(19)國(guó)家知識(shí)產(chǎn)權(quán)局(12)發(fā)明專利(10)授權(quán)公告號(hào)CN115455826B(65)同一申請(qǐng)的已公布的文獻(xiàn)號(hào)(73)專利權(quán)人東南大學(xué)地址210096江蘇省南京市玄武區(qū)四牌樓2號(hào)(72)發(fā)明人時(shí)欣利陶萌李卓軒曹進(jìn)德徐向平(74)專利代理機(jī)構(gòu)南京眾聯(lián)專利代理有限公司專利代理師葉倩Li,ZX.AnAugmentedModelofRutting期),1-15.審查員何永海(54)發(fā)明名稱基于徑向基神經(jīng)網(wǎng)絡(luò)的瀝青路面車轍數(shù)據(jù)擴(kuò)充方法本發(fā)明公開(kāi)了一種基于徑向基神經(jīng)網(wǎng)絡(luò)的瀝青路面車轍數(shù)據(jù)擴(kuò)充方法，首先采集瀝青路面使用性能檢測(cè)數(shù)據(jù)及瀝青路面使用性能影響因素?cái)?shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理；再根據(jù)獲得的數(shù)據(jù)，進(jìn)行特征生成，根據(jù)皮爾遜相關(guān)系數(shù)篩選出與車轍數(shù)據(jù)高度相關(guān)的特征；隨后構(gòu)建徑向基神經(jīng)網(wǎng)絡(luò)擴(kuò)充模型，以K-均值算法確定高斯徑向基函數(shù)的中心，k-最近鄰算法確定高斯徑向基函數(shù)的半徑，確定從隱藏層到輸出層的權(quán)重矩陣，通過(guò)調(diào)節(jié)隱藏層的神經(jīng)元個(gè)數(shù)來(lái)達(dá)到模型最優(yōu)；對(duì)擴(kuò)充后的數(shù)據(jù)進(jìn)行預(yù)測(cè)驗(yàn)證，最后將數(shù)據(jù)擴(kuò)充模輸人輸人x;最近的p個(gè)點(diǎn)否是22.如權(quán)利要求1所述的基于徑向基神經(jīng)網(wǎng)絡(luò)的瀝青路面車轍數(shù)據(jù)擴(kuò)充方法，其特征在3.如權(quán)利要求2所述的基于徑向基神經(jīng)網(wǎng)絡(luò)的瀝青路面車轍數(shù)據(jù)擴(kuò)充方法，其特征在4.如權(quán)利要求3所述的基于徑向基神經(jīng)網(wǎng)絡(luò)的瀝青路面車轍數(shù)據(jù)擴(kuò)充方法，其特征在5.如權(quán)利要求3所述的基于徑向基神經(jīng)網(wǎng)絡(luò)的瀝青路面車轍數(shù)據(jù)擴(kuò)充方法，其特征在6.如權(quán)利要求3所述的基于徑向基神經(jīng)網(wǎng)絡(luò)的瀝青路面車轍數(shù)據(jù)擴(kuò)充方法，其特征在3序，從排序數(shù)組中選擇前K行，最后計(jì)算當(dāng)前簇與其k個(gè)最近鄰的均方根距離，即高斯徑向基函數(shù)的半徑：7.如權(quán)利要求3所述的基于徑向基神經(jīng)網(wǎng)絡(luò)的瀝青路面車轍數(shù)據(jù)擴(kuò)充方法，其特征在于：所述步驟S3中從隱藏層到輸出層的權(quán)重@,滿足以下方程緊湊形式為φW=y,其中φ∈R",W=(@?,@2,…,@),所以隱藏層到輸出層的權(quán)重矩陣為：8.如權(quán)利要求4或5或6或7所述的基于徑向基神經(jīng)網(wǎng)絡(luò)的瀝青路面車轍數(shù)據(jù)擴(kuò)充方法，其特征在于：所述步驟S3中隱藏層的最佳神經(jīng)元個(gè)數(shù)為特征數(shù)量的4到6倍。4基于徑向基神經(jīng)網(wǎng)絡(luò)的瀝青路面車轍數(shù)據(jù)擴(kuò)充方法技術(shù)領(lǐng)域[0001]本發(fā)明屬于瀝青路面使用性能預(yù)測(cè)技術(shù)領(lǐng)域，涉及一種數(shù)據(jù)擴(kuò)充方法，主要涉及了一種基于徑向基神經(jīng)網(wǎng)絡(luò)的瀝青路面車轍數(shù)據(jù)擴(kuò)充方法。