CN114881204A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114881204A
CN114881204A CN202210393223.3A CN202210393223A CN114881204A CN 114881204 A CN114881204 A CN 114881204A CN 202210393223 A CN202210393223 A CN 202210393223A CN 114881204 A CN114881204 A CN 114881204A
Authority
CN
China
Prior art keywords
road
neural network
network model
data
training
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
Application number
CN202210393223.3A
Other languages
English (en)
Inventor
杨顺新
王岐发
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202210393223.3A priority Critical patent/CN114881204A/zh
Publication of CN114881204A publication Critical patent/CN114881204A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于路元拆分和GA‑BP神经网络模型的路面平整度预测的方法，包括：步骤1，采集历年路面平整度检测数据及路面平整度发展影响因素数据，构成数据集，并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GA‑BP神经网络模型的输入输出变量；步骤3，进行GA‑BP神经网络模型结构设计，确定隐含层的节点数；步骤4，采用遗传算法优化GA‑BP神经网络模型的权值和阈值；步骤5，训练并测试GA‑BP神经网络模型，对路面平整度进行预测。本发明解决了传统的路面平整度预测模型预测结果误差大、精度不高的问题，极具现实意义。

Description

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
技术领域
本发明属于高速公路沥青路面平整度预测技术领域，涉及一种路元拆分后基于GA-BP神经网络模型的路面平整度预测方法。
背景技术
在路面平整度预测模型研究发展历史中，回归模型因其形式简单且可解释性较强而被国内外路面管理系统广泛采用，但是简单回归模型仅能考虑很少的沥青路面平整度发展的影响因素，而路面平整度的发展受到环境、交通、养护等众多因素的影响，简单回归模型因其自身的局限性，不可避免的会遗漏一些重要影响因素，并且回归模型方程形式的确定需要大量的实测数据以及工程经验，可能会出现预测精度较差、数据获取困难等问题。近年来，随着计算机科学技术的发展，出现了以人工神经网络模型(Artificial NeuralNetwork，ANN)为代表的机器学习算法，人工神经网络是模仿人脑的一种抽象模型，它可以通过学习和训练历史数据，挖掘预测对象与其影响因素之间的内在关系，摆脱了简单回归模型仅能考虑较少路面平整度发展的影响因素的困境，使得路面平整度预测精度有了很大的提升。因此选用BP(Back Propagation)神经网络及遗传算法(Genetic Algorithm)优化后的GA-BP神经网络对路面平整度进行预测。
发明内容
针对传统的线性回归及非线性回归形式路面平整度预测模型的缺点，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。为解决路面平整度预测模型存在的缺点和问题，本发明提出了一种基于路元拆分和GA-BP神经网络模型的路面平整度预测模型，提高路面平整度预测的准确性。
本发明为解决上述存在的问题采用以下技术方案：
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，包括以下步骤：
步骤1，采集历年路面平整度检测数据及路面平整度发展影响因素数据，构成数据集，并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GA-BP神经网络模型的输入输出变量；
步骤3，进行GA-BP神经网络模型结构设计，确定隐含层的节点数；
步骤4，采用遗传算法优化GA-BP神经网络模型的权值和阈值；
步骤5，训练并测试GA-BP神经网络模型，对路面平整度进行预测。
进一步地，所述步骤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。
进一步地，路元的具体划分流程为：首先，基于路面平整度发展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，按路面平整度检测数据进行第二次划分；再后，以路面平整度发展影响因素数据中的桥梁、隧道的桩号进行第三次划分；最后，根据路面平整度发展影响因素数据中的历史养护信息进行第四次划分。
进一步地，该方法还包括对步骤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；对其中的分类变量进行独热编码处理，将分类型变量转化为多个0-1变量。
进一步地，所述步骤2中，将当年以及前三年的路面平整度检测数据IRI值IRI(t)、IRI(t-1)、IRI(t-2)和IRI(t-3)以及路面平整度发展影响因素数据作为模型的输入，下一年的IRI值IRI(t+1)作为模型的输出。
进一步地，所述步骤3中对不同隐含层节点数的结构进行了试验，选择以模型均方误差最小的隐含层节点数作为最优隐含层节点数。
