Document
拖动滑块完成拼图
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

一种基于多元传递熵和图神经网络的沥青路面车辙预测方法 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:东南大学

摘要:本发明涉及一种基于多元传递熵和图神经网络的沥青路面车辙预测方法,包括以下步骤:步骤1:采集历年沥青路面服役性能监测数据及沥青路面使用性能影响因素数据,根据采集到的数据进行分类;步骤2:将车辙以及影响车辙的多个变量的时间序列转化为图形结构,图形的节点数就是变量的个数,边定义为典型变量与待预测变量的因果关系,步骤3:将图中的节点嵌入门循环单元和自注意力机制可以看作是一个预先训练的模型;步骤4:采用基于谱的图神经网络模型,创建多层模型结构对上述步骤得到的变量节点关系图进行训练,输出多步预测序列。该技术方案基于提出了一种基于多元传递熵和图神经网络的车辙预测模型,提高了车辙预测的精度和泛化能力。

主权项:1.一种基于多元传递熵和图神经网络的沥青路面车辙预测方法,其特征在于,所述方法包含以下步骤:步骤1:采集历年沥青路面服役性能监测数据及沥青路面使用性能影响因素数据,根据采集到的数据进行分类;步骤2:将车辙以及影响车辙的多个变量的时间序列转化为图形结构,图形的节点数就是变量的个数,边定义为典型变量与待预测变量的因果关系,由计算变量之间的传递熵得知;步骤3:将图中的节点嵌入门循环单元GRU和自注意力机制self-attentionmechanism,是一个预先训练的模型;步骤4:采用基于谱的图神经网络模型,创建多层模型结构对上述步骤得到的变量节点关系图进行训练,输出多步预测序列,其中,步骤1具体如下,采集历年沥青路面服役性能监测数据及沥青路面使用性能影响因素数据,根据采集到的数据进行分类,确定车辙预测模型的输入输出变量,将路面的车辙、弯沉中心值、弯沉盆面积、温度、荷载数据的时间序列作为模型的输入,输入的时间序列I∈Rn×t,其中n即车辙和其他相关变量的数量,t是每个时间序列的大小,输出关于路面车辙数据的多步预测数据;步骤2具体如下,将步骤1中的变量n用图结构表示为G={V,E},其中V={v1,v2,…},E={e1,2,e1,3,…},分别代表变量和变量之间的关系,其中边关系通过计算多元传递熵获得,传递熵是基于信息论和有阶马尔可夫过程提出的一种度量过程间因果关系的非参数统计方法,以信息熵为基础,从条件熵计算而来,信息熵用于测量过程中不确定度的平均水平,给定的一个过程Xt=x1,x2,…,xt,其信息熵表示为 其中pxi是变量分量xi的概率,过程中信息量越大,过程的信息熵越大,条件熵是在给定另一个过程X的情况下,表示过程Y中不确定性的一种度量,考虑两个过程Xt=x1,x2,…,xt和Yt=y1,y2,…,yt分别表示时间序列X和Y的历史值,则给定X,Y的条件熵表示为 则过程X到Y的互信息表示为 量化了Y的平均不确定度的减少量;将Xt=xτ-1,xτ-2,…,xτ-t和Yt=yτ-1,yτ-2,…,yτ-t看作为X和Y的特征过程,则从Xt到Yt的传递熵表示为 其中是被预测值yτ与联合分布的条件熵,是yτ和历史序列的条件熵,k是滑动窗口的大小,传递熵被定义为对于下一步yτ,变量Xt和历史变量Yt的信息减少量,传递熵的值已被证明和条件互信息的值相等,对于多元变量过程X=X1,X2,…,Xn对Y的集体传递熵定义为Y的历史信息、每个元素子集Z的增量贡献,Z∈Xn,以及其他不确定性的总和: 其中是用以捕捉Y的历史信息的活跃的信息存储;是一个滑动窗口大小为k的联合向量;是条件互信息增量的总和,其中每一项都是来自偶然源子集Zn到X和Y的信息,这些子集定义为UY是Y基于集体传递熵的内在不确定性,引入多元转移熵来捕捉仅通过相互作用表现的因果关系,从而减少冗余环节,通过设置一个阈值,将低于阈值的传递熵设为0。

全文数据:

权利要求:

百度查询: 东南大学 一种基于多元传递熵和图神经网络的沥青路面车辙预测方法

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。