所示。在模型训练前，本文对数据进行了筛选和清洗。例如，在部分时间点上某些特征的数据存在缺失未能按时采取数据，那么就剔除这部分数据。同时，用0和1分别表示未结冰与结冰，对道路状态进行标记。最终，本文清洗出94 601条数据。这部分清洗过的数据将用于模型的训练。每条数据共含18种特征如图2所示，这18种特征的含义如表1所示。例如，图2和表1中“ice”表示当前路面是否结冰。图1 数据来源地从图2中可以清晰地看到每个特征的数值分布情况。由于不同特征的数值分布量级差距较大，在训练的过程中可能会导致NN过度“关注”某一特征而“忽视”部分特征。这可能在预测时对结果的准确率造成影响，因此数据归一化是十分必要的。本文使用MinMaxScaler函数对所有数据进行归一化，计算公式为：(1)(2)第47卷总第516期11 2023年8月第8期最小值元素的差值占最大值与最小值差值的比例，即将数据集标准化。式(2)再将标准化的数据进行归一化，则归一化后的特征分布如图3所示。为了后期模型训练，需要选定训练集与测试集。本实验选用365247的数据量作为训练集，相当于整个数据集数据总量的65%，剩下的作为测试集。其中，Xstd为标准化结果，X为要被归一化的数据矩阵，X().min0Xaxis=为矩阵每列中最小值组成的行向量，X().max0Xaxis=为矩阵每列中最大值组成的行向量，Xscaled为归一化结果，max为映射区间的最大值，min为映射区间的最小值。本文将所有的数据映射到0,1区间，因此max为1、min为0。式(1)求矩阵每一列中元素与该列图2 本文使用部分数据的18种特征图3 采用式(2)进行归一化后处理图2的数据吴楠,刘小凡,王旭东,等:基于深度学习的路面状况监控与预测物联网设计第47卷总第516期122023年8月第8期“面向6G的物联网技术”专题具体特征含义如表1所示：表1 数据集特征含义特征含义Ice道路结冰状况ROAD当前道路状况（干燥、潮湿、积水、雪和冰）TEMP_x气温TMAX_x含采样时间点前一小时内出现的最高气温TMAXTIME_x最高气温出现时间TMIN_x含采样时间点前一小时内出现的最低气温TMINTIME_x最低气温出现时间WD2_x2分钟风向WS2_x2分钟平均风速WD10_x10分钟风向WS10_x10分钟平均风速WDMAX_x最大风风向WSMAX_x最大风速WMAXTM_x最大风速出现时间WDINST_x瞬时风向WSINST_x瞬时风速WDEXT_x极大风速的风向WSEXT_x极大风速2 系统模型相较于传统的预测方法，深度学习通过增加NN的层数，能够更全面地提取数据特征并将其降维压缩，从而获得较高的预测准确率。同时，深度学习模型通过不断的训练，自动调节参数，减少了人工调整的需求。本系统设计使用5种不同的NN预测道路结冰状况，并运行在Raspberry Pi平台上得到预测结果输出。考虑到预测的实时性，训练好的系统模型会直接根据上一小时的数据信息预测下一小时的道路结冰状况，使其实用性更强。整个系统模型如图4所示，需要注意的是这不意味着5种模型同时使用，而是每次只激活一个模型去预测道路结冰情况。本文设计的系统基于TensorFlow后端的Keras框架实现。下文将分别介绍5种NN模型以及在Raspberry Pi上的应用模型。2.1 NN模型循环神经网络（RNN,Recurrent Neural Network）因为拥有“记忆”能力，因此适合处理具有序列特性的数据。但随着时间序列的增加，历史数据信息逐渐被遗忘，导致简单的RNN难以捕捉到较远时刻之间的内在依赖关系。而如图4所示的LSTM可以解决历史信息遗忘的问题。LSTM具有“门”结构，拥有选择能力，可以存储或者遗忘信息，并且每一时间步的输入信息都会包含上一时间步被存下来的信息，有效地控制信息流动。由于本文研究的内容属于时间序列预测问题，因此第一种NN模型应用LSTM。首先，将训练集与测试集数据转换为三维，每一维度分别代表样本数、时间步和特征。再将转换好的训练集发送到包含50个记忆单元的LSTM层，经过不断地进行特征提取和数据压缩的学习，把训练好的数据输入到包含1个神经元的全连接层，激活函数为sigmoid，则输出的结果就是下一时刻道路结冰的概率。第二种NN，本文选择的是CNN结构。CNN的核心层InputOutputDense layersLSTMConv1DConv1DMaxPooling1DFlattenDense layersConv1DMaxPooling1DCNNLSTMConv1DMaxPooling1DConv1DConv1DMaxPooling1DMaxPooling1DFlattenDense layersConcatenateTEXTCNNConvLSTM2DFlattenConvLSTMEmbeddingEncoderGlobalMaxPooling2DDense layersTransformer图4 CNN、LSTM、TEXTCN、ConvLSTM and Transformer系统模型第47卷总第516期13 2023年8月第8期是卷积层，卷积核不断地与数据进行卷积操作，提取空间特征。