[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

说明书

本发明公开了一种基于耦合双向LSTM和卷积结构网络的道路基层应变分析方法，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，研究数据之间关系，以达到输入数据降维的目的，从而减少训练误差，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BiLSTM‑CNN网络模型进行训练，学习传感器数据之间的物理特征，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段内相对更加明显，更易被模型学习，有助于加强模型的记忆效应，减少过拟合，提高模型的泛化能力。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，涉及一种基于耦合双向LSTM和卷积结构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

近年来，随着我国的公路网已经基本形成，未来的公路基建投资将会逐渐指向道路养护管理事业。裂缝、车辙等病害在一定程度上影响行车的安全性和舒适性，需要及时对路面进行养护维修。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。

目前传统的基层应变预测分析方法一般是基于有限元模拟、力学-经验模型和数理统计方法等对应力、应变数据本身进行分析和计算，这些传统方法通常会进行数据对照来修正模型参数以及简化三维模型，从而一定程度上影响分析结果，分析过程较为繁琐、耗时。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分析和预测，节约时间，降低成本，而且得到的结果较为精确。

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耦合双向LSTM和卷积结构网络(BiLSTM-CNN)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BiLSTM-CNN对最终的数据集进行训练，从而对道路基层应变数据进行预测分析，以预先了解未来基层应变变化趋势，为之后的道路养护决策提供帮助。

发明内容

本发明的目的在于通过一种基于耦合双向LSTM和卷积结构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、基层三向应变、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、耦合双向LSTM和卷积结构网络

本发明采用的耦合双向LSTM和卷积结构网络(Bidirectional LSTM and CNN，BiLSTM-CNN)由一个双向LSTM层和四个1D卷积层组成，如图1所示。利用CNN提取传感器获取的数据时间维度上的固定特征,实现对道路上各种传感器监测信号的特征提取；同时,选用双向LSTM神经网络对CNN部分输出的特征序列进行处理,挖掘数据中的时序信息,在时间维度上提取监测传感器的信号变化趋势和特征，并实现对路基基层应变的预测。

本发明采用的技术方案为一种基于耦合双向LSTM和卷积结构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、BiLSTM-CNN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。