[發明專利]一種基于人工智能的公路路面全生命周期質量追溯方法

有效

• 申請號: 202110571984.9
• 申請日: 2021-05-25
• 公開（公告）號: CN113177735B
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 李家樂;王雪菲;殷國輝;馬國偉
• 申請（專利權）人: 河北工業大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/08;G06N3/04;G06N3/08
• 代理公司: 天津翰林知識產權代理事務所(普通合伙) 12210
• 代理人: 張國榮

1.一種基于人工智能的公路路面全生命周期質量追溯方法，其特征在于，該追溯方法包括如下步驟：

步驟一：采集高速公路全生命周期數據，建立數據庫；

高速公路全生命周期數據具體包括建設期數據、運營期數據以及使用性能數據，建設期數據具體包括力學指標與材料屬性指標，運營期數據具體包括交通條件指標、環境因素指標；

數據庫中的一條數據以高速公路名稱、起始點樁號、公路等級、規劃交通量、所在地區為固定標簽，以一個車道上的一個百米樁號之間的路面的全生命周期數據為特征參數，特征參數的一個值為路面的全生命周期數據中的一項指標的一個時間周期內的特征值，該特征值為一個數據點，一項指標在一個時間周期內的特征值根據對應時間周期內的數據獲得；

特征參數包括固定特征參數和周期特征參數，建設期數據的指標為固定特征參數，其特征值在路面的全生命周期中僅記錄一次；周期特征參數包括運營期數據的交通條件指標、運營期數據的環境因素指標、使用性能數據的指標，周期特征參數在不同時間周期內分別記錄，即周期特征參數記錄的次數為全生命周期包括的時間周期個數；

步驟二：對步驟一中數據庫的多條數據進行預處理，得到原始數據集；將原始數據集按比例6：2：2進行劃分，分別得到訓練集、驗證集和測試集；訓練集數據用于訓練神經網絡，驗證集數據用于優化神經網絡，測試集數據評價最終生成的網絡模型；

對步驟一中數據庫的多條數據進行預處理的具體過程為：一條數據的固定標簽保持不變，其固定特征參數也保持不變，按生命周期的時間節點將不超過該時間節點的周期特征參數累計，得到累計周期特征參數；然后將包含固定標簽、固定特征參數和累計周期特征參數的數據進行噪聲值剔除和數據無量綱化處理，即得原始數據集；

步驟三：建立道路使用性能預測神經網絡模型；

構建原始人工神經網絡模型結構，該原始人工神經網絡模型結構包括輸入層、隱含層和輸出層，輸入層的神經元個數對應固定特征參數的指標項數和累計周期特征參數中的運營期數據的指標項數之和，輸出層的神經元個數對應累計周期特征參數中的使用性能數據的指標項數；隱含層層數、每一層隱含層中神經元個數在各自取值范圍內隨機選定，隱含層層數取值范圍為2-50，每一層隱含層中神經元個數取值范圍為2-1000；同時設置每一層網絡層的激活函數和模型的損失函數，輸入層和輸出層采用“linear”作為激活函數，各隱含層均采用“relu”作為激活函數，模型的損失函數設置為“mae”函數；避免出現過擬合的現象，同時對隱含層進行正則化處理，正則化通過在隱含層中添加正則化選項和添加丟棄層實現，正則化選項在權重正則化、偏置正則化和輸出正則化中隨機選擇至少一項，丟棄層丟棄概率在0-0.5范圍內隨機選擇；偏置采用零初始化，即將各神經元間的偏置設置為0；權重采用標準正態分布初始化，即將各權重值相互獨立，且服從均值為0、方差為1的分布；

將步驟二中的訓練集數據中的固定特征參數的指標和累計周期特征參數中的運營期數據的指標的特征值輸入到建構好的原始人工神經網絡模型中，得到經原始人工神經網絡模型計算出的累計周期特征參數中的使用性能數據的指標的預測數據，將計算得到的預測數據與訓練集中的累計周期特征參數中的使用性能數據的指標的特征值進行比較，得到誤差信號，根據誤差信號反向調整輸入層與隱含層、隱含層與隱含層、隱含層與輸出層之間的權重與偏置，反復迭代，不斷調整權重和偏置，以降低損失函數的值，直到在該權重與偏置下的神經網絡模型在迭代計算一百次的過程中，平均損失不再下降，即終止訓練，得到訓練后的神經網絡模型；