进一步地，所述步骤5中遗传算法的初始种群数设定为50，进化代数设定为100，交叉概率设定为0.6，变异概率设定为0.02。
进一步地，所述步骤6的具体方法步骤为：
5.1分割数据集
步骤1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GA-BP神经网络模型，验证集用来优化GA-BP神经网络模型参数、选择最佳GA-BP神经网络模型，测试集用来对GA-BP神经网络模型进行测试；
5.2GA-BP神经网络的参数设定
输入层神经元数为22，隐含层神经元数为13，输出层神经元数为1，训练误差设定目标为0.002，最大迭代次数设定为1000，学习率设定为0.01；
5.3训练模型
采用Levenberg—Marquardt算法作为训练方法，采用tansig函数作为隐含层传递函数，采用purelin函数作为输出层传递函数，GA-BP神经网络模型的损失值用均方误差表示。
本发明在采集到多年路面平整度的检测数据及路面平整度的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，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：首先基于交通量数据对整体路网进行第一次划分，然后按路面平整度检测数据进行第二次划分，再以桥梁、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。在应用GA-BP神经网络模型进行预测前需要确定神经网络的输入输出变量，将路面平整度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；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，对分类变量进行独热编码处理，将分类变量转化为多个0-1变量，进而提高模型的收敛速度和预测精度；进行GA-BP神经网络模型设计，确定隐含层的节点数和遗传算法优化网络的权值和阈值，以训练数据预测误差绝对值和最小的模型作为最优模型，将路面平整度预测值作为模型的输出，并完成对路面平整度的预测。本发明解决了传统的路面平整度预测模型预测结果误差大、精度不高的问题，极具现实意义。
附图说明
图1为路元划分原则示意；
图2为GA-BP神经网络流程图；
图3为本发明基于路元拆分和GA-BP神经网络模型的路面平整度预测的输入输出结构；
图4为本发明基于GA-BP神经网络模型的训练结果，其中(a)为训练集和验证集损失值，(b)GA-BP神经网络的训练集数据的训练回归结果，(c)GA-BP神经网络的验证集数据的训练回归结果，(d)GA-BP神经网络的测试集数据的训练回归结果，(e)GA-BP神经网络的全部数据的训练回归结果，(f)GA-BP神经网络实测值与预测值对比。
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：
如图1所示，本发明提供一种基于路元拆分和GA-BP的路面平整度预测模型，包括以下步骤：
步骤1，采集多年路面平整度检测数据及路面平整度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GA-BP神经网络的输入输出变量，；
步骤3，需要对原始数据进行预处理：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；对其中的分类变量进行独热编码处理，将分类型变量转化为多个0-1变量；
步骤4，进行GA-BP神经网络模型结构设计，本发明对不同隐含层节点数的结构进行了试验，选出了最佳结构，以训练数据均方误差最小的模型作为最优模型；
步骤5，进行遗传算法优化网络权值和阈值的设计；
步骤6，使用Levenberg—Marquardt训练方法训练GA-BP神经网络模型。
步骤1具体为：采集多年路面平整度检测数据及路面平整度发展的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：首先基于路面平整度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，然后按路面平整度检测数据进行第二次划分，再以路面平整度影响因素数据中的桥梁、隧道的桩号进行第三次划分，最后根据路面平整度影响因素数据中的历史养护信息进行第四次划分，划分后得到的路元即可与收集到的各类信息一一对应。
步骤2具体为：基于当年即前三年的路面平整度检测数据IRI值IRI(t)、IRI(t-1)、IRI(t-2)、IRI(t-3)以及路面平整度发展的影响因素数据来预测下一年的IRI值IRI(t+1)。
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，对其中的分类变量进行独热编码处理，将分类型变量转化为多个0-1变量，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，
Figure BDA0003596363870000041
Figure BDA0003596363870000042
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，采用独热编码将所有分类变量都转换为多个0-1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n个维度，其中n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。
步骤4具体为：进行GA-BP神经网络的结构设计，对不同隐含层节点数的结构进行了试验，选出了最佳结构，以训练数据均方误差最小的模型作为最优模型，BP神经网络参数设定为：输入层神经元数为22，隐含层神经元数为13，输出层神经元数为1，训练误差设定目标为0.002，最大迭代次数设定为1000，学习率设定为0.01。
