基于异构图和双通图卷积神经网络的沥青路面车辙预测方法及系统

本发明属于人工智能应用的，尤其涉及一种沥青路面服役性能预测的技术，具体涉及一种基于异构图和双通图卷积神经网络的沥青路面车辙预测方法及系统。

背景技术：

1、随着经济的快速发展，人们对交通的要求不断提高，我国在公路建设方面取得重大成就。国内主流的路面按照路面的力学特性，可以大致分为柔性路面和刚性路面两种，主要建设的高级路面为沥青混凝土路面。沥青路面优点主要表现为：高路面结构强度、高稳定性、较长使用寿命、交通承载量大、低养护成本。然而，交通量的迅速增长，特别是重载、超载车辆的增长，加上施工因素以及外部环境因素的综合影响，导致路面结构过早的产生不同程度的损坏。为了优化路面结构的生命周期管理，我们需要通过已知的路面信息对于未来的路面性能做出预测。

2、目前，针对路面结构性能的评估主要是针对弯沉、车辙等数据进行分析，然而，在分析变量之间的关系时，我们发现不仅需要分析影响因素(温度、荷载等)对于弯沉(或车辙)数据的影响，还需要注意变量之间的关系及变化规律，从而针对时间序列做出控制和预测，但是变量之间的相互依赖关系复杂且不明确，从而导致时间序列的预测精度不太高，因而，如何提高时间序列的预测精度一直是本领域急需解决和克服的问题。

技术实现思路

1、本发明正是针对现有技术中存在的问题，提供一种基于异构图和双通图卷积神经网络的沥青路面车辙预测方法及系统，根据传统的经验模型选择影响沥青路面车辙预测的变量，采集选择变量的历史监测数据，并进行相应的数据清洗；使用gru配合注意力机制捕获时间序列的长期特征，利用cnn捕获时间序列的短期特征，二者拼接作为节点的嵌入表示；使用关系系数和传递熵来建模多变量之间的相关性依赖；最后使用双通图卷积神经网络去捕获图信号与特征进行训练，获得预测结果。本方法通过变量的预测值来评估沥青路面的未来服役性能的好坏，提高了车辙预测的精度和泛化能力，有助于后期的维护与修缮。为了实现上述目的，本发明采取的技术方案是：基于异构图和双通图卷积神经网络的沥青路面车辙预测方法，包括如下步骤：

2、s1：确定影响沥青路面车辙预测的变量，采集变量的历史监测数据，并进行数据清洗后，确定模型的输入为多元时间序列x＝{x(1),x(2),...,x(n)}，其中代表每个变量的历史观测值，n为变量个数，t是输入窗口的大小；

3、s2：将车辙及步骤s1确定的变量的时间序列转化为图形结构g＝{v,e}，其中v＝{v1,v2,...,vn}，e＝{e12,e13,...,e(n-1)n},分别代表变量内部的时间模式特征和变量之间的复杂依赖关系,具体步骤如下；

4、s3：根据变量的图形结构计算得到变量的节点嵌入emb(i)和邻接矩阵a,具体包括：

5、s31：利用卷积神经网络模型，采用不同大小的卷积核提取不同时间模式下的时间序列的短期时间依赖关系c(i)，利用gru模型结合自注意力机制捕获变量内部的长期时间依赖关系v(i)，将两者相互拼接，作为变量的节点嵌入表示emb(i)：

6、emb(i)＝concat(v(i),c(i))；

7、s32：计算变量与变量之间的传递熵矩阵及相似性矩阵，对两个矩阵进行归一化，并设置阈值，为相似性矩阵和传递熵矩阵进行动态权重赋值作为最后的邻接矩阵a；

8、s4：将步骤s3获得的节点嵌入emb(i)与邻接矩阵a作为输入，进入双通图卷积神经网络，得到多步预测结果；所述双通图卷积神经网络包括高通滤波器，同时捕获变量节点周围低频分量与高频分量，并创建两到三层图结构进行训练。

9、作为本发明的一种改进，所述步骤s1中的变量，至少包括温度、行车荷载、fwd中心点弯沉深度、fwd弯沉盆面积和路面服役性能评估指标，所述路面服役性能指标至少包括车辙和路面平整度。

10、作为本发明的另一种改进，所述步骤s3中，对于变量的短期时间依赖关系提取具体为：利用卷积神经网络提取各输入变量的短期时间特征，采用扩张卷积的方式，使用不同的一维卷积滤波器，生成不同尺寸的卷积核，再将捕获到的局部时间特征进行拼接，得到该变量不同时间维度下的局部特征总和；对于变量x(i)，输入序列卷积操作为：