對訓練后的神經網絡模型進行評價：將驗證集中的固定特征參數的指標和累計周期特征參數中的運營期數據的指標的特征值輸入訓練后的神經網絡模型中，得到驗證集的使用性能數據的預測值；然后對驗證集的使用性能數據的預測值進行反無量綱化處理，再根據使用性能數據的預測值和實際值計算模型的評價指標值，選取MAPE值作為模型的評價指標：

式中：n為驗證集的數據條數，i為第i條數據；y_i為驗證集的使用性能數據一項指標的一個真實值；為驗證集的使用性能數據一項指標的一個預測值；根據上式，計算得到驗證集的使用性能數據一項指標的MAPE值，驗證集在該模型下的MAPE值為多項指標的平均MAPE值，且將其設置為MAPE基準值；

設置優化閾值，范圍一般設置為0-0.4，即期望平均MAPE值的下降幅度；結合MAPE基準值，利用驗證集數據對訓練后的神經網絡模型進行優化，具體方法為：先設定各超參數的取值范圍與取值間隔，將隱含層層數、每一層隱含層神經元個數、神經元丟棄層層數、正則化選項、批次處理數據量、神經元丟棄層丟棄比例作為待優化的超參數，根據各超參數的取值范圍與取值間隔，分別得到各超參數的多種取值；將不同超參數的多種取值進行隨機不重復的組合，得到多組超參數數據；將一組超參數數據代入到訓練后的神經網絡模型中，偏置采用零初始化，權重采用標準正態分布初始化，將驗證集數據中的固定特征參數的指標和累計周期特征參數中的運營期數據的指標的特征值輸入到輸入層中，經過神經網絡模型的計算，得到累計周期特征參數中的使用性能數據的指標的預測數據；將計算得到的預測數據與驗證集中的實際值進行比較，得到誤差信號；根據誤差信號反向調整輸入層與隱含層、隱含層與隱含層、隱含層與輸出層之間的權重與偏置，反復迭代，不斷調整權重和偏置，以降低損失函數的值，直至迭代一百次過程中平均損失不再下降則終止迭代，得到當前超參數組合下的神經網絡模型；計算該神經網絡模型的MAPE值，結合MAPE基準值，計算下降幅度，若小于優化閾值，則繼續選取下一組超參數組合訓練神經網絡模型，不斷重復上述過程，直到生成的神經網絡模型的MAPE值的下降幅度大于優化閾值，則在該組超參數數據下的神經網絡模型即為道路使用性能預測神經網絡模型；

將測試集數據的固定特征參數的指標和累計周期特征參數中的運營期數據的指標的特征值投入到道路使用性能預測神經網絡模型中，根據預測得到的使用性能數據，對該模型的精度進行評價，評價指標為RMSE值和MAPE值，RMSE值的計算公式為：

式中：n為測試集的數據條數，i為第i條數據；y_i為測試集的使用性能數據一項指標的一個真實值；為測試集的使用性能數據一項指標的一個預測值；根據上式，計算得到測試集的使用性能數據一項指標的RMSE值；當所有指標的MAPE值均小于0.07，且所有指標的RMSE值不大于對應指標項滿值的百分之十，則該模型為有效模型；一項指標的滿值為測試集中對應項真實值的最大值；

步驟四：利用步驟三得到的道路使用性能預測神經網絡模型對目標運營高速公路提供養護決策；

將目標運營高速公路按照步驟一中所述的數據采集方法進行固定特征參數以及周期特征參數中的運營期數據的交通條件指標、運營期數據的環境因素指標的特征值采集，并按照步驟二中的數據預處理過程對采集的特征值進行預處理，形成歷史數據；將歷史數據輸入到步驟三中得到的道路使用性能預測神經網絡模型中，計算得到目標高速公路的對應的百米樁號區間路面的累計周期特征參數中的使用性能數據的預測數據；根據計算得到的預測數據，為養護決策提供數據支持；

步驟五：利用步驟三得到的道路使用性能預測模型結合遺傳算法對建設期高速公路的建設期數據進行規劃，具體過程為：

(1)根據建設期高速公路的交通規劃、當地的歷史環境因素以及使用壽命規劃，采用步驟一所述的方法進行數據整理并采用步驟二所述方法進行預處理，得到規劃生命周期a內的累計周期特征參數數據序列；運營期數據的交通條件指標根據交通規劃和使用壽命規劃確定，運營期數據的環境因素指標根據當地的歷史環境因素預測；

