申请/专利权人：东南大学;南京现代综合交通实验室

申请日：2023-12-05

公开（公告）日：2024-03-08

公开（公告）号：CN117668656A

主分类号：G06F18/241

分类号：G06F18/241;G06F18/2415;G06F18/15;G06F18/213;G06F18/22;G06N3/042;G06N3/0464;G06N3/0442;G06N3/0455;G06N3/047;G06F123/02

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.26#实质审查的生效;2024.03.08#公开

摘要：本发明公开了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。

主权项：1.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，其特征在于，包括如下步骤：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＝{X1,X2,...,Xn}，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；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,...,en-1n},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；S3：根据变量的图形结构计算得到变量的节点嵌入embi和邻接矩阵A,具体步骤如下：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ci，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vi，将两者相互拼接，作为变量的节点嵌入表示embi：embi＝concatvi,ci；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；S4：将步骤S3获得的节点嵌入embi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。

全文数据：

权利要求：

百度查询： 东南大学;南京现代综合交通实验室 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

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD