CN113255963A - 基于路元拆分和深度学习模型lstm的路面使用性能预测方法 - Google Patents
基于路元拆分和深度学习模型lstm的路面使用性能预测方法 Download PDFInfo
- Publication number
- CN113255963A CN113255963A CN202110424747.XA CN202110424747A CN113255963A CN 113255963 A CN113255963 A CN 113255963A CN 202110424747 A CN202110424747 A CN 202110424747A CN 113255963 A CN113255963 A CN 113255963A
- Authority
- CN
- China
- Prior art keywords
- road
- model
- road surface
- data
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013136 deep learning model Methods 0.000 title claims abstract description 21
- 238000012795 verification Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 238000013461 design Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 47
- 238000012360 testing method Methods 0.000 claims description 22
- 238000012423 maintenance Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000002265 prevention Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000010200 validation analysis Methods 0.000 description 12
- 210000002569 neuron Anatomy 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于路元拆分和深度学习模型的路面使用性能预测的方法，在采集到多年路面使用性能检测数据及路面使用性能影响因素数据的基础上，根据收集到的这些数据将整体路网划分成一个一个的道路单元。在应用LSTM模型进行预测前需要确定神经网络的输入输出变量，将路面使用性能的影响因素作为模型的输入；对原始数据进行预处理，对连续变量进行归一化，确保所有连续变量具有相似的值域，进而提高模型的收敛速度和预测精度；进行LSTM网络结构设计，以验证集损失值最小的模型作为最优模型；使用基于python的深度学习库keras来建立LSTM模型，并完成对路面使用性能的预测。本发明解决了传统的路面使用性能模型预测结果误差大、精度不高的问题，极具现实意义。
Description
技术领域
本发明属于高速公路沥青路面使用性能预测技术领域，涉及一种路元拆分后基于深度学习模型LSTM的路面使用性预测方法。
背景技术
传统的路面使用性能回归预测模型因为简单，易应用于路面管理系统而被广泛采用。但是传统的回归模型存在一些缺点，比如回归模型一般只能考虑到较少的主要影响因素，难以较全面的将众多的影响因素纳入到模型之中。此外，回归方程形式的确定需要大量经验，且不可避免地与实际情况存在一定偏差。近年来以神经网络模型为代表的机器学习算法引起了研究者的重视。神经网络模型受生物神经网络功能启发设计而成，通过学习规则或自组织等过程建立复杂的非线性变换关系将模型的输入和转化为输出实现预测。神经网络模型通过“学习”和“训练”历史数据，可记忆对象在空间、时间上复杂的关系，极大地提高路面性能的预测精度，因此成为近年来路面性能预测领域的研究热点。深度学习引起了广泛的关注，并成功地应用于语言处理、图像分析等诸多领域。但是深度学习模型还未应用于路面使用性能的预测。与传统的浅层神经网络相比，深度学习模型在神经元之间具有更复杂的连接，并且可以更有效地理解复杂问题。卷积神经网络(CNN)和循环神经网络(RNN)是两种最典型的深度学习模型。卷积神经网络一般多用于图像处理，而RNN模型则能进行基于序列数据的学习。长短期记忆网络(Long Short-Term Memory,LSTM)模型是RNN模型的一种特殊形式。路面性能随着时间的推移而衰减，是一种时间序列数据。因此，专门针对处理序列数据设计的LSTM模型非常适用于预测路面使用性能。
发明内容
针对传统的线性回归及非线性回归形式路面使用性能预测模型的缺点，如影响因素考虑较少，无法全面的将影响因素纳入考虑范围；方程形式的确定需要大量经验，不可避免的与实际情况存在偏差；模型的预测精度低，预测效果较差。为解决路面使用性能预测模型存在的缺点和问题，提出了一种基于路元拆分和深度学习模型LSTM的路面使用性能预测模型，提高路面使用性能预测的准确性。
