[发明专利]一种基于深度学习的连续多步预测道路智能养护系统

说明书

本发明为一种基于深度学习的连续多步预测道路智能养护系统，通过预测模型和残差修正模型，可以预测出未来几年内哪些道路病害会发展成比较严重的病害。根据道路的全寿命周期策略，全寿命周期养护管理即在有限的养护资金规模下，从公路整体出发，综合考虑路基路面运行现状并结合当前可采取的预防性养护技术，制定涵盖路面全寿命周期的中长期养护战略计划，并针对最佳路段确定最佳时机，对“最差”路段采取重建、维修、改善等有效的养护措施，实现最大化的资金利用效果和路况改善效果，指导用户进行科学的道路养护，避免因养护方法不佳而造成资金的浪费。

技术领域

本发明涉及道路养护技术领域，尤其是涉及一种基于深度学习的连续多步预测道路智能养护系统。

背景技术

截止至2020年底，我国公路总里程达到510万公里，位居世界第一位。公路建成投入使用后，受车辆荷载、气候等因素的影响，一段时间后会出现许多的路面病害如裂缝、车辙、沉陷、坑槽、波浪拥包、松散等，如不及时处理会影响道路的正常使用年限。对道路进行养护能够保证行车安全、舒适、畅通，节约运输费用和时间。

现有技术的不足之处在于，传统的养护方法具有滞后性，养护方式比较被动，往往需要重复投入，修复规模比较大，养护后的路面很难达到原来的使用效果。CN 111105332 A一种基于人工神经网络的高速公路智能预养护方法及系统，提高了预测精度和预测的前瞻性，但是此种预测方式不能实现路面性能的多步预测，无法提前得知哪些病害会发展成为比较严重的病害，以至于无法判断需要对哪些病害进行重点的修复。

发明内容

针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于深度学习的连续多步预测道路智能养护系统。

本发明解决所述技术问题的技术方案是，设计一种基于深度学习的连续多步预测道路智能养护系统，该系统包括以下内容：

1)基于GRU神经网络建立预测模型，预测模型能够根据历史的路面性能指标数据和道路环境数据，计算得到未来的路面性能指标预测值；预测模型表征路面不同位置的路面性能指标值在不同年份的变化规律，历史的道路环境数据和路面性能指标数据与未来路面性能指标数据之间的因果关系；然后用路面性能指标真实值减去路面性能指标预测值，得到残差。

2)基于GRU神经网络建立残差修正模型，残差修正模型的特征值与预测模型的特征值一样，即残差修正模型的输入为固定时间步长的路面性能指标数据和道路环境数据，残差修正模型的目标值为残差；残差修正模型能够准确的预测出残差预测值，然后将预测模型计算出的路面性能指标预测值与残差修正模型计算出的残差预测值相加，得到路面性能指标修正预测值；预测模型可以得到路面性能指标预测值，残差修正模型可以得到残差预测值，残差预测值与路面性能指标预测值相加，得到的就是路面性能指标修正预测值，将路面性能指标修正预测值作为对应年份的路面性能指标数据；通过迭代训练，得到训练好的预测模型和残差修正模型。

3)将相应时间步长的路面性能指标数据和道路环境数据作为特征值，输入训练好的预测模型计算出下一年的路面性能指标预测值，同时将相应时间步长的路面性能指标修正预测值和道路环境数据作为特征值输入训练好的残差修正模型计算出残差预测值，相加以后得到下一年的路面性能指标修正预测值，根据这个过程，不断的进行迭代预测，实现路面性能指标的连续多步预测。

4)建立一个问答系统，问答可以快速准确的解答用户的问题。首先利用python和neo4j建立知识图谱，然后基于LSTM神经网络建立语义解析模型，基于Bi-SLSTM神经网络(双向切片长短期记忆神经网络)和卷积神经网络CNN进行实体和关系抽取，最后构建Cypher查询语句，输出结果。

与现有技术相比，本发明的有益效果是：