因此，它被广泛地应用于图像处理问题当中。考虑到CNN能够自发地学习时间序列数据的特征，并且通过卷积操作，可以捕捉到时间序列数据的局部特征，如若堆叠更多的卷积层，那么将会学习到更高级的时间序列数据特征，这会对预测问题非常有利。如图4所示，首先经过一层由16个尺寸为2卷积核构成的Conv1D层实现对输入数据的特征提取，激活函数为Relu，然后经过MaxPooling1D保留主要特征，减少参数，防止过拟合，接着再经过同样的两组Conv1D的堆叠与MaxPooling1D的数据压缩，将其输出的数据进行Flatten展开，从而实现从卷积层到全连接层的过度，最后通过全连接层输出预测结果。相较于CNN，如图4所示的TEXTCNN在原有的CNN模型基础上进行了改进。整体的结构还是由卷积层与池化层构成，但是卷积核不同于CNN的矩阵形式，而是相量形式，因此更易于处理一维文本信息。此外，在卷积层中引入多个不同尺寸的卷积核同时提取文本数据特征，从而提高模型性能。因此，本文选用TEXTCNN作为第三种模型。首先，将输入数据分别输入到三个拥有16个卷积核的Conv1D层中，它们的卷积核尺寸分别设置为1、2和3，于是模型就能够提取到更广泛的数据特征，选用Relu作为激活函数，接着，将卷积层输出数据分别输入到MaxPooling1D层，把它们的输出通过concatenate函数进行拼接，最后通过全连接阶层输出预测结果。第四种模型是ConvLSTM。其将CNN与LSTM相结合，可以同时对时间特征与空间特征进行提取，因此更利于处理二维或是三维时间序列数据问题，例如视频、气象数据等。由于CNN与LSTM在处理时间序列问题上都有各自的优势，因而本文采用ConvLSTM模型。首先需要将输入数据维度转换为四维，分别代表时间步、行数、列数以及特征，接着将其输入到包含64个卷积核的ConvLSTM2D层中，激活函数为Relu，最后经过Flatten层与全连接层进行预测结果的输出。第五种模型是Transformer。它利用注意力机制能够捕获文本序列中的长期依赖关系，在自然语言处理（NLP,Natural Language Processing）领域取得重大突破，也正是由于这一特点，发现它适用于时间序列预测问题，因此本文选用Transformer对道路结冰状况进行预测。首先需要对输入数据进行Embedding操作，可以将时间序列的每个时间步的特征看做一个词向量，那么整个时间序列就相当于一个句子，由于输入的并不是文本而是数据。因此，将数据离散化再进行Embedding操作。传统的Transformer模型中包含Encoder-Decoder结构，Encoder负责输入序列编码成一个固定维度的相量，Decoder负责将其输出为另一种目标序列，本文目标只是预测未来单个时间步的道路结冰状况，不需要生成目标序列，故只采用Encoder结构直接进行预测结果输出。由于道路结冰状况预测问题是一个二分类问题，因此这5种NN的损失函数都选用交叉熵函数。Adam优化算法可以根据梯度的大小自适应的调整学习率，从而平衡网络学习的精度与速度，此外该算法通过正则化可以有效避免过拟合现象的产生，进而提升模型的可靠性。2.2 Raspberry Pi硬件平台本文的NN可以运行在低成本的IoT设备，易于在现实世界中方便的、低成本的大量部署，给驾驶员提供辅助信息，提高路面安全。使用Raspberry Pi 4b硬件平台，其配有32 GB内存的TF卡，烧录官方提供的64 bit的Raspbian操作系统，主板线路连接如图5所示。其中，为了给Raspberry Pi供电，Type-C接口连接电源，再将40P软排线和T形转接板与面包板相连。连接好后，即可在面包板上通过跳线接入所需外设，此处接入0.96寸OLED SSD1306低功耗液晶显示屏去显示道路状况预测结果，I2C总线接口接入T型转接板对应的孔位置。本文分别将图4所示的五种神经网络模型下载到Raspberry Pi平台，其运行预测结果可以通过显示模块输出。图5 树莓派主板及其连接的显示模块3 性能分析本节通过仿真实验证明本文提出的基于深度学习的短时道路状况预测系统具有可靠性与鲁棒性。在此基础上对比了5种NN模型在不同训练轮数下的准确率以及损失值，并对输出显示加以解释说明。为了更加有效地进行性能比较，以下实验中，固定训练轮数，即epochs为70，初始学习率为810-5，批量大小为128。如图6所示，注意到随着训练轮数的增加，所有网络吴楠,刘小凡,王旭东,等:基于深度学习的路面状况监控与预测物联网设计第47卷总第516期142023年8月第8期“面向6G的物联网技术”专题模型的损失值总体都呈现逐渐下降趋势，最终趋于平稳，达到0.15左右。这意味着5种模型都可以学习到数据特征并进行预测。