本发明为解决上述存在的问题采用以下技术方案：
本发明提供一种基于路元拆分和深度学习模型LSTM的路面使用性能预测方法，包括以下步骤：
步骤1，采集多年路面使用性能检测数据及路面使用性能影响因素数据的基础上，根据收集到的这些数据将整体路网划分成一个一个的道路单元(简称路元)。步骤2，确定神经网络的输入输出变量，将路面使用性能的影响因素作为模型的输入，尽可能包含更多的影响因素变量。
步骤3，需要对原始数据进行预处理，对连续变量进行归一化，确保所有连续变量具有相似的值域，进而提高模型的收敛速度和预测精度。
步骤4，进行LSTM网络结构设计，网络结构时，需要确定LSTM单元的σ层和tanh层的隐藏元(hidden units)数。本发明对不同隐藏元数的结构进行了试验，选出了最佳结构。以验证集损失值最小的模型作为最优模型。
步骤5，使用基于python的深度学习库keras来建立LSTM模型。
作为本发明的进一步技术方案，步骤1具体为：采集多年路面使用性能检测数据及路面使用性能影响因素数据的基础上，根据收集到的这些数据将整体路网划分成一个一个的道路单元(简称路元)。采用动态的路元划分方式，如图1所示，路元的划分原则是将具有相同属性(相同路线、交通荷载、路面结构、使用性能、养护历史等)的道路段落划分为一个路元。路元具体划分流程为：首先基于路面使用性能影响因素数据中的交通量数据对整体路网进行第一次划分，然后按路面使用性能检测数据进行第二次划分，再以路面使用性能影响因素数据中的桥梁、隧道的桩号进行第三次划分，最后根据历史养护信息进行第四次划分，划分后得到的路元即可与收集到的各类信息一一对应。
作为本发明的进一步技术方案，步骤2具体为：确定神经网络的输入输出变量，将路面使用性能的影响因素作为模型的输入，尽可能包含更多的影响因素变量。具体方法为：基于当年即前两年的性能指标PI值PI(t)、PI(t-1)、PI(t-2)以及影响路面性能劣化过程的其他变量来预测下一年的PI值PI(t+1)。
作为本发明的进一步技术方案步骤3具体为：对原始数据进行预处理，对连续变量进行归一化，确保所有连续变量具有相似的值域，进而提高模型的收敛速度和预测精度，具体为：在模型训练前还需要对原始数据进行预处理。对连续变量进行归一化，使所有连续变量具有相似的值域。归一化数据可以提高模型的收敛速度和预测精度。使用Min-max归一化方法，
为标准化后的数据，x为原始数据，xmax为连续变量的最大值，xmin为连续变量最小值。然后，将所有分类变量都转换为多个布尔变量。例如，变量“路面结构”应转换为3个布尔变量：路面、桥面和隧道。每个布尔变量的取值都应设置为1(表示真)或0(表示假)。因此，所有分类变量都有k个维度，其中k是分类变量拥有的类别数。在模型预测完成之后，需要将模型的输出值进行比例反转，因为模型的输入经过了归一化。反转之后的预测值就可以与实际值直接进行比较了。
作为本发明的进一步技术方案步骤4具体为：进行LSTM网络结构设计，网络结构时，需要确定LSTM单元的σ层和tanh层的隐藏元(hidden units)数。本发明对不同隐藏元数的结构进行了试验，选出了最佳结构。以验证集损失值最小的模型作为最优模型。具体为：LSTM网络的结构通过试验法进行设计。在设计LSTM网络结构时，需要确定LSTM单元的σ层和tanh层的隐藏元(hidden units)数。本发明对不同隐藏元数的结构进行了试验，选出了最佳结构。以验证集损失值最小的模型作为最优模型。隐藏元数不宜太大，因为隐藏元太多意味模型参数过多，可能会导致模型过度拟合的风险，降低模型的效率。
作为本发明的进一步技术方案步骤5具体为：使用基于python的深度学习库keras来建立LSTM模型，具体方法步骤为：
分割数据集
整个数据集被随机分成一个训练集(60％)、一个验证集(20％)和一个测试集(20％)。训练集用来训练模型，验证集用来优化模型参数，选择最佳模型，测试集用来对模型进行测试。
初始化参数
LSTM模型的权重和偏置的初始化均采用随机初始化的方式，其中状态值h的初始值设置为0。
初始化参数
过拟合指的是训练得到的模型太复杂，过度学习了训练数据中存在的干扰噪声，而忽略掉数据本身的特性。具体表现为模型在训练集上表现很好，但是在验证集和测试集上的预测结果则较差。正则化和dropout是两种最常用的防止模型过拟合的方法。dropout可以在训练时随机忽略一部分神经元的工作，使其在本次训练过程中不更新权值，以此来增强网络的健壮性。正则化的思想则是在损失函数中加入关于模型复杂程度的指标，而神经网络模型复杂度由权重决定。经过正则化，可以限制权重的大小，防止模型学习到训练数据中的干扰噪声。本发明采用dropout的方法防止模型的过拟合。
参数优化
