[发明专利]一种基于多层神经网络的沥青路面弯沉盆预测方法

权利要求书

1.一种基于多层神经网络的沥青路面弯沉盆预测方法，其特征在于，所述方法包括以下步骤：

步骤1、采集历年沥青路面使用性能检测数据及沥青路面使用性能影响因素数据，根据采集到的数据进行分类；

步骤2、编码转换器对输入数据进行预编码；并通过长短期记忆(LSTM)网络和一个线性层将预编码矩阵映射为输出编码矩阵；

步骤3、耦合器通过重构的方式对步骤2中的长短期记忆(LSTM)网络进行训练；

步骤4：解释器：给出结构路面的弯沉盆数据预测；

步骤5：使用基于python的深度学习框架pytorch来训练并测试多层神经网络模型，用于对沥青路面的弯沉盆进行预测。

2.根据权利要求1所述的基于多层神经网络的沥青路面弯沉盆预测方法，其特征在于，步骤1具体如下，采集历年沥青路面使用性能检测数据及沥青路面使用性能影响因素数据，根据采集到的数据进行分类，确定多层神经网络模型的输入输出变量，将路面使用性能作为多层神经网络模型的输入，所要预测的弯沉值作为多层神经网络模型的输出，沥青路面不同结构之间的关系组成一个三元组G＝(V，E，X)，其中G＝(V,E)组成一个图，V＝{v_i}_{i＝1，2，...，n}表示图中节点的集合，即不同沥青路面结构的集合；E＝{e_ij}表示节点之间边的集合，即不同结构之间的关系，由路面结构和弯沉盆决定，或者表示为E(V，X)；X＝{x₁，x₂，...，x_n}表示各个节点的特征，其中的x_i∈R^m为实值向量，节点的特征即为沥青路面结构的弯沉盆性能。

3.根据权利要求1所述的基于多层神经网络的沥青路面弯沉盆预测方法，其特征在于，步骤2具体如下，编码转换器包括两步：首先对沥青路面结构的原始数据进行预编码，其中，沥青路面结构的原始数据主要包括沥青路面结构层的厚度以及材料，用S表示V中沥青路面结构的所有材料的集合，即S＝{s_j}_j＝1，2，._..k；不同沥青路面结构结构层的材料厚度及材料数量组成预编码矩阵{P_i}_{i＝1，2，...，n}，其中P_i∈R^l×2，l表示结构层材料的数目，然后进一步的编码由长短期记忆(LSTM)网络和一个线性层来完成，预编码矩阵的空间定义为编码空间F，预编码矩阵经由长短期记忆(LSTM)网络进一步编码之后映射到抽象空间H得到对应的编码向量，其结果用表示，即经过如下规范化处理：

其中，Z＝{z₁，z₂，...，z_n}表示不同结构的编码向量，W_z和b_Z分别为权重和偏置。

4.根据权利要求1所述的基于多层神经网络的沥青路面弯沉盆预测方法，其特征在于，步骤3具体如下，耦合器通过重构的方式对步骤2中的长短期记忆(LSTM)网络进行训练，首先采用离散傅里叶变换的方式对沥青路面的结构性能向量X进行转换得到矩阵M，即M＝DFT(IX-(IX)^T)，其中DFT是离散傅里叶变换，I为单位矩阵；然后对编码转换器的输出编码序列Z进行重构得到矩阵M′，即M′＝IZ-(IZ)^T；耦合器的损失函数定义为L_s＝loss₁(M′，M)，通过最小化损失函数训练长短期记忆(LSTM)网络的参数。