【技术实现步骤摘要】
本专利技术涉及交通工程，尤其涉及一种基于图神经网络的路基设计方法、装置、设备及存储介质。
技术介绍
1、决策树方法基于一组预定义的规则和条件来做出决策，这意味着它的适应性和灵活性相对较差。在面对未见过或未明确定义的新场景时，决策树的决策能力可能会受到限制，因为它无法灵活地适应新情况。当决策规则变得复杂且多样化时，传统的决策树可能会变得非常庞大和难以管理。这可能导致树状结构的扩张，使得树的深度增加，规则的数量剧增，从而增加了维护和更新的复杂性。这也可能导致过拟合，即过多的规则和分支，可能不适用于实际数据的泛化。
2、深度学习神经网络尽管能够处理复杂的非线性关系，但其内部工作机制通常是不透明的，这使得决策过程缺乏可解释性。这意味着虽然神经网络可以提供高度准确的预测和决策，但在某些情况下，难以理解为什么它作出了特定的决策。这对于一些应用领域，如医疗诊断和金融风险分析，可能是一个挑战，因为透明性和可解释性对决策的合理性和可信度非常重要。
技术实现思路
1、本专利技术的主要目的在于提供一种基于图神经网络的路基设计方法、装置、设备及存储介质，旨在解决现有技术深度学习神经网络内部工作机制不透明的，在利用深度学习神经网络进行决策的过程缺乏可解释性的技术问题。
2、为实现上述目的，本专利技术提供了一种基于图神经网络的路基设计方法，所述方法包括以下步骤：
3、获取路基探测参数；
4、通过预先建立的图神经网络基于所述路基探测参数进行预测，得到预测权重序列，
5、根据所述预测权重序列从预设设计方案中确定目标路基设计方案。
6、可选地，所述通过预先建立的图神经网络基于所述路基探测参数进行预测，得到预测权重序列之前，还包括：
7、获取路基设计方案的影响因子以及下级影响因子，确定所述影响因子与所述下级影响因子之间的专家关系；
8、根据所述下级影响因子和所述专家关系构建各个影响因子的图本体；
9、根据所述图本体、预选池化层、预选卷积层以及预选全连接层构建初始图神经网络；
10、对所述初始图神经网络进行训练，得到图神经网络。
11、可选地，所述根据所述图本体、预选池化层、预选卷积层以及预选全连接层构建初始图神经网络，包括：
12、根据所述图本体中各个影响因子之间的邻接关系得到各个影响因子之间的邻接矩阵；
13、将所述邻接矩阵嵌入预选卷积层，得到图卷积层；
14、根据所述图卷积层和预选池化层构建图网络，根据所述全连接层构建图分类；
15、在所述图网络和所述图分类得到初始图神经网络。
16、可选地，所述对所述初始图神经网络进行训练，得到图神经网络，包括：
17、从预设数据库中获取样本路基数据和样本设计方案，所述预设数据包括多个验证成功的路基设计方案及对应的路基数据；
18、基于所述初始图神经网络对所述样本路基数据进行预测，得到预测样本权重；
19、基于所述预测样本权重得到预测设计方案；
20、根据所述样本设计方案和所述预测设计方案构建损失函数，基于所述损失函数对所述初始图神经网络进行优化，得到图神经网络。
21、可选地，所述通过预先建立的图神经网络基于所述路基探测参数进行预测，得到预测权重序列，包括：
22、对所述路基探测参数进行预处理，得到待预测参数；
23、通过图卷积层对所述待预测参数进行特征提取，得到参数关联特征；
24、通过预选池化层对所述参数关联特征进行降维处理，得到降维后的参数关联特征；
25、通过图分类的全连接层对所述降维后的参数关联特征进行分类，得到预测权重序列。
26、可选地，所述对所述路基探测参数进行预处理，得到待预测参数，包括：
27、对所述路基探测参数进行分类得到连续数据和离散数据；
28、对所述离散数据进行独热编码，得到离散数据参数编码；
29、对所述连续数据进行初步编码得到整数型数据，对所述整数型数据进行独热编码，得到连续数据参数编码；
30、根据所述离散数据参数编码和所述连续数据参数编码得到待预测参数。
31、可选地，所述根据所述预测权重序列从预设设计方案中确定目标路基设计方案，包括：
32、从所述预测权重序列中得到权重最大的目标预测权重；
33、根据所述目标预测权重确定预设设计方案中对应的参考设计方案；
34、对所述参考设计方案进行验证，在验证成功时，将所述参考设计方案作为目标路基设计方案；
35、所述根据所述预测权重序列从预设设计方案中确定目标路基设计方案之后，还包括：
36、根据所述路基探测参数和所述目标路基设计方案更新预设数据库；
37、基于所述预设数据库对所述图神经网络进行训练，得到训练结果；
38、根据所述训练结果对所述图神经网络进行更新。
39、此外，为实现上述目的，本专利技术还提出一种基于图神经网络的路基设计装置，所述基于图神经网络的路基设计装置包括：