传统的训练方法是在遍历所有数据后对参数进行优化。该方法计算量大，训练速度慢。另一种方法是更新每个数据的参数，这种方法收敛性差。Mini-batch是这两种方法的折衷方案，它将数据分为多个批次(batch)，并按批次更新参数。本发明采用Mini-batch方法作为训练方法。在本发明中，batch值按经验设置为32。本发明采用Adam(AdaptiveMoment Estimation)算法对参数进行优化，使用keras的modelcheckpoint存储具有最小验证集损失值的最优模型的参数，以便对测试集进行预测。模型的损失值用均方误差表示。
附图说明
图1为路元划分原则示意；
图2为本发明基于路元拆分和深度学习模型LSTM的路面使用性能预测的输入输出结构；
图3为本发明基于深度学习模型LSTM的PCI模型训练结果，其中(a)为训练集和验证集损失值，(b)为真实值与预测值的相关性，(c)为绝对残差与真实值，(d)为残差与真实值；
图4为本发明基于深度学习模型LSTM的RQI模型训练结果，其中(a)为训练集和验证集损失值，(b)为真实值与预测值的相关性，(c)为绝对残差与真实值，(d)为残差与真实值。
具体实施方式
下面结合附图以及具体实施例对本发明的技术方案做进一步的详细说明：
本发明提供一种基于路元拆分和深度学习模型LSTM的路面使用性能预测模型，包括以下步骤：
根据收集到的多年路面性能检测数据以及路面性能影响因素数据，完成对路路元的划分。LSTM模型将路面使用性能的影响因素直接作为模型的输入，且能包括更多的影响因素变量。本发明设计的LSTM模型基于2015-2017年的性能指标PI值PI(t)、PI(t-1)、PI(t-2)以及影响路面性能劣化过程的其他变量来预测2018年PI值PI(t+1)。从数据结构的角度来看，存在三种常见的数据类型，包括截面数据(cross-setional data)、时间序列数据(time series data)和面板数据(panel data)，面板数据是前两种类型的组合。本发明使用的数据集由面板数据组成。换句话说，路面性能数据不仅沿时间分布(时间序列数据)，还包括空间分布(断面数据)。基于截面数据的模型无法得到性能数据随时间的变化，而基于时间序列数据的模型则无法得到不同路段的特性。但是，基于面板数据的模型可以互补地解决这两个缺陷。因此，基于面板数据的LSTM模型能够模拟路面性能随时间变化的过程。图2为模型的输入和输出结构。模型的输入有三个维度，包括样本(路段)、时间步和影响变量。模型输入变量详情见表1。不同于传统的回归模型，LSTM模型可以将更多的路面性能影响因素纳入到模型中。本发明将记录到的影响路面性能的主要因素都作为模型的输入。如表1所示，模型输入包括10个变量，包括路面结构、气候、交通荷载和历史养护4个方面。此外，输入变量还包括路龄等用以识别路段的基本信息，可以在一定程度上反映未观测变量对路面性能的影响。
表1 LSTM模型输入变量信息
在模型训练前还需要对原始数据进行预处理。首先，对连续变量进行归一化，使所有连续变量具有相似的值域。归一化数据可以提高模型的收敛速度和预测精度。使用Min-max归一化方法，
为标准化后的数据，x为原始数据，xmax为连续变量的最大值，xmin为连续变量最小值。输入变量和输出变量都需要进行标准化。在标准化之后，所有连续变量的值都被标准化为0到1之间。然后，将所有分类变量都转换为多个布尔变量。例如，变量“路面结构”应转换为3个布尔变量：路面、桥面和隧道。每个布尔变量的取值都应设置为1(表示真)或0(表示假)。因此，所有分类变量都有k个维度，其中k是分类变量拥有的类别数。在模型预测完成之后，需要将模型的输出值进行比例反转，因为模型的输入经过了归一化。反转之后的预测值就可以与实际值直接进行比较了。
LSTM网络的结构通过试验法进行设计。在设计LSTM网络结构时，需要确定LSTM单元的σ层和tanh层的隐藏元(hidden units)数。本发明对不同隐藏元数的结构进行了试验，选出了最佳结构。以验证集损失值最小的模型作为最优模型。隐藏元数不宜太大，因为隐藏元太多意味模型参数过多，可能会导致模型过度拟合的风险，降低模型的效率。因此，在本发明中，最大隐藏元数按经验设置为50。对隐藏元数为10、20、30、40或50的模型进行了测试。表2为具有不同隐藏单数的模型的验证集损失值。根据表2，对于PCI、RQI模型，均在模型的隐藏元数为30时，验证集损失值最小。因此，两个模型的隐藏元数均设置为30。
表2不同隐藏元数的模型的验真集损失值
| 隐藏元数 | PCI模型验证集损失值 | RQI模型验证集损失值 |
| 10 | 0.055 | 0.047 |
| 20 | 0.048 | 0.037 |
| 30 | 0.042 | 0.032 |
| 40 | 0.049 | 0.040 |
| 50 | 0.050 | 0.049 |
