【技术实现步骤摘要】
本专利技术涉及一种公路病害预测与养护方法，具体涉及一种基于注意力机制dcgan时间序列模型的公路病害预测与养护方法。
技术介绍
1、
2、随着公路网络逐步完善和运输量的加大，公路病害如裂缝、坑洞、塌陷等问题也逐渐显现，不仅会造成交通事故的发生，对车辆行驶安全造成较大威胁，也使得交通管理部门耗费大量的人力、物力和财力进行公路病害检测、修复和维护。在此背景下，公路也由建设为主逐渐向运营养护管理转变。而通过综合气候、交通量、道路结构、道路现状等因素进行公路病害预测，可以及时发现潜在的病害风险，提前制定养护计划，合理安排资源，减少养护成本，提高养护效率，进而减少交通事故的发生，并延长公路使用寿命。公路病害的精准预测有助于交通管理部门更好地了解公路病害的分布和发展趋势规划，进一步优化交通运输网络。
3、目前关于路面病害预测的专利方法多从两个方面展开，一是在设备采集方法上，通过全景图像采集设备获得公路全景图像、位置信息等，进而分析路面病害演变趋势；二是在深度学习方法上，通过深度卷积神经网络，构建病害数据训练集等对多类型路面病害进行分类及评定损坏状况。但由于不同路面的材质、结构、环境以及车流量不同，单纯依靠分析路面图像进行病害预测所展现的结果并不精准，会进一步影响养护计划的制定。而考虑时间序列和多影响因素都能够提高预测精度，从而为制定养护计划提供较好的支持。
4、但是，公路病害预测需要综合考虑多因素特征和时间序列，因此，亟需一种基于注意力机制dcgan（深度卷积生成对抗网络）时间序列模型的公路病害预测与养护
技术实现思路
1、本专利技术针对现有技术中的不足，提供一种基于注意力机制dcgan时间序列模型的公路病害预测与养护方法，以解决由于不同路面的材质、结构、环境以及车流量不同，单纯依靠分析路面图像进行病害预测所展现的结果并不精准的问题。
2、为实现上述目的，本专利技术采用以下技术方案：
3、一种基于注意力机制dcgan时间序列模型的公路病害预测与养护方法，其特征在于，包括如下步骤：
4、构建注意力机制算法模型，利用收集到的历史的公路视频、图像或文本特征数据定义注意力机制算法模型中的输入序列，通过注意力机制算法模型根据定义后的输入序列进行计算，并输出注意力加权矩阵；
5、将收集到的历史的公路视频、图像或文本特征数据与注意力加权矩阵进行计算，并输出带有注意力权重的时间输入序列；构建dcgan时间序列模型，通过dcgan时间序列模型根据时间输入序列进行对抗训练，并得到优化后的dcgan时间序列模型；
6、利用收集到的待测路段的视频、图像或文本特征数据定义注意力机制算法模型的输入序列，并通过注意力机制算法模型输出对应的注意力加权矩阵；再将该待测路段的视频、图像或文本特征数据与上述对应的注意力加权矩阵进行计算，并输出对应的时间输入序列，利用优化后的dcgan时间序列模型根据对应的时间输入序列，得出预测的评估结果，根据评估结果制定养护计划。
7、为优化上述技术方案，采取的具体措施还包括：
8、进一步地，所述视频、图像或文本特征数据通过车载巡检设备采集道路状况的特征数据。
9、进一步地，所述特征数据包括道路表面损伤程度、道路材质、道路结构、温湿度变化和车流量。
10、进一步地，对收集到的公路历史的或待测路段实时的视频、图像或文本特征数据按照时间步进行切分，并通过图像自动标注，以进行预处理。
11、进一步地，所述通过注意力机制算法模型根据定义后的输入序列进行计算，并输出注意力加权矩阵，具体为：定义注意力机制算法模型的矩阵参数，利用输入序列和矩阵参数计算得到注意力分数，将注意力分数除以一个缩放因子，得到缩放后的注意力分数；将缩放后的注意力分数应用于softmax函数，得到归一化的注意力权重分布，对注意力权重分布进行归一化操作，确保所有权重的和等于1，将归一化后的注意力权重分布与输入序列进行加权求和操作，得到最终的注意力加权矩阵。
12、进一步地，所述矩阵参数包括权重矩阵、查询矩阵、键矩阵和值矩阵。
13、进一步地，在通过注意力机制算法模型根据定义后的输入序列进行计算，并输出注意力加权矩阵后，将历史的公路视频、图像或文本特征数据作为数据源，并按8:2的比例划分为训练集和测试集，对构建的注意力机制算法模型进行训练和检验。
14、进一步地，所述构建dcgan时间序列模型，通过dcgan时间序列模型根据时间输入序列进行对抗训练，并得到优化后的dcgan时间序列模型，具体包括：构建dcgan网络结构，定义生成器和鉴别器结构，生成器采用卷积层与注意力机制，鉴别器采用卷积层，指定损失函数为wasserstein距离，优化器为rmsprop；循环训练生成器产生更真实样本，训练鉴别器区分真实样本与假样本；视觉化生成样本与真实样本对比，根据生成效果调整注意力机制或网络结构，继续对抗训练至收敛，以得到优化后的dcgan时间序列模型。
15、进一步地，所述利用优化后的dcgan时间序列模型根据对应的时间输入序列，得出预测的评估结果，具体包括：将时间输入序列输入到优化后的dcgan时间序列模型中，dcgan时间序列模型的生成器将采用卷积神经网络提取特征之间的空间关系，并利用注意力机制强化模型对重要特征的学习能力，dcgan时间序列模型的生成器对输入的数据进行深度学习，并利用生成对抗训练的能力对道路未来状况进行预测。
16、进一步地，所述根据评估结果制定养护计划，具体包括：识别出哪些路段的损伤程度将在未来预设的一定时间内超标，评估不同路段的维修优先级。
17、本专利技术的有益效果是：
18、本专利技术可以弥补传统公路病害预测方法输入数据单一、未考虑图像时序性的不足，能识别公路病害图像序列中的重要时间节点；可以捕捉不同时间点图像之间的重要关联，有利于预测未来病害发展情况；能够生成高质量的公路病害图像，有助于补充实际监测数据，扩充训练样本量；可结合生成任务和预测任务，两个任务可以相互促进，例如利用生成图像来增加预测任务的数据量，同时采用注意力机制和时间序列信息，可以更好地分析公路病害随时间变化的规律；dcgan时间序列模型结合卷积神经网络，对图像数据具有很强的处理能力，可以预测未来多个时间点的公路病害情况，为公路养护提供决策支持。预测结果更加准确和可靠，有利于提前采取防治措施，降低公路病害造成的经济损失。
