[发明专利]基于神经网络的高速公路养护大数据分类决策方法

权利要求书

1.基于神经网络的高速公路养护大数据分类决策方法，其特征在于：包括以下步骤：

S1：基于高速公路养护系统的大数据采集，采用基于NLP词袋模型对数据的规格化处理，运用无监督机器学习算法将原始数据集中的文本类数据转化为数值型数据；

S2：基于自编码器模型对数据的降维处理，使用反向传播算法来训练网络使输出等于输入，训练完后的中间结果即为降维结果；

S3：采用人工标签将养护建议分为三类，构建了用于高速公路养护大数据分类决策的梯度提升决策树分类模型，并使用混淆矩阵对模型分类的具体结果进行评价。

2.根据权利要求1所述的基于神经网络的高速公路养护大数据分类决策方法，其特征在于：所述步骤S1中采用基于NLP词袋模型对数据的规格化处理，具体包括以下步骤：

S1-1：构建NLP词袋模型；

S1-2：对数据集中的文本类数据创建字典列表；

S1-3：对文本类数据进行计数；

S1-4：对文本类数据进行分词处理得到词频特征，并将其转化为词频矩阵，从而完成对文本类数据的词袋化。

3.根据权利要求2所述的基于神经网络的高速公路养护大数据分类决策方法，其特征在于：所述步骤S1-1中，NLP词袋模型是一种基于深度学习算法的对文本类自然语言进行建模时表示文本数据的方法，从文档的所有单词中提取特征单词，在此基础上用这些特征项矩阵建模，仅考虑所有词的权重而不考虑词本身的顺序、语法，也不考虑词与词之间的逻辑关系，文档中每个单词都不依赖其它单词而独立出现，权重的分配与该词在文本中出现的频率相关。

4.根据权利要求1所述的基于神经网络的高速公路养护大数据分类决策方法，其特征在于：所述步骤S2中基于自编码器模型对数据的降维处理，具体步骤如下：

S2-1：构建自编码器模型；

S2-2：用随机数种子控制每次划分的训练集和测试集；

S2-3：通过添加噪声增加系统的鲁棒性；

S2-4：输入原始数据集后设置隐藏层，自编码器使用反向传播算法来训练网络使输出等于输入，隐藏层即为训练完后的降维结果。

5.根据权利要求4所述的基于神经网络的高速公路养护大数据分类决策方法，其特征在于：所述步骤S2-1中自编码器模型结构包括Input Layer输入层(x₁，x₂，...，x_m，bias)，Hidden Layer隐藏层(h₁，h₂，...，h_n，bias)，以及Output Layer输出层自编码器的前向传播公式为d＝F(Wx+bias)，h_w，b(x)＝F(W′d+bias)，其中F表示激活函数，本文选取Sigmoid函数，W＝{w₁，w₂，...w_n-1}表示输入层和隐藏层之间的权重集合，W′＝{w′₁，wA′₂，...w′_n-1}表示隐藏层和输出层之间的权重集合，bias表示偏置，h_w，b(x)表示与x相映射的输出值；令自编码器的目标期望输出等于输入，最终学习结果为h_w，b(x)≈x，数据X的重构误差为

6.根据权利要求4所述的基于神经网络的高速公路养护大数据分类决策方法，其特征在于：所述步骤S2-4中，输入原始数据集后设置隐藏层的步骤如下：

①输入17维的原始数据集；

②将dense_1和dense_2设置为隐藏层，其中dense_1为500维数据集，dense_2为5维数据集；

③对自编码器模型进行训练，向前和向后传播中所有批次的单次训练迭代数量为epochs＝20，一次训练所抓取的数据样本数量为batch_size＝20，并输出带进度条的输出日志信息verbose＝1；

④只取dense_2输出，完成将17维数据降为5维。