本发明使用基于python的深度学习库keras来建立LSTM模型。(1)分割数据集：整个数据集被随机分成一个训练集(60％)、一个验证集(20％)和一个测试集(20％)。训练集用来训练模型，验证集用来优化模型参数，选择最佳模型，测试集用来对模型进行测试。(2)初始化参数：LSTM模型的权重和偏置的初始化均采用随机初始化的方式，其中状态值h的初始值设置为0。(3)防止过拟合：过拟合指的是训练得到的模型太复杂，过度学习了训练数据中存在的干扰噪声，而忽略掉数据本身的特性。具体表现为模型在训练集上表现很好，但是在验证集和测试集上的预测结果则较差。正则化和dropout是两种最常用的防止模型过拟合的方法。dropout可以在训练时随机忽略一部分神经元的工作，使其在本次训练过程中不更新权值，以此来增强网络的健壮性。正则化的思想则是在损失函数中加入关于模型复杂程度的指标，而神经网络模型复杂度由权重决定。经过正则化，可以限制权重的大小，防止模型学习到训练数据中的干扰噪声。本发明采用dropout的方法防止模型的过拟合。(4)参数优化：传统的训练方法是在遍历所有数据后对参数进行优化。该方法计算量大，训练速度慢。另一种方法是更新每个数据的参数，这种方法收敛性差。Mini-batch是这两种方法的折衷方案，它将数据分为多个批次(batch)，并按批次更新参数。本发明采用Mini-batch方法作为训练方法。在本发明中，batch值按经验设置为32。本发明采用Adam(Adaptive MomentEstimation)算法对参数进行优化，使用keras的modelcheckpoint存储具有最小验证集损失值的最优模型的参数，以便对测试集进行预测。模型的损失值用均方误差表示。
PCI模型的训练和测试结果如图3所示。图3中的(a)显示了每次迭代的训练集和验证集的损失值。如图3中的(a)所示，当迭代次数增加到100时，训练集和验证集损失值都达到一个接近稳定的值，这表明了模型训练的成功。模型的训练集损失值在第93次迭代时达到最小值0.048，最终的训练集损失值为0.048，验证集损失值在第82次迭代时达到最小值0.042，最终验证集损失值为0.044。图3中的(b)展示了PCI真实值和预测值的相关性。从图3中的(b)可以看出，大多数点都分布在45度线的周围。此外，PCI真实值与预测值之间具有很强的线性相关性，斜率为0.8312，R2为0.8311，说明LSTM模型预测结果与PCI的真实值吻合良好。图3中的(c)的横轴为PCI的真实值，纵轴为预测值的绝对残差。如图3中的(c)所示，绝大多数的绝对残差值低于5，只有少数点的偏差比较大。考虑到整个数据集很大，这些异常值对于路网级的性能预测没有显著影响。图3中的(d)的横轴为PCI真实值，纵轴为预测值的残差。从图3中的(c)和(d)可以看出，当PCI的真实值减小时，残差值变大。这是因为大多数(81.42％)的PCI值在80分以上。对于整个测试集而言，残差集中在零轴附近，表明不存在预测过高或过低的系统误差。
RQI模型的训练和测试结果如图4所示。如图4中的(a)所示，与PCI模型一样，当迭代次数增加到100时，训练集和验证集损失值都达到一个接近稳定的值，这表明了模型训练的成功。模型的训练集损失值在第89此迭代时达到最小值0.033，而最终的训练集损失值为0.033，验证集损失值在第80此迭代时达到最小值0.031，而最终的验证集损失值为0.035。图4中的(b)表明，RQI真实值和预测值之间具有很强的线性相关性，斜率为0.8968，R2为0.8842，表明RQI的真实值与预测结果非常接近。如图4中的(c)和(d)所示，绝大多数的绝对残差值小于5。如图4中的(c)所示，RQI值小于80时，绝对残差较大。这是因为大部分(98.33％)的RQI真实值高于80分。如图4中的(d)所示，总体上残差集中在0左右。结果表明，LSTM在预测RQI时具有良好的性能。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。
Claims (5)
1.基于路元拆分和深度学习模型的路面使用性能预测方法，其特征在于，包括以下步骤：
步骤1，采集历年路面使用性能检测数据及路面使用性能影响因素数据，根据采集到的数据将整体路网划分成若干路元；
步骤2，确定深度学习模型的输入输出变量，将路面使用性能影响因素作为深度学习模型的输入，预测的指标作为深度学习模型的输出；
步骤3，需要对步骤1采集的数据进行预处理：对其中的连续变量进行归一化，确保所有连续变量具有相似的值域；
步骤4，进行LSTM网络结构设计，确定LSTM单元的σ层和tanh层的隐藏元数；
步骤5，使用基于python的深度学习库keras来训练并测试LSTM网络模型，用于对路面使用性能进行预测。
2.根据权利要求1所述的基于路元拆分和深度学习模型的路面使用性能预测方法，其特征在于：步骤1中采用动态的路元划分方式，路元的划分原则是将具有相同属性(相同路线、交通荷载、路面结构、使用性能、养护历史等)的道路段落划分为一个路元，其中相同属性包括相同路线、交通荷载、路面结构、使用性能、养护历史。
3.根据权利要求2所述的基于路元拆分和深度学习模型的路面使用性能预测方法，其特征在于：路元的具体划分流程为：首先基于路面使用性能影响因素数据中的交通量数据对整体路网进行第一次划分，然后按路面使用性能检测数据进行第二次划分，再后以路面使用性能影响因素数据中的桥梁、隧道的桩号进行第三次划分，最后根据路面使用性能影响因素数据中的历史养护信息进行第四次划分，划分后得到的路元与采集到的数据一一对应。
