基于注意力机制融合LSTM与ELM的沥青路面使用性能预测方法
本发明涉及高速公路养护与路面性能预测，尤其涉及基于注意力机制融合lstm与elm的沥青路面使用性能预测方法。
背景技术：
1、在公路大规模养护期背景下，沥青路面使用性能预测成为道路养护决策的重要支撑。高速公路沥青路面的服役状态直接关系行车安全、驾乘舒适性与路网整体运营效率，而其性能衰减受路面结构参数、交通荷载、气候环境等多因素耦合作用，具有显著的强非线性与动态时序特征。因此，精准实现路面使用性能预测是制定科学养护方案、延长路面服役寿命、降低全生命周期运营成本的关键。
2、现阶段，沥青路面使用性能预测方法主要包括三类，一是基于力学-经验理论的模型，该模型以aashto模型为典型代表，依托复杂的力学理论推导构建预测体系，对路面材料参数与服役边界条件敏感度极高，实际工程中因参数采集难度大、精准度低，导致该类模型实际应用中的预测精度难以保障。二是传统统计模型（例如回归分析/灰色理论），该模型仅能拟合简单的性能衰减趋势，难以刻画多因素间的非线性耦合关系及时序依赖性。三是单一机器学习模型，当前大多数机器学习模型基于规模有限的路面性能数据集构建，存在泛化能力有限，难以适配路网大规模、差异化的实测数据场景的问题，在应对实际大规模数据时，存在预测稳定性和精准度不足；此外，当前多数预测模型未能有效融合交通荷载、气象环境、路面结构、历史性能检测等多源异构特征数据，存在特征维度单一、信息挖掘不充分的问题。综上，现有机器学习方法在复杂时序特征精准建模、多源数据深层关联挖掘方面仍存在显著短板，难以满足高精度路面性能预测的工程需求。
技术实现思路
1、本发明提供了基于注意力机制融合lstm与elm的沥青路面使用性能预测方法，解决了现有技术中存在的问题。本发明通过lstm提取路面性能衰减的时序依赖特征，elm优化高维特征的非线性映射，并将两类特征深度耦合，实现rd、sfc、tcei、iri四项指标的高精度预测，为路面养护决策提供可靠技术支撑。
2、为了实现上述目的，本发明采用如下技术方案：
3、本发明提供基于注意力机制融合lstm与elm的沥青路面使用性能预测方法，包括以下步骤：
4、s1、获取高速公路沥青路面多源原始检测数据，所述多源原始检测数据包括路面结构数据、环境数据、交通数据及路面性能指标数据；对多源原始检测数据进行预处理得到规整的样本数据集；对样本数据集进行特征提取分别得到时序特征集与静态特征集，所述时序特征集来源于历史时段的环境数据与交通数据，所述静态特征集来源于路面结构信息以及预测基准年份的路面性能指标数据；
5、s2、构建注意力-lstm-elm融合预测模型，该模型为双输入结构，包括lstm分支、elm分支以及注意力融合层；
6、所述lstm分支输入为时序特征集，利用lstm的遗忘门、输入门、输出门提取交通累积效应与环境变化带来的时序依赖特征，并输出高维时序特征向量及对应的时序预测结果；
7、所述elm分支输入为静态特征集，用于挖掘路面材料、结构及当前性能之间的非线性关联，并输出高维静态特征向量及对应的静态预测结果；
8、所述注意力融合层结合两路分支输出的特征向量自适应生成权重系数，并对时序预测结果和静态预测结果进行自适应加权融合得到综合特征向量，经由输出映射层输出性能预测结果；
9、s3、模型训练与验证，将样本数据集按路段单元划分为训练样本与验证样本，利用训练样本对应的静态特征集、时序特征集以及路面性能真值，开展双分支联合监督训练；训练过程中，固定elm分支输入层至隐藏层的权重参数与偏置参数，该部分参数初始化后不再迭代更新，通过广义逆解析求解得到elm分支的输出层权重；仅对lstm分支、注意力融合层以及融合后输出层的参数进行反向迭代更新；利用验证样本监测模型预测误差，并结合提前停止策略抑制模型过拟合，迭代收敛得到训练好的预测模型；
10、s4、利用训练好的注意力-lstm-elm融合预测模型对路面使用性能进行预测，同步预测得到路面车辙rd、抗滑性能sfc、横向裂缝tcei及平整度iri四项性能指标。
