[发明专利]一种基于时序卷积网络的道路基层应变分析方法

说明书

本发明公开了一种基于时序卷积网络的道路基层应变分析方法，本发明先对自动化道路监测系统获取的长期监测数据进行原始数据预处理，在此基础上采用皮尔逊相关性分析，以达到输入数据降维的目的，从而提升模型的预测精度，最后挑选出合适时间段的数据一起输入到时序卷积网络模型进行训练，学习监测数据特征，针对每个时间段之间并不连续的问题，采用权重自迁移的训练方式，使得历史信息特征在下一时间端内相对更加明显，更易被模型学习，有助于提高模型的记忆能力，减少过拟合。此外，本发明不仅可以节约人工和时间成本，还可以为后续的道路养护工作奠定基础。

技术领域

本发明属于时序数据分析领域，涉及一种基于时序卷积网络的道路基层应变分析方法。本发明应用于利用多传感器融合的道路监测系统获取的路面结构监测数据进行道路基层应变分析。

背景技术

近二十年来，我国公路网已经逐步建设成型，未来的公路基建局势已经从“建设”渐渐转化为“养护”。裂缝、坑槽等病害在一定程度上影响行车的安全性和舒适性，因此，准确的基层应变分析结果可以最大程度上避免道路将来发生严重的结构性损坏，以及为后续的道路养护管理工作提供可靠、有效的技术支持。

由于缺少足够的基础理论和技术支撑，目前传统的基层应变预测分析方法一般是基于长期监测的应力、应变数据本身，进行数理统计的回归分析，计算过程繁琐、耗时长、且精度很多时候难以保证。受益于人工智能技术的发展，机器学习方法被逐渐应用于监测大数据分析领域，能够相对快速高效地对获得的数据进行预测和分析，节约时间，降低成本。

目前基于深度学习的道路基层应变预测分析经常面临输入数据维度大，以及监测数据的时间不连续等问题，进行数据的相关性分析来对输入端进行数据降维，并且在训练过程中采用“权重自迁移”可以带来可观的性能提升，提高准确性和稳定性，并减少过度拟合。

因此，本发明提出了一种基于时序卷积网络的道路基层应变分析方法。本发明首先将道路监测系统收集的传感器数据进行原始数据预处理得到可以输入网络进行训练的数据集，再对数据集经过特征相关性分析求得皮尔逊相关性系数，从而去掉相关性系数较小的特征数据达到数据降维的目的，最后将最终的数据集用时序卷积神经网络进行训练，从而对道路基层应变数据进行预测分析，以预先了解基层应变变化趋势，为之后的道路养护工作奠定基础。

发明内容

本发明的目的在于通过一种基于时序卷积网络的道路基层应变预测分析方法，对传感器获取的从2012年到2020年长达八年的路面监测数据进行分析，长期监测数据包括沥青应变、埋入式三向应变、土层应变、土压力、温度、渗透压、土壤水分，从而根据合适的影响因素对基层应变进行预测，且获取未来一段时间内的基层应变变化趋势。

一、时序卷积网络

本发明采用的时序卷积网络(Temporal Convolutional Network，TCN)由具有相同输入和输出长度的扩张的、因果的1D卷积层组成。用膨胀因果卷积层代替传统的因果卷积层，从而较好的捕捉更长的时间依赖信息。时序卷积网络由两部分组成：膨胀因果卷积层和残差链接，如图1所示。膨胀因果卷积层将卷积核根据不同的膨胀因子来获取更大的感受野，将输出端获取更长的依赖关系且减少网络层数；残差模块使得网络可以以跨层的方式传递信息，将解决深层网络出现梯度消失的问题。

本发明采用的技术方案为一种基于时序卷积网络的道路基层应变预测分析方法，包括原始监测数据预处理、特征相关性分析、数据集制作、时序卷积网络基层应变预测四大部分，如图2所示，具体步骤如下：

步骤一：原始监测数据预处理；

首先，将各种传感器获取的道路监测数据进行整合。

其次，根据道路监测系统获取数据的时间跨度，选取合适时间段的数据之后进行删除数据重复值和跃变值，并将缺失值补充完毕，以防监测数据训练效果不佳。

最后，根据时序数据的特点，将所有数据点之间的时间间隔统一为1小时。