4.根据权利要求1所述的基于路元拆分和深度学习模型的路面使用性能预测方法，其特征在于：步骤2的具体方法为：基于当年即前两年的性能指标PI值PI(t)、PI(t-1)、PI(t-2)以及影响路面性能劣化过程的其他变量来预测下一年的PI值PI(t+1)，将路面使用性能影响因素作为模型的输入，预测的指标作为模型的输出。
5.根据权利要求1所述的基于路元拆分和深度学习模型的路面使用性能预测方法，其特征在于，步骤5的具体方法步骤为：
5.1分割数据集
步骤3得到的数据集被随机分成一个训练集、一个验证集和一个测试集，其中训练集用来训练LSTM网络模型，验证集用来优化LSTM网络模型参数、选择最佳LSTM网络模型，测试集用来对LSTM网络模型进行测试；
5.2初始化参数
LSTM网络模型的权重和偏置的初始化均采用随机初始化的方式，状态值h的初始值设置为0；
5.3防止过拟合
采用dropout的方法防止LSTM网络模型的过拟合；
5.4参数优化
采用Mini-batch方法作为训练方法，其中，batch值按经验设置为32；采用Adam算法对参数进行优化，使用keras的modelcheckpoint存储具有最小验证集损失值的最优模型的参数，以便对测试集进行预测；LSTM网络模型的损失值用均方误差表示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110424747.XA CN113255963A (zh) | 2021-04-20 | 2021-04-20 | 基于路元拆分和深度学习模型lstm的路面使用性能预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110424747.XA CN113255963A (zh) | 2021-04-20 | 2021-04-20 | 基于路元拆分和深度学习模型lstm的路面使用性能预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113255963A true CN113255963A (zh) | 2021-08-13 |
Family
ID=77221672
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110424747.XA Pending CN113255963A (zh) | 2021-04-20 | 2021-04-20 | 基于路元拆分和深度学习模型lstm的路面使用性能预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113255963A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114881204A (zh) * | 2022-04-14 | 2022-08-09 | 东南大学 | 基于路元拆分和ga-bp神经网络模型的路面平整度预测方法 |
| CN115265881A (zh) * | 2022-09-28 | 2022-11-01 | 宁波普瑞均胜汽车电子有限公司 | 压力检测方法和装置 |
| WO2024169052A1 (zh) * | 2023-02-14 | 2024-08-22 | 中国公路工程咨询集团有限公司 | 道路pci多步预测方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109993223A (zh) * | 2019-03-26 | 2019-07-09 | 南京道润交通科技有限公司 | 路面使用性能预测方法、存储介质、电子设备 |
| US20200135017A1 (en) * | 2018-10-29 | 2020-04-30 | Beihang University | Transportation network speed foreeasting method using deep capsule networks with nested lstm models |
| CN111563706A (zh) * | 2020-03-05 | 2020-08-21 | 河海大学 | 一种基于lstm网络的多变量物流货运量预测方法 |
-
2021
- 2021-04-20 CN CN202110424747.XA patent/CN113255963A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200135017A1 (en) * | 2018-10-29 | 2020-04-30 | Beihang University | Transportation network speed foreeasting method using deep capsule networks with nested lstm models |
| CN109993223A (zh) * | 2019-03-26 | 2019-07-09 | 南京道润交通科技有限公司 | 路面使用性能预测方法、存储介质、电子设备 |