背景技術(shù)[0002]近年來(lái)，隨著經(jīng)濟(jì)發(fā)展對(duì)公路運(yùn)輸?shù)拇龠M(jìn)，車輛類型和數(shù)量不斷多元化，我國(guó)高速公路飛速發(fā)展，但是由于交通流量的增大以及交通軸載荷載的加大，傳統(tǒng)瀝青路面存在結(jié)構(gòu)破壞，主要表現(xiàn)為疲勞開(kāi)裂和永久變形，使用壽命短，拆遷改造帶來(lái)了巨大的經(jīng)濟(jì)損失。未來(lái)為了減少維護(hù)等成本，將交通繁忙場(chǎng)所的道路設(shè)計(jì)壽命延長(zhǎng)至少40年而不需要加強(qiáng)結(jié)[0003]然而，由于數(shù)據(jù)量有限并且數(shù)據(jù)不規(guī)范，導(dǎo)致基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型精度低，對(duì)材料全生命周期條件下多用途性能演化規(guī)律，驗(yàn)證和改進(jìn)道路結(jié)構(gòu)設(shè)計(jì)方法和材料。在不同荷載水平下，對(duì)19種不同剛度水平的結(jié)構(gòu)彎沉盆進(jìn)行了定期測(cè)試和數(shù)據(jù)采集，并分析了它們的變化情況。其中，車轍是檢驗(yàn)路面損壞程度重要指標(biāo)之一，因此建立精確的車轍預(yù)估模型，不僅可以指導(dǎo)路面設(shè)計(jì)，也為路面的養(yǎng)護(hù)和維修提供重要依據(jù)。發(fā)明內(nèi)容[0004]本發(fā)明正是為了建立一種更加精確的車轍預(yù)估模型，提供一種基于徑向基神經(jīng)網(wǎng)絡(luò)的瀝青路面車轍數(shù)據(jù)擴(kuò)充方法，首先采集瀝青路面使用性能檢測(cè)數(shù)據(jù)及瀝青路面使用性能影響因素?cái)?shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理；再根據(jù)獲得的數(shù)據(jù)，進(jìn)行特征生成，根據(jù)皮爾遜相關(guān)系數(shù)篩選出與車轍數(shù)據(jù)高度相關(guān)的特征；隨后構(gòu)建徑向基神經(jīng)網(wǎng)絡(luò)擴(kuò)充模型，以K-均值算法確定高斯徑向基函數(shù)的中心，k-最近鄰算法確定高斯徑向基函數(shù)的半徑，確定從隱藏層到輸出層的權(quán)重矩陣，通過(guò)調(diào)節(jié)隱藏層的神經(jīng)元個(gè)數(shù)來(lái)達(dá)到模型最優(yōu)；對(duì)擴(kuò)充后的數(shù)據(jù)進(jìn)行預(yù)測(cè)驗(yàn)證，說(shuō)明模型的可信度與優(yōu)勢(shì)；最后將數(shù)據(jù)擴(kuò)充模型推廣到各個(gè)路面數(shù)據(jù)，根據(jù)其特征數(shù)據(jù)，實(shí)現(xiàn)基于徑向基神經(jīng)網(wǎng)絡(luò)的瀝青路面車轍數(shù)據(jù)擴(kuò)充。[0005]為了實(shí)現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案是：基于徑向基神經(jīng)網(wǎng)絡(luò)的瀝青路面[0006]S1,數(shù)據(jù)預(yù)處理：采集瀝青路面使用性能檢測(cè)數(shù)據(jù)及瀝青路面使用性能影響因素?cái)?shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理；所述瀝青路面使用性能檢測(cè)數(shù)據(jù)為車轍深度數(shù)據(jù)，所述瀝青路面使用性能影響因素?cái)?shù)據(jù)包括周期、大氣溫度、地表溫度和累計(jì)軸次；所述數(shù)據(jù)預(yù)處理至少[0007]S2,特征生成：根據(jù)步驟S1獲得的數(shù)據(jù)，進(jìn)行特征生成，所述特征為周期、大氣溫度、地表溫度、累計(jì)軸次、單次加載軸次和負(fù)載變化速率，再根據(jù)皮爾遜相關(guān)系數(shù)篩選出與車轍數(shù)據(jù)高度相關(guān)的特征；[0008]S3,構(gòu)建徑向基神經(jīng)網(wǎng)絡(luò)擴(kuò)充模型：將步驟S1得到的數(shù)據(jù)集按照路面結(jié)構(gòu)劃分?jǐn)?shù)5[0019]作為本發(fā)明的再進(jìn)一步改進(jìn)，所述步驟S3中從隱藏層到輸出層的權(quán)重@,滿足以下方程[0021]緊湊形式為φW=y,其中φ∈R×,w=(@1,①?,…,①),所以隱藏層到輸出層的6的4到6倍。