步骤5具体为：确定GA-BP神经网络的遗传算法的参数设定为：初始种群数设定为50，进化代数设定为100，交叉概率设定为0.6，变异概率设定为0.02。
步骤6具体为：使用Levenberg—Marquardt训练方法训练GA-BP神经网络模型，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(70％)、一个验证集(15％)和一个测试集(15％)。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。
GA-BP神经网络的参数设定
确定GA-BP神经网络的参数，遗传算法的初始种群数设定为50，进化代数设定为100，交叉概率设定为0.6，变异概率设定为0.02。BP神经网络参数设定为：输入层神经元数为22，隐含层神经元数为13，输出层神经元数为1，训练误差设定目标为0.002，最大迭代次数设定为1000，学习率设定为0.01；
训练模型
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。采用Levenberg—Marquardt算法作为训练方法，采用tansig函数作为隐含层传递函数，采用purelin函数作为输出层传递函数。GA-BP神经网络模型的损失值用均方误差表示。
在一个实施例中，根据收集到的多年路面平整度检测数据以及路面平整度的影响因素数据，完成对路路元的划分。GA-BP神经网络模型将路面平整度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GA-BP神经网络模型基于2015-2018年的性能指标IRI值IRI(t)、IRI(t-1)、IRI(t-2)、IRI(t-3)以及影响路面平整度劣化过程的其他变量来预测2019年IRI值IRI(t+1)。图3为模型的输入和输出结构。模型输入变量详情见表1。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11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 GA-BP神经网络模型输入变量信息
Figure BDA0003596363870000061
如图2所示，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，
Figure BDA0003596363870000062
Figure BDA0003596363870000063
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，采用独热编码将所有分类变量都转换为多个0-1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n个维度，其中n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。GA-BP神经网络的结构通过试验法进行设计。需要确定隐含层节点数。本发明对不同隐含层节点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。隐含层节点数不宜太大，因为隐含层节点数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，输入层节点数为22，输出层节点数为1，根据经验得出隐含层节点数的取值范围在6～14之间，隐含层节点数每取一个值，对BP神经网络训练20次。表2为具有不同隐含层节点数与训练数据均方误差和测试数据预测误差和均值之间的关系。如表2所示，隐含层节点数为13时，训练数据均方误差和测试数据预测误差和最小。因此，最终隐含层神经元数取13。确定GA-BP神经网络的遗传算法的参数设定为：初始种群数设定为50，进化代数设定为100，交叉概率设定为0.6，变异概率设定为0.02。
表2隐含层节点数与训练数据均方误差和测试数据预测误差和均值的关系
隐含层节点数 训练数据均方误差 测试数据预测误差和
6 0.00199 40.2788
7 0.00197 36.4080
8 0.00197 36.6491
9 0.00198 36.6706
10 0.00195 37.8342
11 0.00192 36.5611
12 0.00196 36.6017
13 0.00191 36.3963
14 0.00193 39.5531
开始对模型进行训练，(1)分割数据集：整个数据集被随机分成一个训练集(70％)、一个验证集(15％)和一个测试集(15％)。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)GA-BP神经网络的参数设定：确定GA-BP神经网络的参数，遗传算法的初始种群数设定为50，进化代数设定为100，交叉概率设定为0.6，变异概率设定为0.02。BP神经网络参数设定为：输入层神经元数为22，隐含层神经元数为13，输出层神经元数为1，训练误差设定目标为0.002，最大迭代次数设定为1000，学习率设定为0.01；(3)训练模型：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。采用Levenberg—Marquardt算法作为训练方法，采用tansig函数作为隐含层传递函数，采用purelin函数作为输出层传递函数。GA-BP神经网络模型的损失值用均方误差表示。
如图4所示的基于GA-BP神经网络模型的训练结果，其中(a)为训练集和验证集损失值，(b)至(e)是GA-BP神经网络的训练集、验证集、测试集和全部数据的训练回归结果，(f)GA-BP神经网络实测值与预测值对比。
GA-BP模型经过9次迭代后训练误差收敛于目标值，整个路网范围内路元的平均绝对误差为0.0578，均方误差为0.0072，决定系数为0.987。
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 (8)

