[发明专利]基于深度学习的路面长期性能预测模型的构建方法

权利要求书

1.一种基于深度学习的路面长期性能预测模型的构建方法，其特征在于包括以下步骤：

步骤一，数据的准备；使用SQL路面长期性能数据库作为数据源来为模型设计创建高质量的数据集，并选取国际平整度指数IRI作为建模数据；

步骤二，模型构建及训练；应用BPNN反向传播神经网络和LSTM长短期记忆网络构建用于路面长期性能预测的LSTM-BPNN特征融合深度学习模型；应用提前停止策略和具有指数衰减学习率的Adam优化器训练模型，并且使用来自SQL路面长期性能数据库的真实数据集验证新预测模型；

步骤三，训练完成后，即得基于深度学习的路面长期性能预测模型。

2.根据权利要求1所述的基于深度学习的路面长期性能预测模型的构建方法，其特征在于步骤一具体包括：

101.进行数据获取，结合数据库考虑适用于不同场景下的路面性能指标的预测，从SQL路面长期性能数据库中导出IRI建模所需的数据，分为路面结构与施工数据、环境气候数据、交通荷载数据和路面性能数据四大类；具体为：

将天气数据按月进行抽取，保留每月的原始数据进行特征学习，此外还引入路面结构特征、地理位置特征、气候分区特征、公路改善特征、交通量特征，使得数据集的特征更加丰富，充分考虑了各种因素对公路性能指标的影响；

102.对所获取的数据进行数据数值化处理、数据质量检查及数据清洗，再进行特征值选取；具体为：

首先提取路面长期使用性能评价指标IRI，路面结构和施工以及交通信息以获得有用的截面特征，再提取年度温度和降水相关特征作为时间序列特征；

103.在经过数据清洗及特征值选取工作之后，根据截面特征使用BP神经网络和时间序列特征使用LSTM神经网络的原则，构建供建模使用的数据宽表。

3.根据权利要求2所述的基于深度学习的路面长期性能预测模型的构建方法，其特征在于步骤二具体包括：

201.模型构建，研究LSTM长短期记忆网络和BPNN反向传播神经网络各自优缺点后，利用各自的优势首创用于路面使用性能预测的LSTM-BPNN特征融合深度学习模型；它主要由两部分组成：第一部分为BPNN反向传播神经网络，接受不同路面的截面特征作为输入并学习相应的隐含影响因素；第二部分为LSTM长短期记忆网络，用于学习不同长度的气候时间序列特征；然后通过应用注意机制隐式融合时间序列特征与截面特征；模型的两部分以相互耦合的方式工作，其最终输出表示BPNN和LSTM的整体输出；

202.在模型训练期间，应用提前停止策略和具有指数衰减学习率的Adam优化器，衰减倍率的参数设置为10，超参数使用网格搜索来查找最佳设置；使用来自SQL路面长期性能数据库的真实数据集验证新预测模型，并选择三种传统回归模型和纯BPNN模型、LSTM-BPNN融合模型在基本特征和时序特征实验进行比较；所述三种传统回归模型为线性回归、梯度提升决策树、极限梯度增强回归；

在验证实验中，采用的评估指标是均方误差RMSE和确定系数R²，它们是回归分析常用的指标，指标的公式如下所示：

其中y和分别代表真实值和预测值。

4.根据权利要求1-3任一所述的基于深度学习的路面长期性能预测模型的构建方法，其特征在于：还包括预测模型对验证集预测分析并对预测结果进行评价，具体为：

401.利用国际平整度指数IRI，计算路面行驶质量指数RQI并将美国阿肯色州的2938条IRI记录进行数据清洗工作，采用10折交叉验证方法将清洗完成的全部样本数据进行划分，从而得到630条记录训练集和70条记录验证集来制作数据宽表输入LSTM-BPNN特征融合模型进行预测；

402.将训练完成的预测模型对70条IRI记录验证集进行预测分析，并对验证集上70条IRI数据的预测值和观测值进行误差分析，结果显示误差绝对值在1m/km左右浮动，个别出现预测异常值，由此可见该预测模型在路面平整度预测性能上表现优异；

403.评价方法依据《公路技术状况评定标准》JTG 5210-2018，利用国际平整度指数IRI，计算路面行驶质量指数RQI；计算公式如下：

式中：IRI为国际平整度指数，单位为m/km；a₀为标定系数，采用0.026；a₁为标定系数，采用0.65；

根据上表的路面行驶质量分级标准对路面平整度状况进行评价。