一種基于人工智能的公路路面全生命周期質量追溯方法技術

本發明專利技術公開一種基于人工智能的公路路面全生命周期質量追溯方法，該追溯方法首先以若干道路的歷史數據建立數據庫，然后利用該數據庫和人工神經網絡建立道路使用性能預測神經網絡模型。在性能預測模型的基礎上，對運營期的高速公路提供養護決策，并可以結合遺傳算法對建設期高速公路的建設期數據進行規劃，指導施工。本發明專利技術將道路全生命周期的各種指標數據作為考察對象，并根據各指標不同的屬性分別進行數據處理，整合成數據庫，結合人工神經網絡和遺傳算法，實現高速公路全生命周期的追溯。

A life cycle Quality Traceability Method of highway pavement based on Artificial Intelligence

【技術實現步驟摘要】
一種基于人工智能的公路路面全生命周期質量追溯方法
本專利技術涉及道路工程
，具體是面向高速公路的全生命周期，利用人工智能算法建立追溯方法，可用于運營公路的養護決策和在建公路的施工方案制定。
技術介紹
對于運營期道路，在車輛荷載和自然因素的綜合作用下，路面使用性能隨著路齡的增長而逐漸衰減。路面管理系統的概念起源于20世紀60年代的加拿大，功能是作為一個“與道路規劃、設計、施工、養護、評價和研究各種活動相關的、協調的、綜合統一的集合”。路面管理系統的目的是使管理部門通過這樣一個平臺能有效地使用資源，以最低的資源消耗，提供并維持在預定使用期限內具有足夠服務水平的路面。然而路面管理系統的著力點在于路面，從整體和系統的層面著重對路面的后期運營進行整體的效益評估和方法決策的擇優，并沒有涉及對于原材料，施工方案，施工關鍵力學指標等一系列的數據的記錄和反饋乃至應用。路面管理系統主要的工作內容是根據數據采集系統對現有路網進行網級管理和項目級管理，以至于整體道路的服務水平達到最優，并沒有突出公路建設期建設對于運營期的影響和反饋。對于傳統的建模方法應用于高速公路的管理工作中，并沒有從全生命周期的角度對路面使用性能進行準確預測，造成預測模型不夠全面且適用范圍低。MohamedS.Yamany等(YamanyMS,SaeedTU,VolovskiM,etal.Characterizingtheperformanceofinterstateflexiblepavementsusingartificialneuralnetworksandrandomparametersregression[J].JournalofInfrastructureSystems,2020,26(2):04020010.)利用路齡和年平均冰凍指數對路面粗糙指數進行預測，由于沒有考慮到建設期的大量特征值上的差異，因而只能單獨對每個州進行建模預測，模型無法拓展至其他的高速公路。現有的規范和研究對建設期的指導大多是從宏觀的角度，給出指標參數的大致范圍，對施工行為進行定性規避和建議。張陽(張陽.公路路基和橋梁工程施工中的質量控制[J].智能城市,2020,6(23):99-100.)對公路路基和橋梁工程施工中的一些關鍵問題給出解決思路和方法，并對施工質量控制列出關注要點，然而關于施工中的具體細節，指標定量都沒有相關描述和研究，對高速公路的具體施工的關鍵參數指標的確定意義較小。現有研究中，均沒有將建設期和建設期的數據進行深入挖掘和全面聯系，直接造成了數據資源的浪費，更沒有對建設期的施工指標進行精準科學的指導。
技術實現思路
鑒于上述現狀的不足，本專利技術擬解決的技術問題是：提供一種面向高速公路路網從建設期至運營期的全生命周期的追溯方法，建立特征值包含建設期和運營期相關數據的人工神經網絡，輸出為高速公路定時定點的路面使用性能。訓練得到的人工神經網絡的預測功能應用于運營期高速公路的養護決策，神經網絡的反饋分析功能指導籌建道路的施工參數，使施工參數接近或達到道路使用壽命理想值對應的施工條件，人為控制道路使用壽命，并減少維護成本。為了解決上述技術問題，本專利技術的技術方案為：設計一種基于人工智能的公路路面全生命周期質量追溯方法，能夠對運營公路的養護和籌建公路的施工提供有力指導，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路，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本文檔來自技高網...

【技術保護點】
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：/n步驟一：采集高速公路全生命周期數據，建立數據庫；/n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；/n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；/n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；/n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路，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；/n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；/n步驟三：建立道路使用性能預測神經網絡模型；/n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；/n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；/n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：/n...

【技術特征摘要】
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路，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；yi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；yi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...

【專利技術屬性】
技術研發人員：李家樂，王雪菲，殷國輝，馬國偉，
申請(專利權)人：河北工業大學，
類型：發明
國別省市：天津;12