然而在Transformer模型下，当epochs达到30时，损失值却逐渐上升，出现过拟合现象。因此在损失上，Transformer表现出的性能不及其他4种网络。图6 5种神经网络模型训练过程的损失图7所示比较了5种模型的预测准确率。LSTM、CNN、TEXTCNN与ConvLSTM的准确率经过训练最高可达97%，而基于Transformer模型的预测准确率最高却达不到97%，并且当准确率第一次达到峰值后，会随着epochs的增加而降低。同时，根据表2可得，运用Transformer模型预测的均方根误差相较于其他4种模型较大，这意味着在给定的数据集上，该模型的预测性能相对较差。其原因在于Transformer模型对于该实验过于复杂，若适当增加数据集或降低多头注意力机制的头数会得到一定的改善。其次，从整体上看，TEXTCNN模型的准确率从刚开始训练就逐渐上升，并且相较于其他几个模型最先达到峰值，模型结构简单，参数数量较少，训练速度快。CNN也较快达到峰值，然而在前几轮的训练进程中预测准确率几乎不变，在训练轮数为5左右时瞬间增加。LSTM与ConvLSTM虽然经过训练后准确率也很高，但是达到峰值速度缓慢，需要较多的训练轮次，甚至训练轮次达到20轮时，LSTM准确率才刚刚达到峰值，相比于TEXTCNN，耗时多，训练进程较慢。表2 样本值与预测值的均方根误差模型均方根误差（RMSE）LSTM0.160 7CNN0.160 6TEXTCNN0.161 5ConvLSTM0.160 9Transformer0.215 0图7 模型预测准确率5种网络模型的样本值与预测值的皮尔逊相关系数如表3所示。其中皮尔逊相关系数用来衡量二者之间的线性相关性，取值范围为-1,1，接近-1则表示负相关，反之，接近1则表示正相关，若是为0，则表示不相关。此外，p-value用来衡量相关系数的显著性，一般认为其小于某个显著水平时，相关系数是显著的。如表3所示的皮尔逊相关系数，其值都在0.9左右，接近于1，说明样本值与预测值之间存在较强的正相关性。而且，所有p-value值都为0，这意味着观察到的相关系数几乎不可能是因为随机因素而产生的，进一步说明相关系数的计算结果是由于真实线性关系产生，而不是随机产生的。表3 样本值与预测值的皮尔逊相关系数模型皮尔逊相关系数p-valueLSTM0.896 20CNN0.897 20TEXTCNN0.899 00ConvLSTM0.895 20Transformer0.907 10显示模块结果如图8所示，共展示两种可能出现的预测结果。由于TEXTCNN性能较好，泛化能力更强，因此将其训练模型导入Raspberry Pi中，在操作界面输入当前时刻道路状况信息数据，即可预测出下一小时道路是否结冰。第一行为现在道路结冰状况，第二行为预测结果以及道路结冰概率，其中ice表示道路结冰，normal表示道路状况正常。显示模块能够更加清晰直观地展示出预测结果，使整个系统具有可靠性。图8 输出显示模块第47卷总第516期15 2023年8月第8期吴楠：博士，现任大连海事大学副教授、硕士生导师，主要研究方向为现代移动无线通信系统、基于深度学习的无线通信系统、可见光通信系统（MIMO、OFDM、信道编码、协作通信、自组织网络）等。刘小凡：大连海事大学在读硕士研究生，主要研究方向为深度学习。王旭东：博士，现任大连海事大学教授、硕士生导师，主要研究方向为MIMO、无线通信、空间调制、可见光无线通信及定位技术。作者简介4 结束语针 对 道 路 结 冰 预 测 问 题，本 文 提 出 结 合 深 度 学习的短时道路状况预测系统，并采用LSTM、CNN、TEXTCNN、ConvLSTM以及Transformer模型对道路是否结冰进行预测。其次，本文将5种模型实现在树莓派的硬件平台上，并通过显示模块加以输出。仿真和实际结果证明TEXTCNN模型在此问题中预测性能最优。相比于传统的预测方法，深度神经网络自发的进行特征提取与数据压缩，节省人工资源，而且预测准确率最高可达到97%，系统具有鲁棒性，泛化能力强，因此具有很高的应用价值。参考文献：1 刘鑫,滕书华,龙帆,等.基于多元逻辑回归的道路结冰预警模型研究 J.湖南交通科技,2022,48(4):101-107.2 张彦宇,廖志平,肖茜.浅析支持向量机的原理 J.山东工业技术,2016(15):281-282.3 汪靖翔.决策树算法的原理研究和实际应用 J.电脑编程技巧与维护,2022(8):54-56+72.4 Jun Q,He Z S.A SVM face recognition method based on Gabor-featured key pointsC/2005 International Conference on Machine Learning and Cybernetics.2005,8:5144-5149.5 邱欣,陶珏强,陶立方,等.沥青路面结冰条件判别标准及SVM 预测分析 J.公路交通科技,2018,35(7):1-8,34.6 雷建军,韦惠红,李剑.