本文档来自技高网...【技术保护点】
1.一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法，其特征在于：所述视频、图像或文本特征数据通过车载巡检设备采集道路状况的特征数据。
3.根据权利要求2所述的一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法，其特征在于：所述特征数据包括道路表面损伤程度、道路材质、道路结构、温湿度变化和车流量。
4.根据权利要求1所述的一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法，其特征在于：对收集到的公路历史的或待测路段实时的视频、图像或文本特征数据按照时间步进行切分，并通过图像自动标注，以进行预处理。
5.根据权利要求1所述的一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法，其特征在于，所述通过注意力机制算法模型根据定义后的输入序列进行计算，并输出注意力加权矩阵，具体为：定义注意力机制算法模型的矩阵参数，利用输入序列和矩阵参数计算得到注意力分数，将注意力分数除以
6.根据权利要求5所述的一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法，其特征在于：所述矩阵参数包括权重矩阵、查询矩阵、键矩阵和值矩阵。
7.根据权利要求1所述的一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法，其特征在于，在通过注意力机制算法模型根据定义后的输入序列进行计算，并输出注意力加权矩阵后，将历史的公路视频、图像或文本特征数据作为数据源，并按8:2的比例划分为训练集和测试集，对构建的注意力机制算法模型进行训练和检验。
8.根据权利要求1所述的一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法，其特征在于，所述构建DCGAN时间序列模型，通过DCGAN时间序列模型根据时间输入序列进行对抗训练，并得到优化后的DCGAN时间序列模型，具体包括：构建DCGAN网络结构，定义生成器和鉴别器结构，生成器采用卷积层与注意力机制，鉴别器采用卷积层，指定损失函数为Wasserstein距离，优化器为RMSprop；循环训练生成器产生更真实样本，训练鉴别器区分真实样本与假样本；视觉化生成样本与真实样本对比，根据生成效果调整注意力机制或网络结构，继续对抗训练至收敛，以得到优化后的DCGAN时间序列模型。
9.根据权利要求8所述的一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法，其特征在于，所述利用优化后的DCGAN时间序列模型根据对应的时间输入序列，得出预测的评估结果，具体包括：将时间输入序列输入到优化后的DCGAN时间序列模型中，DCGAN时间序列模型的生成器将采用卷积神经网络提取特征之间的空间关系，并利用注意力机制强化模型对重要特征的学习能力，DCGAN时间序列模型的生成器对输入的数据进行深度学习，并利用生成对抗训练的能力对道路未来状况进行预测。
10.根据权利要求8所述的一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法，其特征在于，所述根据评估结果制定养护计划，具体包括：识别出哪些路段的损伤程度将在未来预设的一定时间内超标，评估不同路段的维修优先级。
...【技术特征摘要】
1.一种基于注意力机制dcgan时间序列模型的公路病害预测与养护方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于注意力机制dcgan时间序列模型的公路病害预测与养护方法，其特征在于：所述视频、图像或文本特征数据通过车载巡检设备采集道路状况的特征数据。
3.根据权利要求2所述的一种基于注意力机制dcgan时间序列模型的公路病害预测与养护方法，其特征在于：所述特征数据包括道路表面损伤程度、道路材质、道路结构、温湿度变化和车流量。
4.根据权利要求1所述的一种基于注意力机制dcgan时间序列模型的公路病害预测与养护方法，其特征在于：对收集到的公路历史的或待测路段实时的视频、图像或文本特征数据按照时间步进行切分，并通过图像自动标注，以进行预处理。
5.根据权利要求1所述的一种基于注意力机制dcgan时间序列模型的公路病害预测与养护方法，其特征在于，所述通过注意力机制算法模型根据定义后的输入序列进行计算，并输出注意力加权矩阵，具体为：定义注意力机制算法模型的矩阵参数，利用输入序列和矩阵参数计算得到注意力分数，将注意力分数除以一个缩放因子，得到缩放后的注意力分数；将缩放后的注意力分数应用于softmax函数，得到归一化的注意力权重分布，对注意力权重分布进行归一化操作，确保所有权重的和等于1，将归一化后的注意力权重分布与输入序列进行加权求和操作，得到最终的注意力加权矩阵。
6.根据权利要求5所述的一种基于注意力机制dcgan时间序列模型的公路病害预测与养护方法，其特征在于：所述矩阵参数包括权重矩阵、查询矩阵、键矩阵和值矩阵。
7.根据权利要求1所述的一种基于注意力机制dcgan时间序列模型的公路病害预测与养护方法，其特征在于，在...
【专利技术属性】
技术研发人员：李明，王琳，葛恒志，吕方惠，夏敏，
申请(专利权)人：中电鸿信信息科技有限公司，
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。