1.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，其特征在于，包括以下步骤：
步骤1，采集历年路面平整度检测数据及路面平整度发展影响因素数据，构成数据集，并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GA-BP神经网络模型的输入输出变量；
步骤3，进行GA-BP神经网络模型结构设计，确定隐含层的节点数；
步骤4，采用遗传算法优化GA-BP神经网络模型的权值和阈值；
步骤5，训练并测试GA-BP神经网络模型，对路面平整度进行预测。
2.根据权利要求1所述的基于路元拆分和GA-BP神经网络模型的路面平整度预测方法，其特征在于，所述步骤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GA-BP神经网络模型的路面平整度预测方法，其特征在于，路元的具体划分流程为：首先，基于路面平整度发展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，按路面平整度检测数据进行第二次划分；再后，以路面平整度发展影响因素数据中的桥梁、隧道的桩号进行第三次划分；最后，根据路面平整度发展影响因素数据中的历史养护信息进行第四次划分。
4.根据权利要求1所述的基于路元拆分和GA-BP神经网络模型的路面平整度预测方法，其特征在于，该方法还包括对步骤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；对其中的分类变量进行独热编码处理，将分类型变量转化为多个0-1变量。
5.根据权利要求1所述的基于路元拆分和GA-BP神经网络模型的路面平整度预测方法，其特征在于，所述步骤2中，将当年以及前三年的路面平整度检测数据IRI值IRI(t)、IRI(t-1)、IRI(t-2)和IRI(t-3)以及路面平整度发展影响因素数据作为模型的输入，下一年的IRI值IRI(t+1)作为模型的输出。
6.根据权利要求1所述的基于路元拆分和GA-BP神经网络模型的路面平整度预测方法，其特征在于，所述步骤3中对不同隐含层节点数的结构进行了试验，选择以模型均方误差最小的隐含层节点数作为最优隐含层节点数。
7.根据权利要求1所述的基于路元拆分和GA-BP神经网络模型的路面平整度预测方法，其特征在于，所述步骤5中遗传算法的初始种群数设定为50，进化代数设定为100，交叉概率设定为0.6，变异概率设定为0.02。
8.根据权利要求1所述的基于路元拆分和GA-BP神经网络模型的路面平整度预测方法，其特征在于，所述步骤6的具体方法步骤为：
5.1分割数据集
步骤1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GA-BP神经网络模型，验证集用来优化GA-BP神经网络模型参数、选择最佳GA-BP神经网络模型，测试集用来对GA-BP神经网络模型进行测试；
5.2GA-BP神经网络的参数设定
输入层神经元数为22，隐含层神经元数为13，输出层神经元数为1，训练误差设定目标为0.002，最大迭代次数设定为1000，学习率设定为0.01；
5.3训练模型
采用Levenberg—Marquardt算法作为训练方法，采用tansig函数作为隐含层传递函数，采用purelin函数作为输出层传递函数，GA-BP神经网络模型的损失值用均方误差表示。
CN202210393223.3A 2022-04-14 2022-04-14 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 Pending CN114881204A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210393223.3A CN114881204A (zh) 2022-04-14 2022-04-14 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210393223.3A CN114881204A (zh) 2022-04-14 2022-04-14 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