[0024]與現(xiàn)有技術(shù)相比，本發(fā)明的技術(shù)方案具有以下有益效果：1)避免使用野外數(shù)據(jù)帶來(lái)的不確定性誤差，又可以將數(shù)據(jù)數(shù)量增大，進(jìn)一步可以提高基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型的準(zhǔn)確性；2)能夠生成比較規(guī)整的數(shù)據(jù)，可以嘗試一些新的算法來(lái)研究數(shù)據(jù)的周期特性；3)能夠有效的減少測(cè)量成本，可以對(duì)車轍數(shù)據(jù)進(jìn)行低密度測(cè)量，對(duì)溫度、軸次等易測(cè)量數(shù)據(jù)進(jìn)行高密度測(cè)量。附圖說(shuō)明[0026]圖2為本發(fā)明徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)模型圖；[0027]圖3為本發(fā)明基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的瀝青路面車轍數(shù)據(jù)擴(kuò)充模型框架圖。具體實(shí)施方式[0028]下面結(jié)合附圖和具體實(shí)施方式，進(jìn)一步闡明本發(fā)明，應(yīng)理解下述具體實(shí)施方式僅用于說(shuō)明本發(fā)明而不用于限制本發(fā)明的范圍。[0029]基于徑向基神經(jīng)網(wǎng)絡(luò)的瀝青路面車轍數(shù)據(jù)擴(kuò)充方法，包括如下步驟：[0030]S1,數(shù)據(jù)預(yù)處理：采集瀝青路面使用性能檢測(cè)數(shù)據(jù)及瀝青路面使用性能影響因素?cái)?shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理；所述瀝青路面使用性能檢測(cè)數(shù)據(jù)主要為車轍深度數(shù)據(jù)，所述瀝青路面使用性能影響因素?cái)?shù)據(jù)包括周期、大氣溫度、地表溫度和累計(jì)軸次；[0031]采集歷年瀝青路面使用性能檢測(cè)數(shù)據(jù)及瀝青路面使用性能影響因素?cái)?shù)據(jù)，對(duì)所收集的數(shù)據(jù)進(jìn)行預(yù)處理，主要包括數(shù)據(jù)篩選與剔除，數(shù)據(jù)的轉(zhuǎn)化等。由于設(shè)備、環(huán)境等不可抗因素，采集的數(shù)據(jù)往往存在數(shù)據(jù)缺失、重復(fù)等情況，因此首先按照周期對(duì)數(shù)據(jù)進(jìn)行篩選，將同一周期內(nèi)的重復(fù)數(shù)據(jù)刪除；對(duì)于某一周期特征數(shù)據(jù)缺失的情況，直接將其刪掉，而不采取平均值填充的方式，目的是避免補(bǔ)充的數(shù)據(jù)對(duì)后續(xù)的數(shù)據(jù)擴(kuò)充模型產(chǎn)生負(fù)面的影響；最后由于某些特征的數(shù)量級(jí)很大，為防止在數(shù)據(jù)擴(kuò)充時(shí)因距離的計(jì)算而忽略一些重要的特征，本實(shí)施例中，對(duì)數(shù)據(jù)取對(duì)數(shù)來(lái)進(jìn)行壓縮和轉(zhuǎn)換。[0032]S2,特征生成：根據(jù)步驟S1獲得的數(shù)據(jù)，進(jìn)行特征生成，再根據(jù)皮爾遜相關(guān)系數(shù)篩選出與車轍數(shù)據(jù)高度相關(guān)的特征。[0033]最近基于RIOHTrack力學(xué)監(jiān)測(cè)數(shù)據(jù)的車轍預(yù)測(cè)模型較好的擬合了機(jī)械經(jīng)驗(yàn)本構(gòu)方的影響。基于此，為了避免建模過(guò)程中特征的缺失與重復(fù)，本實(shí)施例中，首先對(duì)已有數(shù)據(jù)進(jìn)行特征生成，然后根據(jù)相關(guān)性分析得到的相關(guān)系數(shù)剔除掉高度相關(guān)的特征。