| CN111563706A (zh) * | 2020-03-05 | 2020-08-21 | 河海大学 | 一种基于lstm网络的多变量物流货运量预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 张震，等: "基于Keras长短时记忆网络的矿井瓦斯浓度预测研究", 安全与环境工程, vol. 28, no. 1, pages 61 - 67 * |
| 武昭融，等: "基于衰变-Markov模型的沥青路面性能预测研究", 上海理工大学学报, vol. 38, no. 2, pages 187 - 191 * |
| 王笑风，等: "基于深度学习LSTM网络的沥青路面性能预测研究", 公路交通科技（应用技术版）, no. 8, pages 4 - 7 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114881204A (zh) * | 2022-04-14 | 2022-08-09 | 东南大学 | 基于路元拆分和ga-bp神经网络模型的路面平整度预测方法 |
| CN114881204B (zh) * | 2022-04-14 | 2024-08-27 | 东南大学 | 基于路元拆分和ga-bp神经网络模型的路面平整度预测方法 |
| CN115265881A (zh) * | 2022-09-28 | 2022-11-01 | 宁波普瑞均胜汽车电子有限公司 | 压力检测方法和装置 |
| CN115265881B (zh) * | 2022-09-28 | 2022-12-20 | 宁波普瑞均胜汽车电子有限公司 | 压力检测方法和装置 |
| WO2024169052A1 (zh) * | 2023-02-14 | 2024-08-22 | 中国公路工程咨询集团有限公司 | 道路pci多步预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113255963A (zh) | 基于路元拆分和深度学习模型lstm的路面使用性能预测方法 | |
| CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
| CN112949828A (zh) | 一种基于图学习的图卷积神经网络交通预测方法及系统 | |
| CN114565124A (zh) | 一种基于改进图卷积神经网络的船舶交通流预测方法 | |
| CN115587666A (zh) | 基于季节趋势分解和混合神经网络的负荷预测方法及系统 | |
| CN116050670B (zh) | 一种基于数据驱动的道路养护决策方法及系统 | |
| CN112765894B (zh) | 一种基于k-lstm的铝电解槽状态预测方法 | |
| CN103676649A (zh) | 局部自适应小波神经网络训练系统、设备及方法 | |
| CN114881204B (zh) | 基于路元拆分和ga-bp神经网络模型的路面平整度预测方法 | |
| CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
| CN111967308A (zh) | 一种在线路面不平度辨识方法及系统 | |
| CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
| CN116244647A (zh) | 一种无人机集群的运行状态估计方法 | |
| CN115422687A (zh) | 一种滚动轴承的寿命预测方法 | |
| CN115221793A (zh) | 一种隧道围岩变形预测方法及装置 | |
| CN116385198A (zh) | 一种基于变分自编码器的企业资金链风险判定方法 | |
| CN111414927A (zh) | 一种海水水质评价的方法 | |
| CN115238789A (zh) | 基于改进gru的金融行业另类数据预测方法和系统 | |
| CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
| Lu et al. | Apso-based optimization algorithm of lstm neural network model | |
| CN115081609A (zh) | 一种智能决策中的加速方法、终端设备及存储介质 | |
| CN114444737A (zh) | 基于迁移学习的路面养护智能规划方法 | |
| CN113837443A (zh) | 基于深度BiLSTM的变电站线路负载预测方法 | |
| CN111179070A (zh) | 一种基于lstm的借贷风险时效性预测系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210813 |