Publications (1)

Publication Number Publication Date
CN114881204A true CN114881204A (zh) 2022-08-09

Family

ID=82670254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210393223.3A Pending CN114881204A (zh) 2022-04-14 2022-04-14 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

Country Status (1)

Country Link
CN (1) CN114881204A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115948964A (zh) * 2022-12-16 2023-04-11 东南大学 一种基于ga-bp神经网络的路面平整度预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110184885A (zh) * 2019-05-06 2019-08-30 苏交科集团股份有限公司 一种基于智能手机测试路面平整度的方法
WO2020082910A1 (zh) * 2018-10-24 2020-04-30 珠海格力电器股份有限公司 路面等级确定方法、装置、存储介质及汽车
CN113255963A (zh) * 2021-04-20 2021-08-13 东南大学 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
CN113836476A (zh) * 2021-06-29 2021-12-24 苏交科集团股份有限公司 一种基于智能手机的路面平整度测量方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020082910A1 (zh) * 2018-10-24 2020-04-30 珠海格力电器股份有限公司 路面等级确定方法、装置、存储介质及汽车
CN110184885A (zh) * 2019-05-06 2019-08-30 苏交科集团股份有限公司 一种基于智能手机测试路面平整度的方法
CN113255963A (zh) * 2021-04-20 2021-08-13 东南大学 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
CN113836476A (zh) * 2021-06-29 2021-12-24 苏交科集团股份有限公司 一种基于智能手机的路面平整度测量方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115948964A (zh) * 2022-12-16 2023-04-11 东南大学 一种基于ga-bp神经网络的路面平整度预测方法

Similar Documents

Publication Publication Date Title
Srikanth et al. Deterioration models for prediction of remaining useful life of timber and concrete bridges: A review
CN107169628B (zh) 一种基于大数据互信息属性约简的配电网可靠性评估方法
CN113723010A (zh) 一种基于lstm温度-位移相关模型的桥梁损伤预警方法
CN110245390B (zh) 一种基于rs-bp神经网络的汽车发动机油耗预测方法
CN112991721A (zh) 基于图卷积网络节点关联度的城市路网交通速度预测方法
CN113947182B (zh) 基于双阶段堆叠图卷积网络的交通流预测模型构建方法
CN112966871A (zh) 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统
CN112232561A (zh) 基于约束并行lstm分位数回归的电力负荷概率预测方法
CN115564114A (zh) 一种基于图神经网络的空域碳排放短期预测方法及系统
CN111353640B (zh) 一种组合法风速预测模型构建方法
CN115948964A (zh) 一种基于ga-bp神经网络的路面平整度预测方法
CN115221793A (zh) 一种隧道围岩变形预测方法及装置
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
CN114881204A (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
CN116307352A (zh) 一种基于机器学习的工程量指标估算方法及系统
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
Xu et al. Pavement deterioration modeling and prediction for Kentucky interstate and highways
Liang et al. Comparison and analysis of prediction models for locomotive traction energy consumption based on the machine learning
CN112241808A (zh) 路面技术状况预测方法、装置、电子设备及存储介质
CN109887290B (zh) 基于平衡指数平滑法和栈式自编码器的交通流预测方法
Jalal et al. Computer-aided prediction of pavement condition index (PCI) using ANN
CN114862007A (zh) 一种面向碳酸盐岩气井的短周期产气量预测方法及系统
Lu et al. Traffic flow prediction based on wavelet analysis, genetic algorithm and artificial neural network
Yang et al. Forecasting model for urban traffic flow with BP neural network based on genetic algorithm
CN114741952A (zh) 一种基于长短期记忆网络的短期负荷预测方法

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