足尺路面環(huán)路被稱為RIOHTrack,如圖1所示，在環(huán)道主試驗(yàn)路段鋪設(shè)了19種不同形式的瀝青路面結(jié)構(gòu)(STR1--STR19),至今已開(kāi)展了持續(xù)5年的采集工作，積累了較為完整的不同路面結(jié)構(gòu)內(nèi)部數(shù)據(jù)STR1為例進(jìn)行特征生成得到六個(gè)特征，新特征包括單次加載軸次和負(fù)載變化速率；根據(jù)皮爾遜相關(guān)系數(shù)計(jì)算公式7[0036]S3,構(gòu)建徑向基神經(jīng)網(wǎng)絡(luò)擴(kuò)充模型：將步驟S1得到的數(shù)據(jù)集按照路面結(jié)構(gòu)分為六果。[0041]這個(gè)值即為高斯徑向基函數(shù)的半徑，其中計(jì)算中涉及到的距離均為歐幾里得距離。確定從隱藏層到輸出層的權(quán)重@,滿足以下方程[0044]緊湊形式為φW=y,其中φ∈R"×,w=(@?,①2,…,①),所以隱藏層到輸出層的權(quán)重矩陣W=(φTφ)?1φTy。8[0046]S4,數(shù)據(jù)擴(kuò)充：給出19種結(jié)構(gòu)路面的車轍數(shù)據(jù)進(jìn)行擴(kuò)充；[0047]對(duì)擴(kuò)充前的數(shù)據(jù)與擴(kuò)充后的數(shù)據(jù)分別進(jìn)行回歸估計(jì)與短時(shí)預(yù)測(cè)，通過(guò)比較兩者的精度對(duì)擴(kuò)充模型進(jìn)行分析與驗(yàn)證[0048]S5,實(shí)施：將擴(kuò)充后的數(shù)據(jù)，用于車轍深度的回歸估計(jì)與短時(shí)預(yù)測(cè)。[0049]回歸估計(jì)：針對(duì)S2中篩選出的特征，對(duì)2017年--2020的數(shù)據(jù)進(jìn)行擴(kuò)充，將擴(kuò)充后的數(shù)據(jù)進(jìn)行徑向基神經(jīng)網(wǎng)絡(luò)訓(xùn)練，通過(guò)回歸的方式預(yù)測(cè)2021年的車轍數(shù)據(jù)，與源數(shù)據(jù)進(jìn)行比[0050]短時(shí)預(yù)測(cè)：針對(duì)S2中篩選出的特征，對(duì)2017年--2020的數(shù)據(jù)進(jìn)行擴(kuò)充，取時(shí)間窗口為5,步長(zhǎng)為1的時(shí)間滑窗對(duì)原始數(shù)據(jù)進(jìn)行片段化處理，將處理后的數(shù)據(jù)作為訓(xùn)練集對(duì)LSTM算法進(jìn)行訓(xùn)練，得到2021年的車轍短時(shí)預(yù)測(cè)數(shù)據(jù)，與源數(shù)據(jù)進(jìn)行比較，得到最終的預(yù)測(cè)誤[0051]分割數(shù)據(jù)集，步驟S1得到的19種路面數(shù)據(jù)集被間隔劃分，平均分成一個(gè)訓(xùn)練集和一個(gè)測(cè)試集，其中訓(xùn)練集用來(lái)對(duì)徑向基神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，不斷優(yōu)化隱藏層神經(jīng)元的個(gè)數(shù)，直到得到最優(yōu)的數(shù)據(jù)擴(kuò)充模型，測(cè)試集用來(lái)對(duì)徑向基神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，觀察其擴(kuò)充[0052]初始化參數(shù)，RBF神經(jīng)網(wǎng)絡(luò)模型權(quán)重的初始化采用隨機(jī)初始化的方式，通過(guò)六類路面數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)參數(shù)發(fā)現(xiàn)，隱藏層的最佳神經(jīng)元個(gè)數(shù)約為特征數(shù)量的4到6倍，因此設(shè)置初始的神經(jīng)元個(gè)數(shù)為20;[0053]參數(shù)優(yōu)化，以均方根誤差RMSE、平均絕對(duì)誤差MSE、平均絕對(duì)百分比誤差MAPE和R2[0055]本實(shí)施例測(cè)量的車轍數(shù)據(jù)來(lái)自于交通運(yùn)輸部的全尺寸路面試驗(yàn)環(huán)路道路項(xiàng)目。