[发明专利]一种基于耦合双向LSTM和卷积结构网络的道路基层应变分析方法

权利要求书

1.一种基于耦合双向LSTM和卷积结构网络的道路基层应变分析方法，其特征在于：利用自动化道路监测系统获取路面历史监测数据，结合深度学习方法进行关键数据预测，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；

最后，将所有时序数据的数据点之间的时间间隔统一为1小时；

步骤二：特征相关性分析；

第一步，将处理过后每个传感器获取的前三个数据点进行相关性分析，根据皮尔逊相关性系数衡量特征之间的相关性；第二步，由于土层应变的相关性极小将其去除；

步骤三：数据集制作；

对沥青应变、渗透压、土壤水分和基层三向应变的所有监测数据点进行取平均值，则温度按照温度传感器的埋设位置，将划分为面层、基层和土基三部分进行取平均值；最终把监测数据集按照训练集和测试集比例约为8：2进行划分；

步骤四：时序卷积网络基层应变预测；

BiLSTM-CNN网络由4层一维卷积层、一层双向LSTM和两层全连接层构成；一维卷积层的卷积核尺寸均为2，个数分别为个数依次为18、36、72和144；后接一个大小为2、步幅为1的最大池化层，每层均使用ReLU激活函数；将预处理和降维后的数据集作为BiLSTM-CNN网络的输入，时间步长设为8。

2.根据权利要求1所述的一种基于耦合双向LSTM和卷积结构网络的道路基层应变分析方法，其特征在于，在BiLSTM-CNN网络对路面监测数据的训练过程中，将输入多维数据与目标数据共同训练，从中不断学习数据特征和数据之间的物理关系，优化目标为最小化预测值与实测值的误差；以自适应学习率调整算法Adadelta作为反向传播过程中梯度下降的优化算法。

3.根据权利要求1所述的一种基于基于自动化道路监测系统的深度学习的应变分析和预测方法，其特征在于，采用BiLSTM-CNN网络在对监测数据进行处理：(1)采用双向LSTM获取数据的上下文信息；(2)添加一维卷积层提取监测数据中的不变特征；(3)一维卷积层后接一个最大池化层；(4)所有层使用ReLU激活函数。