一种遗传微粒群算法-支持向量机集成道路结冰预测系统 J.华中师范大学学报(自然科学版),2010,44(3):392-396.7 杨鹏飞,孙先波.基于支持向量机算法的道路结冰预测模型研究 J.湖北民族大学学报(自然科学版),2020,38(3):355-360.8 陈凯,徐国庆,熊焘,等.基于 C4.5 决策树算法的道路结冰预报模型构建与应用 J.交通运输研究,2018,4(1):57-62.9 Prakash S,Jalal A S,Pathak P.Forecasting COVID-19 Pandemic using Prophet,LSTM,hybrid GRU-LSTM,CNN-LSTM,Bi-LSTM and Stacked-LSTM for IndiaC/2023 6th International Conference on Information Systems and Computer Networks(ISCON).2023:1-6.10 Guo H,Liu J,Yang J,et al.Deep Collaborative Attention Network for Hyperspectral Image Classification by Combining 2-D CNN and 3-D CNNJ.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2020,13:4789-4802.11 Li B,Tang B,Deng L,et al.Self-Attention ConvLSTM and Its Application in RUL Prediction of Rolling BearingsJ.IEEE Transactions on Instrumentation and Measurement,2021,70:1-11.12 Gao H X,Kuenzel S,Zhang X Y.A Hybrid ConvLSTM-Based Anomaly Detection Approach for Combating Energy TheftJ.IEEE Transactions on Instrumentation and Measurement,2022,71:1-10.13 Vaswani A,Shazeer N,Parmar N,et al.Attention is All you NeedC/Neural Information Processing Systems(NIPS).2017:6000-6010.14 Zeng P.Artificial Neural Networks Principle for Finite Element MethodJ.Zeitschrift fur Angewandte Mathematik und Mechanik,1996,76(S5):565-566.15 张驰,郭媛,黎明.人工神经网络模型发展及应用综述 J.计算机工程与应用,2021,57(11):57-69.16 Gao S H,Cheng M M,Zhao K,et al.Res2Net:A New Multi-Scale Backbone ArchitectureJ.IEEE Transactions on Pattern Analysis and Machine Intelligence,2019(43):652-662.17 Tschannen M,Agustsson E,Lucic M.Deep Generative Models for Distribution-Preserving Lossy CompressionC/Neural Information Processing Systems(NIPS),2018:5933-5944.18 熊竹,秦杰君.基于模拟实验的路面结冰预测研究 J.公路工程,2014,39(1):216-220.19 朱强,徐强,付立.基于 BP 神经网络算法的路面结冰时间预测 J.交通运输研究,2022,8(4):126-136.20 张志斌.基于深层循环神经网络的高速公路沥青路面健康状况预测模型 J.公路交通技术,2022,38(4):62-68.21 Tao L,Gu Y,Lu W,et al.An Attention-based Approach for Traffic Conditions Forecasting Considering Spatial-Temporal FeaturesC/2020 IEEE 5th International Conference on Intelligent Transportation Engineering(ICITE).IEEE,2020:117-122.吴楠,刘小凡,王旭东,等:基于深度学习的路面状况监控与预测物联网设计