40、参数获取模块，用于获取路基探测参数；
41、模型预测模块，用于通过预先建立的图神经网络基于所述路基探测参数进行预测，得到预测权重序列，所述图神经网络包括图网络和图分类，所述图网络包括由图本体构建的图卷积层和预选池化层；
42、方案生成模块，用于根据所述预测权重序列从预设设计方案中确定目标路基设计方案。
43、此外，为实现上述目的，本专利技术还提出一种基于图神经网络的路基设计设备，所述基于图神经网络的路基设计设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于图神经网络的路基设计程序，所述基于图神经网络的路基设计程序配置为实现如上文所述的基于图神经网络的路基设计方法的步骤。
44、此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有基于图神经网络的路基设计程序，所述基于图神经网络的路基设计程序被处理器执行时实现如上文所述的基于图神经网络的路基设计方法的步骤。
45、本专利技术通过深度学习技术结合图论和神经网络的优势，利用神经网络的深度推理能力和图本体的明确逻辑为路基智能决策提供精确和可解释的预测算法，实现对输入特征参量的拓扑约束，从而约束神经网络能够学习到的抽象信息，既提高了决策的准确性，又增强了决策的可解释性，避免了深度学习神经网络尽管能够处理复杂的非线性关系，但其内部工作机制通常是不透明、决策过程缺乏可解释性的问题。
本文档来自技高网...【技术保护点】
1.一种基于图神经网络的路基设计方法，其特征在于，所述基于图神经网络的路基设计方法包括：
2.如权利要求1所述的基于图神经网络的路基设计方法，其特征在于，所述通过预先建立的图神经网络基于所述路基探测参数进行预测，得到预测权重序列之前，还包括：
3.如权利要求2所述的基于图神经网络的路基设计方法，其特征在于，所述根据所述图本体、预选池化层、预选卷积层以及预选全连接层构建初始图神经网络，包括：
4.如权利要求2所述的基于图神经网络的路基设计方法，其特征在于，所述对所述初始图神经网络进行训练，得到图神经网络，包括：
5.如权利要求1所述的基于图神经网络的路基设计方法，其特征在于，所述通过预先建立的图神经网络基于所述路基探测参数进行预测，得到预测权重序列，包括：
6.如权利要求5所述的基于图神经网络的路基设计方法，其特征在于，所述对所述路基探测参数进行预处理，得到待预测参数，包括：
7.如权利要求1-6任一项权利要求所述的基于图神经网络的路基设计方法，其特征在于，所述根据所述预测权重序列从预设设计方案中确定目标路基设
8.一种基于图神经网络的路基设计装置，其特征在于，所述基于图神经网络的路基设计装置包括：
9.一种基于图神经网络的路基设计设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于图神经网络的路基设计程序，所述基于图神经网络的路基设计程序配置为实现如权利要求1至7中任一项所述的基于图神经网络的路基设计方法。
10.一种存储介质，其特征在于，所述存储介质上存储有基于图神经网络的路基设计程序，所述基于图神经网络的路基设计程序被处理器执行时实现如权利要求1至7任一项所述的基于图神经网络的路基设计方法。
...【技术特征摘要】
1.一种基于图神经网络的路基设计方法，其特征在于，所述基于图神经网络的路基设计方法包括：
2.如权利要求1所述的基于图神经网络的路基设计方法，其特征在于，所述通过预先建立的图神经网络基于所述路基探测参数进行预测，得到预测权重序列之前，还包括：
3.如权利要求2所述的基于图神经网络的路基设计方法，其特征在于，所述根据所述图本体、预选池化层、预选卷积层以及预选全连接层构建初始图神经网络，包括：
4.如权利要求2所述的基于图神经网络的路基设计方法，其特征在于，所述对所述初始图神经网络进行训练，得到图神经网络，包括：
5.如权利要求1所述的基于图神经网络的路基设计方法，其特征在于，所述通过预先建立的图神经网络基于所述路基探测参数进行预测，得到预测权重序列，包括：
6.如权利要求5所述的基于图神经网络的路基设计方法，其特征在于，所述...
【专利技术属性】
技术研发人员：姚洪锡，郑洪，谢浩，向子南，宋文祥，彭利辉，柏华军，魏璇，张协崇，李瑶，毛国成，林志果，钟晶，吴佳明，袁小钦，钱洪亮，秦超，
申请(专利权)人：中铁第四勘察设计院集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。