足尺路面環(huán)路包括25種瀝青路面結(jié)構(gòu)整體呈跑道型布局，全長(zhǎng)2039米，被稱為RIOHTrack,如圖1所示，在環(huán)道主試驗(yàn)路段鋪設(shè)的19種不同形式的瀝青路面結(jié)構(gòu)中埋設(shè)了近1200個(gè)動(dòng)態(tài)應(yīng)力、應(yīng)變傳感器，實(shí)時(shí)采集荷載與環(huán)境耦合作用下瀝青路面結(jié)構(gòu)內(nèi)部的力學(xué)響應(yīng)狀態(tài).至今已開(kāi)展了持續(xù)5年的采集工作，積累了較為完整的不同路面結(jié)構(gòu)內(nèi)部的應(yīng)力、應(yīng)變響應(yīng)信[0056]本實(shí)施例以19種瀝青路面的全尺度路面結(jié)構(gòu)的測(cè)量數(shù)據(jù)作為數(shù)據(jù)源。每種路面共103個(gè)數(shù)據(jù)樣本，目標(biāo)是尋求與車轍高度相關(guān)的特征，再根據(jù)這些特征，運(yùn)用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)對(duì)車轍的數(shù)據(jù)進(jìn)行有效的擴(kuò)充。利用MSE、MAE和R來(lái)反映真實(shí)值和預(yù)測(cè)值之間的差[0057]圖表1車轍特征源數(shù)據(jù)9周期累計(jì)軸次的對(duì)數(shù)大氣溫度中心點(diǎn)彎沉0·..·..·[0059]本實(shí)施例以六類主要路面結(jié)構(gòu)為例，針對(duì)STR2,STR5,STR8,STR11,STR12,STR18基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)來(lái)建立數(shù)據(jù)擴(kuò)充模型，基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的瀝青路面車轍數(shù)據(jù)擴(kuò)充模型框架圖如圖3所示。(1)分割數(shù)據(jù)集：每種路面結(jié)構(gòu)數(shù)據(jù)都有103個(gè)數(shù)據(jù)，被分為訓(xùn)練集和測(cè)試集，其中52個(gè)用于訓(xùn)練，51個(gè)用于測(cè)試，部分源數(shù)據(jù)如表1所示。(2)初始化參數(shù)：徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型權(quán)重的初始化采用隨機(jī)初始化的方式，通過(guò)六類路面數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)參數(shù)發(fā)現(xiàn)，隱藏層的最佳神經(jīng)元個(gè)數(shù)約為特征數(shù)量的4到6倍，因此設(shè)置初始的神經(jīng)元個(gè)數(shù)為20;(3)參數(shù)優(yōu)化：以均方根誤差RMSE、平均絕對(duì)誤差MSE、平均絕對(duì)百分比誤差的隱藏層神經(jīng)元個(gè)數(shù)分別為28,22,17,30,22和28個(gè)。試驗(yàn)結(jié)果表明，六類路面結(jié)構(gòu)的擴(kuò)充結(jié)果與真實(shí)值進(jìn)行比較，平均RMSE為3.95,平均R2為0.957。將該方法與經(jīng)典神經(jīng)網(wǎng)絡(luò)方法的實(shí)驗(yàn)結(jié)果進(jìn)行了比較，結(jié)果表明，基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的方法在數(shù)據(jù)擴(kuò)充方面優(yōu)于經(jīng)典的神經(jīng)網(wǎng)絡(luò)方法。最后通過(guò)對(duì)車轍數(shù)據(jù)預(yù)測(cè)的實(shí)例驗(yàn)證，表明