(2)設置遺傳算法中的參數，具體為可變參數、固定參數和表征參數，設置材料屬性為可變參數，設置力學指標為固定參數，規劃生命周期a內的累計周期特征參數數據為表征參數，表征參數數據通過步驟(1)獲得；根據建設期高速公路的施工規劃，獲得建設期數據的力學指標、建設期數據的材料屬性指標的參考取值范圍，即獲得可變參數各指標的取值范圍和固定參數各指標的取值范圍，將可變參數各指標在各自的取值范圍內均勻選取20個取值，然后將可變參數指標的取值進行隨機的組合，直至產生200組不同的可變參數組合；將固定參數各指標在各自的取值范圍內隨機選取一個取值，形成固定參數組合；

將一組可變參數組合、固定參數組合以及表征參數進行組合，作為步驟三中的道路使用性能預測神經網絡模型的一組輸入，得到使用性能數據的預測值；適應度函數設為：

其中：Q為個體的適應度，這里的個體指一組輸入；a為時間周期個數；y_t為預測模型第t個時間節點輸出的綜合適應度；n為預測模型輸出個數，即輸出層神經元個數；Y_i為預測模型的輸出層神經元i的輸出，對應使用性能指標i的預測值；λ為使用性能重要系數，λ取值范圍為0-1之間，且所有性能重要系數之和為1；

將由不同組可變參數組合、固定參數組合以及表征參數構成的多組輸入，分別投入到預測模型中，得到不同組輸入對應的使用性能數據的預測值；計算每一組輸入的適應度，將整個種群中個體的最大適應度設為Q₁；

(3)采用浮點數編碼的方式對可變參數進行編碼，可變參數的每一項指標占據一個染色體位置，并以浮點數類型進行存儲；將步驟(2)中的200組不同的可變參數組合作為第一代種群，將由第一代種群所構成的個體的適應度從大到小排序，剔除后百分之五十的個體，然后將剩余的個體按照適應度比例方法選取出比例值從大到小排序的前20個個體作為算子，即選取概率為本個體適應度占所有剩余個體適應度的比例：

其中：P為選擇該個體為算子的概率；Q為適應度；

將選取出的20個算子進行兩個一組隨機匹配，得到10組算子對；采用一致雜交的方式，對每一組算子對進行交叉操作，直至產生150個新個體；對150個新個體進行變異操作，首先將變異概率設定為0.05，選取出待變異個體，對待變異個體隨機選擇變異位進行實值變異，將經過變異操作后的新個體替換掉待變異個體，得到150個子代個體；將該150個子代個體加上第一代種群中的適應度位于前25％的個體，生成第二代種群；第三代種群在第二代種群的基礎上，按照第二代種群生成的過程獲得；上述交叉操作和變異操作的對象都是一組輸入中的可變參數，固定參數與表征參數均為固定值，固定參數和表征參數只涉及個體適應度的計算；

(4)每生成新的一代種群后，通過迭代終止條件來決定是繼續迭代更新種群，還是迭代終止；所述終止條件具體為：

1)預設終止適應度設為Q_m，設第n代種群的最大適應度為Q_n，n≥2，判斷Q_n是否大于Q_m，是則執行步驟2)，否則執行步驟3)；

2)預設適應度增幅閾值為η，判斷Q_n較Q_n-1的增幅是否小于η，是則迭代終止，輸出與Q_n對應的個體，否則執行步驟3)；

3)預設種群最大代數的閾值為G_m，判斷當前種群代數是否達到最大代數，是則迭代終止，輸出當前種群中最大適應度Q_n對應的個體，否則在第n代種群的基礎上按照步驟(4)生成第n+1代種群，并跳轉到步驟1)，將第n+1代種群的最大適應度Q_n+1與Q_m進行大小判斷，以決定下一步是執行步驟2)還是步驟3)；

(5)將步驟(4)中滿足迭代終止條件的種群中最大適應度對應的個體進行解碼，得到可變參數各指標的最優取值，即得到材料屬性各指標的最優取值；

(6)將材料屬性設置為固定參數，固定參數組合的值為步驟(5)中的得到的材料屬性各指標的最優取值；將力學指標設置為可變參數，表征參數保持不變，重復步驟(2)到步驟(5)的過程，即得力學指標的最優取值。