基于NARX神经网络的桥梁温度预测方法、装置、设备和介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114757096A(43)申请公布日2022.07.15(21)申请号202210340870.8G06F119/08(2020.01)(22)申请日2022.04.02(71)申请人华南理工大学地址510640广东省广州市天河区五山路381号(72)发明人周林仁陈钰萌陈兰(74)专利代理机构广州市华学知识产权代理有限公司44245专利代理师戴晓琴(51)Int.Cl.G06F30/27(2020.01)G06Q10/04(2012.01)G06N3/04(2006.01)G06N3/08(2006.01)G06Q50/08(2012.01)权利要求书3页说明书11页附图7页(54)发明名称基于NARX神经网络的桥梁温度预测方法、装置、设备和介质(57)摘要本发明公开了一种基于NARX神经网络的桥梁温度预测方法、装置、计算机设备和存储介质，该方法包括：对获取的桥梁温度数据及对应的气象数据进行序列插值或抽取，调整为采样率相同的时间序列数据，将调整后气象数据作为备选参数；通过最大信息系数从备选参数中选出与桥梁温度相关性高的气象参数，对选出的气象参数及对应的桥梁温度数据进行预处理，得到样本数据；样本数据分为训练数据和测试数据；利用训练数据对开环架构的模型进行训练，将训练好的模型中的开环架构转换为闭环结构，利用测试数据评估闭环结构模型的预测性能；若预测性能好，则利用闭环结构模型预测桥梁温度的数据值。本发明提供的方法预测精度高，具有较好的工程实用性。CN114757096ACN114757096A权利要求书1/3页1.一种基于NARX神经网络的桥梁温度预测方法，其特征在于，所述方法包括：对获取的桥梁温度数据及对应的气象数据进行序列插值或抽取，调整为采样率相同的时间序列数据，将调整后气象数据作为备选参数；其中，所述气象数据包括多个气象参数；通过最大信息系数从所述备选参数中选出与桥梁温度相关性高的气象参数作为模型的输入特征；对选出的气象参数及对应的桥梁温度数据分别进行预处理，得到样本数据；其中，所述样本数据分为训练数据和测试数据；利用所述训练数据对模型进行训练，得到训练好的模型；所述模型为带外部输入的开环架构的NARX神经网络模型；将训练好的模型中的开环架构转换为闭环结构，利用所述测试数据，采用绝对误差平均值指标评估闭环结构模型的预测性能；若预测结果在预设范围内，则闭环结构模型根据输入的气象数据，得到桥梁温度的预测值。2.根据权利要求1所述的桥梁温度预测方法，其特征在于，所述利用所述训练数据对模型进行训练，得到训练好的模型，具体包括：利用所述训练数据对模型进行训练，包括对所述模型进行超参数学习和优化；对于训练后的模型，利用所述训练数据，采用拟合优度量化预测值与目标值之间的关系强度，若关系强度不够高，则重新训练模型或优化模型的拓扑结构，进而得到训练好的模型；所述训练数据包括气象数据xi和对应的桥梁温度数据yi，yi作为目标值；所述气象数据xi输入模型后输出的值为预测值所述利用所述训练数据，采用拟合优度量化预测值与目标值之间的关系强度，具体为：拟合优度公式如下：式中，R2表示预测值与目标值之间的关系强度，为目标值的均值，n为输入模型的样本个数。3.根据权利要求2所述的桥梁温度预测方法，其特征在于，所述利用所述训练数据对模型进行训练，具体包括：将所述训练数据分成三个子集，利用三个子集进行交叉验证，其中：第一个子集是训练集，用于计算梯度和更新网络权重和偏差，以最小化网络损失函数；第二个子集是验证集，在训练过程中监控验证错误，使网络权重和偏差以最小验证集误差保存；第三个子集是测试集，在训练和验证后用于最终测试，输出模型训练完成后的性能指标；选取贝叶斯正则化算法或量化共轭梯度算法优化网络权重和偏置，并通过引入2CN114757096A权利要求书2/3页Dropout技术来避免欠拟合和过拟合的发生；在所述模型的训练过程中，选用trainscg量化共轭梯度算法，将所述训练数据输入模型进行神经网络的参数学习优化，若验证误差不降低，则停止迭代，否则进行迭代的次数为设定的次数。4.根据权利要求1所述的桥梁温度预测方法，其特征在于，所述测试数据包括气象数据和对应的桥梁温度；所述利用所述测试数据，采用绝对误差平均值指标评估闭环结构模型的预测性能，具体包括：将所述测试数据中任一气象数据xj输入闭环结构模型，得到闭环结构模型输出的值，将输出的值反标准化后得到桥梁温度的预测值将测试数据中气象数据xj对应的桥梁温度反标准化后作为桥梁温度的目标值yj；采用绝对误差平均值指标反映桥梁温度预测值与目标值间的误差，绝对误差平均值计算如下：其中，n为输入模型的样本个数；若绝对误差平均值在预设值附近，则表示预测性能好，能