一种基于GA-BP神经网络的路面平整度预测方法

技术领域

本发明属于路面养护管理决策、路面使用性能预测技术领域，尤其涉及一种基于GA-BP神经网络的路面平整度预测方法。

背景技术

路面使用性能预测的准确性和科学性直接影响着路面养护管理决策的科学性，路面的养护以及管理工作基本上是围绕着路面使用性能的评价展开的，通过不同的预测方法对路面使用性能进行预测与评价，可以准确了解路面性能发展趋势、评定路面服务质量、判断路段是否需要采取养护措施、科学合理的制定养护规划等。

对高速公路提出合适的养护方案前，需对相应路段的路面使用性能进行科学准确的预测。首先，路面使用性能预测方法的科学性及相应路面历史数据的准确性与客观性直接决定了性能预测结果可靠与否。其次，高速公路路面使用性能预测方法及理论呈现多样化发展，需要针对不同的背景前提下，选择较为合适的预测方法，并对比分析预测结果的准确性及合理性。

在路面平整度预测模型研究发展历史中，回归模型因其形式简单且可解释性较强而被国内外路面管理系统广泛采用，但是简单回归模型仅能考虑很少的沥青路面平整度发展的影响因素，而路面平整度的发展受到环境、交通、养护等众多因素的影响，简单回归模型因其自身的局限性，不可避免的会遗漏一些重要影响因素，并且回归模型方程形式的确定需要大量的实测数据以及工程经验，可能会出现预测精度较差、数据获取困难等问题。近年来，随着计算机科学技术的发展，出现了以人工神经网络模型(Artificial NeuralNetwork，ANN)为代表的机器学习算法，人工神经网络是模仿人脑的一种抽象模型，它可以通过学习和训练历史数据，挖掘预测对象与其影响因素之间的内在关系，摆脱了简单回归模型仅能考虑较少路面平整度发展的影响因素的困境，使得路面平整度预测精度有了很大的提升。因此，采用BP(Back Propagation)神经网络及遗传算法(Genetic Algorithm)优化后的BP神经网络完成沥青路面平整度预测。

发明内容

发明目的：针对简单回归模型仅能考虑很少的沥青路面平整度发展的影响因素，而路面平整度的发展受到环境、交通、养护等众多因素的影响，简单回归模型因其自身的局限性，不可避免的会遗漏一些重要影响因素，并且回归模型方程形式的确定需要大量的实测数据以及工程经验，可能会出现预测精度较差、数据获取困难等问题，为了解决上述问题，提出一种基于GA-BP神经网络的路面平整度预测方法。

技术方案：为实现本发明的目的，本发明提出一种基于GA-BP神经网络的路面平整度预测方法，该方法包括以下步骤：

1)采集道路基础设施数据、道路交通荷载数据、环境与气候数据、道路养护历史数据及路面使用性能检测数据并预处理，根据收集到的数据将整体路网划分成一个一个的道路单元，简称路元；

2)对收集原始数据进行归一化处理；

3)将归一化处理后的道路设施基础数据、道路交通荷载数据、环境与气候数据、道路养护历史数据及预测年份之前四年的路面平整度指数IRI，作为模型的输入变量，以下一年的路面平整度指标，即IRI，作为输出对象；

4)训练BP神经网络结构，将预测下一年的IRI值与实际检测IRI值做对比，训练模型，确定最优BP神经网络结构；

5)采用遗传算法优化BP神经网络，根据确定的BP神经网络结构，用遗传算法优化神经网络权值和阈值，确定最终的GA-BP神经网络结构对路面平整度进行预测。

进一步的，所述步骤1)中，采用路段属性差异逐级拆分的路元划分方式，路元划分的规则是将具有相同的属性的路段拆分为一个路元。

进一步的，所述步骤1)中，相同属性为同一路段、同种路面结构、同一使用性能、相同交通荷载的任一种。

进一步的，所述道路基础设施数据为道路基础设施类型数据；道路交通荷载数据包括：货车年平均日交通量(AADTT)、年平均日交通量(AADT)、标准轴载累计当量轴次(ESAL)；环境与气候数据包括：年平均气温、年降雨量、多年平均最大冻深、最高月平均地温；道路养护历史数据包括：路龄，即路面建成通车至今的时间，单位：年、养护路龄，即路面距离最近一次养护的时间，单位：年。

进一步的，所述步骤5)中，采用遗传算法优化BP神经网络，根据确定的BP神经网络结构，用遗传算法优化神经网络权值和阈值，确定最终的GA-BP神经网络结构，具体方法如下：

1)初始化种群和编码

设置种群规模在20～200之间，该种群中每个个体都包含了BP网络的全部权值和阈值，采用实数编码的方式对神经网络的权值和阈值进行编码，完成编码后的网络称为一个个体；

2)利用适应度函数来计算个体的适应度值

将训练样本预测输出与实测输出之间的误差绝对值和作为个体适应度值F

n为训练样本数；y

3)经过遗传操作得到最小适应度值所对应的个体

(3.1)选择操作

选择轮盘赌法选择适应性强的个体进入下一代，将训练数据的预测误差和作为个体适应度值，利用个体适应度值计算个体进入下一代的概率，选择前对适应度值求倒数，计算每个个体i被选择到下一代中的概率，概率pi为：

