[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

说明书

本发明公开了一种基于深度学习的路面长期性能预测模型的构建方法，该模型是将LSTM长短期记忆网络和BPNN反向传播神经网络通过注意方法进行融合的LSTM‑BPNN特征融合模型。本发明通过分析国内外学者基于深度学习在路用性能中的预测模型，根据路面长期性能数据库的数据特性，将数据特征划分为基本特征和时序特征，结合不同特征数据，构建的LSTM‑BPNN神经网络长期性能预测模型，使它们在预测路用性能方面，发挥自身网络优势，各司其职，关联耦合，充分捕捉不同类型气候变化与路用性能变化趋势的潜在关联性，从而更加准确的预测未来的路面路面长期性能。

技术领域

本发明属于公路养护行业技术领域，具体涉及了一种基于深度学习的路面长期性能预测模型及其构建方法。

背景技术

随着路网规模的几何级增长，每年投入路网养护资金高达4000亿人民币，路网的养护决策和资金分割多依靠经验判断，如何掌握准确路网服役状态并确定养护时机事关国民经济健康运行，极为迫切和必要。路面性能预测的准确与否不仅决定了养护维修决策的可靠性，还决定了养护经费投入的经济效益、道路使用者的舒适安全性等社会效益，因此对路面性能预测研究具有重要意义。

基于力学经验法建立的模型虽然能够很好地捕捉影响路面性能具有因果联系的指标，但其扩展性弱，数据收集困难，难以挖掘潜在的相关性特征。而随着技术的不断发展，机器学习已成为一种标准的预测分析工作。它被广泛运用于解决复杂场景下的预测分析难题。在路面性能预测方面，到目前为止，也已经提出了许多机器学习模型。其中最常用的模型，如线性回归模型，基于决策树的树模型等在解决相关问题上表现优异。随着近年来对深度学习技术的探究，反向传播神经网络(BPNN)模型的性能也变得越来越优异。与传统力学模型相比，基于机器学习的预测模型能够更好地捕捉各种特征之间的潜在关系，具有更好的预测性能。此外，机器学习模型通过增加更多的特征来提高预测性能，可以更好的扩展模型输入。

现有的机器学习模型大多建立在较小的路面性能数据集上，面对实际的大规模数据，它们很难实现精确预测。更重要的一点是，现有数据中的大量时序特征被简化为基本特征数据，忽略了时间序列的变化趋势。大多数现有的预测模型不包括完整的特征集(即，性能、交通、气象、路面结构及施工信息)。对于气候特征，它们只建模几个简单的统计数据(例如平均值、方差)，没有将时序特征和基本特征结合起来进行路面性能的预测，无法捕获气候变化的深层模式。综上，现有的机器学习模型难以建模复杂的时序特征和数据中蕴含的深层的潜在相关性。

发明内容

本发明的目的在于针对现有技术中存在的不足，提供了一种基于深度学习的路面长期性能预测模型及其构建方法。本发明为了获得高精度的路面服役性能预测模型，综合对比线性回归模型、树模型和深度神经网络学习模型在路面性能预测方面的优劣，通过对路面性能基本特征与时序特征的融合，首次提出一种基于BPNN+LSTM的新型深度机器学习模型，对多个路面性能指标包括平整度、车辙深度、构造深度、横向力系数、弯沉等实现了高精准的预测。

为了实现上述目的，本发明采用以下技术方案：

一种基于深度学习的路面长期性能预测模型，是将LSTM长短期记忆网络和BPNN反向传播神经网络通过注意方法进行融合的LSTM-BPNN特征融合模型。

所述的LSTM-BPNN特征融合模型主要由两部分组分，第一部分为BPNN反向传播神经网络，接受不同路面的基本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与截面特征，以相互耦合的方式工作，最终输出表示BPNN和LSTM的整体输出。