11、进一步地，在步骤s1中，所述路面结构数据包括面层、基层、底基层的类型及厚度参数；所述环境数据包括低温天数占比、高温天数占比及降雨天数占比；所述交通数据包括年平均日交通量aadt、客货比及等效单轴荷载esal；所述路面性能指标数据包括车辙rd、抗滑系数sfc、横向裂缝评价指数tcei及国际平整度指数iri实测数据。
12、进一步地，在s1中，所述预处理包括类别特征数值转化、缺失值填补、异常值剔除与修正、特征标准化处理；对非数值型类别特征进行数字化转换，统一多源异构原始数据的数据格式与量纲，规整得到维度一致、质量合规的样本数据集。
13、进一步地，为实现四项指标的同步预测，以1000m为统一评价单元，对100m间隔采集的rd、iri、sfc指标进行单元均值、最大值统计汇总，tcei指标沿用原有1000m评价尺度。
14、进一步地，在s1中，所述时序特征集为10维时序特征，由历史连续多年的环境数据与交通数据按时间顺序重构，形成适配lstm分支输入的三维时序张量；所述静态特征集为8维静态特征，取自路面结构信息及预测基准年份路面性能指标数据。
15、进一步地，在s2中，所述lstm分支采用双层堆叠网络结构，且内置dropout层用于抑制过拟合；所述lstm分支对输入的时序特征集进行时序依赖特征提取，输出高维时序特征向量，并通过全连接回归层进行维度映射输出路面性能时序预测结果。
16、进一步地，在s2中，所述elm分支采用单层前馈网络结构，固定输入隐藏层参数以稳定静态特征提取过程；所述elm分支对输入的静态特征集进行非线性关联挖掘，输出高维静态特征向量，并通过广义逆解析求解输出层权重，输出路面性能静态预测结果。
17、进一步地，在s2中，所述注意力融合层的输入为elm分支输出的高维静态特征向量和lstm分支输出的高维时序特征向量，通过特征拼接与权重计算自适应生成融合权重，动态调节两路分支预测结果的占比，输出最终的路面性能融合预测结果。
18、进一步地，在s3中，模型训练过程中，采用huber损失函数计算预测误差，采用带权重衰减的adamw优化器更新网络参数，搭配指数衰减学习率调控训练速率；通过网格搜索优选超参数，依据验证集mse损失变化触发训练提前停止。
19、进一步地，在s3中，采用10折交叉验证法开展模型训练与性能验证：将全部路段样本按路段编号划分为10组互不重叠的样本子集，轮流选取9组作为训练样本、剩余1组作为验证样本，完成10轮完整的训练与验证循环；全程约束同一路段样本仅归属单一子集，避免数据泄露；以10轮验证结果的平均值作为模型综合预测精度，采用均方根误差和确定系数作为核心评价指标。
20、进一步地，在s4中，依据模型输出的rd、sfc、tcei、iri预测值，结合《公路技术状况评定标准》jtg5210-2018及tcei专项评价标准，将高速公路沥青路面使用性能划分为优、良、中、次、差五个技术评价等级。
21、以上一种或多种技术方案取得的有益效果如下：
22、（1）本技术通过采用lstm有效捕捉路面性能衰减的长期时序依赖特征，利用elm高效实现高维特征的非线性映射，并将lstm与elm的优势进行融合，解决了单一模型难以兼顾时序性与非线性的问题，能够提高预测精度。
23、（2）现有技术多聚焦单一性能指标，单一指标预测难以支撑科学养护方案制定。本发明针对工程实际需求，实现了rd、sfc、tcei、iri 四项指标的同步预测，且通过大规模实测样本验证，取得了优异的预测精度，各项指标精度均显著优于bp神经网络、xgboost等传统模型及纯lstm、纯elm单一模型。
24、（3）本发明整合了路面结构、环境条件、交通荷载及历史性能四大维度的数据，构建了覆盖“结构-环境-荷载-状态”的全要素分析框架。这一体系克服了传统模型因输入信息片面导致的预测偏差，使预测结果更贴合路面性能的实际衰变机理。