一种基于高速公路传感网布设的长期路面监测数据增强方法技术

本发明专利技术公开了一种基于高速公路传感网布设的长期路面监测数据增强方法，采用计算机技术对高速公路传感网获取的原始监测数据进行数据补全和数据平滑；基于时序对抗生成网络对预处理监测数据进行深度数据增强，学习监测数据内部的关键信息，从而合成更多的高质量模拟数据使得时序数据样本物理特征和时间动态相对更加明显，提高模型的预测精度和泛化能力，减少过拟合；最后，基于深度学习模型时序卷积神经网络和序列到序列模型对合成的监测大数据集进行训练，将训练权重迁移至该模型中得到预训练模型，实现基于原始数据集的道路基层应变预测。此外，本发明专利技术能够进行精确的道路基层应变分析为后续的道路养护工作奠定基础。应变分析为后续的道路养护工作奠定基础。应变分析为后续的道路养护工作奠定基础。

【技术实现步骤摘要】
一种基于高速公路传感网布设的长期路面监测数据增强方法


[0001]本专利技术属于时序数据分析领域，涉及一种基于高速公路传感网布设的长期路面监测数据增强方法。本专利技术应用于利用高速公路多传感器融合的长期监测系统获取的路面结构监测数据进行数据增强。

技术介绍

[0002]随着大量道路基础设施建设的逐步完成，这些结构容易受到各种道路病害的影响，如车辙、疲劳开裂等，这些都与基层和底基层在反复交通荷载和外部环境的耦合作用下的弹性和永久变形有很大关系。得益于当今计算机技术和传感器技术的高速发展，高速公路逐步向高阶数字化、网联化、智慧化方向发展。智慧高速公路是大数据时代的高速公路新形态，是传统高速公路系统的延伸和创新。因此，基于设计构建不同智慧高速下的多功能场景传感器选型模型及传感网布设方法模型来指导传感网络的布局设计与搭建，从而实现应用先进的人工智能技术来利用海量的监测大数据分析和预测道路的力学行为，对于路面健康监测和结构设计至关重要，同时也有助于未来开发一个完整的路面分析和管理系统，以最大程度上延长高速公路的服役寿命。
[0003]相对于传统的力学理论的数值分析，先进的机器学习技术体现了高效率和低计算量等优势。然而，这些智能计算方法对长期监测数据的结构和数量有很高的要求。通过迭代计算，它们不断地从数据的经验中学习，所以如果没有足够数量的时间序列数据，深度学习模型可能无法学习到更多的重要特征。目前基于高速公路传感网布设所获取的长期监测数据由于该时间序列数据的结构断裂问题导致输入的稀疏数据可能导致模型的预测性能不够好，以及传感器布局优化和总成本等问题，数据深度增强技术不仅可以减少监测系统的工作量，还可以为深度学习模型带来可观的性能提升，提高准确性和稳定性，并减少过度拟合。
[0004]因此，本专利技术提出了一种基于高速公路传感网布设的长期路面监测数据增强方法。本专利技术首先将高速公路监测系统收集的传感器数据进行原始数据预处理，包括数据补全和数据平滑；然后数据集经过特征相关性分析求得互信息量，从而去掉互信息量较小的特征数据达到数据降维的目的，最后基于时序对抗生成网络进行数据扩增，以扩充样本数量，为之后的高速公路的路面基层应变预测工作奠定基础。