11、

12、

13、其中，bj为偏置，concat(*)为拼接操作，c(i)为变量x(i)的局部时间模式特征表示，即短期时间依赖关系。

14、作为本发明的另一种改进，所述步骤s31中，对于变量的长期时间依赖关系提取具体如下：对于变量x(i)，gru模块将作为输入序列得到相应的隐藏状态序列其中，隐藏状态ht在t时刻定义为：

15、

16、

17、

18、其中r控制重置门的门控，z为控制更新门的门控，σ(*)为激活函数，⊙是指两个矩阵对应元素相乘；

19、使用嵌入self-attention机制的gru作为编码器模块捕捉输入时间序列的长期特征v(i)，具体表达为：

20、

21、

22、其中向量q,k,v是中间矩阵q,k,v中的时间步的向量表示，指输入的时间序列的隐藏状态序列的线性变换。

23、作为本发明的又一种改进，所述步骤s32中，对于输入变量x＝{x(1),x(2),...,x(n)}，相似性矩阵为asim∈rn×n，asim矩阵的元素定义为：

24、

25、其中cov(x(i),x(j))是x(i)与x(j)之间的协方差，d(x(i))，d(x(j))分别是时间序列x(i)与x(j)的方差；

26、对于输入变量x＝{x(1),x(2),...,x(n)}，因果关系邻接矩阵为acas∈rn×n，对于给定图变量x(i)和x(j)，变量x(i)与x(j)的传递熵定义为：

27、

28、则矩阵acas的元素定义为：

29、

30、作为本发明的又一种改进，所述步骤s32中，对传递熵矩阵及相似性矩阵进行归一化，并设置阈值，为其权重赋值具体操作为：

31、

32、图的邻接矩阵a表示为相关性矩阵asim和因果关系矩阵acas的加权和：

33、

34、其中αr为两个邻接矩阵的权重系数，且满足条件：

35、

36、邻接矩阵a即变量之间的复杂依赖关系表示。

37、作为本发明的更进一步改进，所述步骤s4中，传播规则为：

38、

39、其中，和是稀疏矩阵，分别代表低通和高通滤波器，△和γ为两个权重矩阵，节点嵌入emb＝{emb1,emb2,...embn}作为模型的初始条件进入图卷积神经网络，计算得到h(1)。

40、为了实现上述目的，本发明还采取的技术方案是：基于异构图和双通图卷积神经网络的沥青路面车辙预测系统，至少包括基于时间序列特征提取模块、变量间相关性分析模块和双通图卷积神经网络模块；

41、所述基于时间序列特征提取模块：利用卷积神经网络模型，采用不同大小的卷积核提取不同时间模式下的时间序列的短期时间依赖关系；利用gru模型结合自注意力机制捕获变量内部的长期时间依赖关系，最后将两者相互拼接，作为变量的节点嵌入表示；

42、所述变量间相关性分析模块：计算变量与变量之间的传递熵矩阵来度量变量之间的因果关系，计算变量之间的成对相似性矩阵来呈现变量之间的线性关系，对两个矩阵进行归一化，并设置阈值使其稀疏化，最后为相似性矩阵和传递熵矩阵进行动态权重赋值作为最后的邻接矩阵；

43、所述双通图卷积神经网络模块：采用基于谱的图卷积神经网络模型，加入高通滤波器，同时捕获变量节点周围低频分量与高频分量，最后创建两到三层图结构进行训练，输出多步预测序列。

44、与现有技术相比：本发明具有的技术优势及技术效果是：本方法采用了端到端的预测模型结构，将gru、注意力机制和cnn相结合，分别提取时间序列内部的长期和短期时间依赖关系。这种综合利用不同方式捕获时序特征的方法有助于更全面地理解和表达时间序列数据，从而弥补了单一方式捕获时间特征的不足，使得模型更具有适应不同时序特征的能力。模型同时引进了注意力机制，解决了在使用循环神经网络时容易忽略时间序列中远距离时间步之间的隐藏关系的问题。这有助于模型更好地捕捉时间序列中的长期依赖关系，提高了模型的准确性。随后通过图卷积操作捕捉变量之间的复杂非线性依赖关系，使用高通滤波器捕捉节点周围关于局部邻域的信号值的变化，弥补了低通滤波器仅计算顶点局部邻域信号平均值的不足。从而提高了模型对局部结构的敏感性和对数据集特征的学习能力。