式中：pi是个体i被选择的概率；F

(3.2)交叉操作

个体采用实数编码的方式，交叉操作的方法采用实数交叉法，在j位的第k个染色体a

a

a

式中：b是[0,1]之间的随机数；

(3.3)变异操作

选择第i个个体的第j个基因a

式中：a

4)利用遗传算法得到的最小适应度值的个体对BP神经网络的初始权值和阈值进行赋值，将步骤3)中的输入输出变量输入已经经过遗传算法优化的BP神经网络即GA-BP神经网络进行训练，取训练误差最小的一次作为最终的训练结果，得到预测路面平整度的GA-BP神经网络。

有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：

(1)摆脱了简单回归模型仅能考虑较少路面平整度发展的影响因素的困境；

(2)大大提升路面平整度预测的精度，预测精度优于传统非线性回归预测模型；

(3)与采用单一的BP神经网络相比，GA-BP神经网络具有更好的预测精度。

附图说明

图1为路元拆分原则示意图；

图2是本发明的BP神经网络输入输出模型图；

图3是本发明中遗传算法优化BP神经网络流程图；

图4是本发明中GA-BP神经网络参数图；

图5是本发明中GA-BP神经网络模型的适应度曲线

图6是本发明中GA-BP神经网络训练回归结果图。

具体实施方式

下面结合附图以及具体实施例对本发明的技术方案做进一步的详细说明：

根据收集到的多年路面性能检测数据以及路面性能影响因素数据，完成对路元的划分。BP与GA-BP神经网络模型是将路面平整度发展的影响因素作为模型的输入变量，且能包括更多的影响因素变量。本发明的BP与GA-BP神经网络模型是基于2015年、2016年、2017年和2018年IRI的检测值以及路面平整度发展影响因素等变量来预测2019年IRI值。模型输入变量见表格1。本发明共收集到2050个样本路段，整个数据集被随机分成一个训练集(70％的路元)、一个验证集(15％的验证集)和一个测试集(15％的路元)，训练集用来训练模型，验证集用来优化模型参数，选择最优模型，测试集用来对模型进行测试。

表格1BP模型与GA-BP模型输入变量表

在对神经网络模型进行训练之前，需要对原始数据进行归一化处理，归一化处理的对象包含输入变量和输出变量。采用最大最小法作为数据归一化的方法，通过调用matlab内置函数mapminmax实现。

/>

其中，x

选择trainlm作为训练函数，隐含层传递函数选择tansig函数，输出层传递函数选择purelin函数，选取单隐含层BP神经网络预测模型，隐含层节点数不宜过少也不宜过多，节点数过少BP神经网络不能构建复杂的映射关系，节点数过多会增加网络的训练时间，同时可能会出现“过拟合”的现象，导致网络的泛化能力较差。为确定隐含层的节点数，需要选取不同的隐含层节点数进行测试，对BP神经网络训练，得到隐含层节点数。含层节点数通过试算来确定的，可以参考以下两个公式来选取：

l＝log

l为隐含层节点数；n为输入层节点数；

l为隐含层节点数；m为输入层节点数；n为输出层节点数；a为1～10之间的常数。

为确定隐含层的节点数，需要选取不同的隐含层节点数进行测试，本发明的输入层节点数为22，输出层节点数为1，根据经验公式；

得出隐含层节点数的取值范围在6～14之间，隐含层节点数每取一个值，对BP神经网络训练多次，得到隐含层节点数与训练数据均方误差和测试数据预测误差和均值之间的关系如表所示，取最小值，最终隐含层神经元数取13，BP神经网络结构为22-13-1。

表格2隐含层节点数与训练数据均方误差和测试数据预测误差和均值的关系

采用遗传算法优化BP神经网络，根据确定的BP神经网络结构，用遗传算法优化网络权值和阈值，进而构建完整的GA-BP神经网络模型。遗传算法能够优化优化BP神经网络的权值和阈值，种群中每个个体都包含了BP网络的全部权值和阈值，利用适应度函数来计算个体的适应度值，遗传算法经过选择、交叉和变异操作得到最小适应度值所对应的个体。最后利用遗传算法得到的最小适应度值的个体对BP神经网络的初始权值和阈值进行赋值，经过训练后网络可以预测函数的输出。本发明个体适应度值等于训练数据预测误差绝对值和，因此适应度值越小，代表个体越优。

初始化种群和编码

遗传算法种群规模的大小对算法的收敛速度和计算速度有很大的影响。种群规模过大会导致计算速度下降，种群规模过小可能会导致结果收敛到局部最优解。一般情况下种群规模在20～200之间，根据研究问题种群规模大小50。本发明采用实数编码的方式对网络的权值和阈值进行编码，完成编码后的网络称为一个个体，BP神经网络输入层节点数为22，隐含层节点数为13，输出层节点数为1，所以权值的个数为22×13+13×1＝299，阈值的个数为13+1＝14个，编码长度为299+14＝313个。

确定适应度函数

适应度函数是评判种群个体好坏程度的评价函数，适应度函数通常是根据目标函数变换得到的，本发明的目标是使预测误差尽可能的小，将训练样本预测输出与实测输出之间的误差绝对值和作为个体适应度值F

n为训练样本数；y

遗传操作及参数设定

本发明采用轮盘赌法作为个体选择的方法，交叉操作采用实数交叉法。遗传算法的初始种群数设定为50，进化代数设定为100，交叉概率设定为0.6，变异概率设定为0.02。BP神经网络参数设定为：输入层神经元数为22，隐含层神经元数为13，输出层神经元数为1，训练误差设定目标为0.002，最大迭代次数设定为1000，学习率设定为0.01。GA-BP神经网络预测模型预测结果如图6所示。预测值与实测值基本在一条直线上。