技术实现思路

[0005]本专利技术的目的在通过基于高速公路传感网布设的长期路面监测数据增强方法，对传感器获取的从2012年到2020年长达八年的路面监测数据进行深度增强，有效提升深度学习模型预测基层应变的精度。长期路面监测数据包括沥青应变、埋入式三向应变、土层应变、土压力、温度、渗透压、土壤水分。
[0006]一、时序对抗生成网络
[0007]本专利技术采用的时序对抗生成网络模型使用了门控循环神经网络来替代传统对抗
生成网络中判别器和生成器的多层感知机结构，并且在原始的对抗生成网络模型的基础上进行以下改进：(1)引入嵌入和恢复函数提供了特征和潜在空间之间的映射，允许对抗性网络通过低维表征学习数据的潜在时间动态；(2)对抗网络在嵌入网络提供的潜在空间内运行，真实数据和合成数据的潜在时间动态通过监督损失而同步；(3)基于三个不同的损失函数对自编码器和对抗网络进行联合训练。Reconstruction Loss用于自编码器参数的优化，Unsupervised Loss用于对抗网络参数的优化，而Supervised Loss则是针对于生成器对“时间动力学”的学习。
[0008]本专利技术采用的对抗生成网络包括四部分结构，即嵌入函数、恢复函数、序列生成器和序列判别器。这四部分组件实现共同训练，经过不断迭代更新，时序对抗生成网络同时学习编码特征、生成表示、随时间迭代，使得生成器具有良好的生成监测数据的能力，判别器具有良好的鉴别数据真假能力，如图1所示。
[0009]本专利技术采用的技术方案为一种基于高速公路传感网布设的长期路面监测数据增强方法，包括监测数据的补全与平滑、基于互信息法的特征相关性分析、时序对抗生成网络数据增强、基于深度学习模型的道路基层应变预测四大部分，如图2所示，具体步骤如下：
[0010]步骤一：高速公路传感网获取的监测数据的补全与平滑；
[0011]数据补全：
[0012]首先，将高速公路传感网监测得到经过初步处理的数据集分为训练集和测试集，其中训练集不包含缺失值，测试集包含缺失值；
[0013]其次，将训练集中包含缺失值的特征设为目标值Y，其余特征设为X，开始训练；
[0014]最后，用训练好的模型对测试集进行缺失值预测，并将预测值填充到原始数据集中，这样可以保证预测值更接近真实数据的分布。
[0015]数据平滑：
[0016]首先，利用python中的scipy.signal模块实现Savitzky
‑
Golay(SG)滤波。
[0017]其次，经过多次运算测试，设置平滑滤波的两个重要参数多项式阶数和滑动窗口为3和11。
[0018]最后，将所有的监测数据经过设置好的滤波算法进行平滑处理。
[0019]步骤二：基于互信息法的高速公路传感网监测数据特征相关性分析；
[0020]第一步，使用互信息法来计算多维特征和目标预测特征之间的相互信息量，从而对所有特征进行排序。第二步，由于土层应变的互信息量较小将其去除。
[0021]步骤三：基于时序对抗生成网络进行长期路面监测数据增强；
[0022]时序对抗生成网络由嵌入函数、恢复函数、序列生成器和序列判别器四部分构成。嵌入函数作为循环结构将特征空间S和X这两种动态和静态特征分别转化为潜在特征编码，恢复函数是将潜在编码返回成他们的特征表示。生成器随机获取100维静态和动态随机向量作为输入，首先将随机向量合成为潜在编码。随后输入判别器的动态和静态编码将会实现一个二分类区别是合成的还是真实的。在四个部分进行联合训练之中引入三个损失函数来规范学习过程，Reconstruction Loss是表示自编码器对输入数据的内在模式的掌握程度，Unsupervised Loss是表示序列生成器和序列判别器的博弈情况，Supervised Loss生成器生成的时序数据能够在多大程度上逼近真实时序数据经过自编码编码后的数据。
[0023]步骤四：基于深度学习模型的道路基层应变预测；
[0024]时序卷积网络由13层一维卷积层构成。一维卷积层的卷积核尺寸均为2，个数分别为64，膨胀因子为1、2、4、8、16、32。每层均使用ReLU激活函数，后接一个SpatialDropout1D层，衰减率设置为0.05。将预处理和降维后的数据集作为时序卷积网络的输入，时间步长设为7。
[0025]序列到序列模型的编码器结构是隐藏层有64个单元的双向LSTM，其中引入了一个注意力机制层，而解码器结构是隐藏层有32个单元的LSTM。在编码器
‑
解码器结构之后连接有64个单元的双向LSTM层，最后通过全连接层输出预测值。
[0026]本专利技术可以利用高速公路布设的传感网以长期获取路面传感器监测数据，通过输入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高速公路传感网布设的长期路面监测数据增强方法，其特征在于：利用基于高速公路传感网布设的自动化长期监测系统获取的路面结构监测数据，并结合深度学习方法进行数据增强和预测分析；具体步骤如下：步骤一：高速公路传感网获取的监测数据进行补全与平滑；数据补全：首先，将高速公路传感网监测得到经过初步处理的数据集分为训练集和测试集，其中训练集不包含缺失值，测试集包含缺失值；其次，将训练集中包含缺失值的特征设为目标值Y，其余特征设为X，开始训练；最后，用训练好的模型对测试集进行缺失值预测，并将预测值填充到原始数据集中，这样保证预测值更接近真实数据的分布；数据平滑：首先，利用python中的scipy.signal模块实现Savitzky
‑
Golay滤波；其次，经过多次运算测试，设置平滑滤波的两个重要参数多项式阶数和滑动窗口为3和11；最后，将所有的高速公路传感网监测数据经过设置好的滤波算法进行平滑处理；步骤二：基于互信息法的高速公路传感网监测数据特征相关性分析；第一步，使用互信息法来计算多维特征和目标预测特征之间的相互信息量，从而对所有特征进行排序；第二步，由于土层应变的互信息量较小将其去除；步骤三：基于时序对抗生成网络进行长期路面监测数据增强；时序对抗生成网络由嵌入函数、恢复函数、序列生成器和序列判别器四部分构成；嵌入函数作为循环结构将特征空间S和X这两种动态和静态特征分别转化为潜在特征编码，恢复函数是将潜在编码返回成他们的特征表示；生成器随机获取100维静态和动态随机向量作为输入，首先将随机向量合成为潜在编码；随后输入判别器的动态和静态编码将会实现一个二分类区别是合成的还是真实的；在四个部分进行联合训练之中引入三个损失函数来规范学习过程，Reconstruction Loss是表示自编码器对输入数据的内在模式的掌握程度，Unsupervised Loss是表示序列生成器和...

【专利技术属性】
技术研发人员：陆由付，俄广迅，赵世博，陈宁，侯越，陈艳艳，牟振华，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：