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！

龙图腾网恭喜北京工业大学;北京市道路工程质量监督站(北京市公路工程质量检测中心);北京建筑大学申请的专利一种基于时序卷积网络的道路基层应变分析方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114048835B 。

龙图腾网通过国家知识产权局官网在2025-06-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202110877658.0，技术领域涉及：G06N3/0464；该发明授权一种基于时序卷积网络的道路基层应变分析方法是由薛忠军;宋波;王佳妮;赵世博;吴雨晗;徐子金;刘卓;侯越设计研发完成，并于2021-08-01向国家知识产权局提交的专利申请。

本一种基于时序卷积网络的道路基层应变分析方法在说明书摘要公布了：本发明公开了一种基于时序卷积网络的道路基层应变分析方法，本发明先对自动化道路监测系统获取的长期监测数据进行原始数据预处理，在此基础上采用皮尔逊相关性分析，以达到输入数据降维的目的，从而提升模型的预测精度，最后挑选出合适时间段的数据一起输入到时序卷积网络模型进行训练，学习监测数据特征，针对每个时间段之间并不连续的问题，采用权重自迁移的训练方式，使得历史信息特征在下一时间端内相对更加明显，更易被模型学习，有助于提高模型的记忆能力，减少过拟合。此外，本发明不仅可以节约人工和时间成本，还可以为后续的道路养护工作奠定基础。

本发明授权一种基于时序卷积网络的道路基层应变分析方法在权利要求书中公布了：1.一种基于时序卷积网络的道路基层应变分析方法，其特征在于：利用自动化道路监测系统获取路面历史监测数据，结合深度学习方法进行关键数据预测，具体步骤如下： 步骤一：原始监测数据预处理； 首先，将各种传感器获取的道路监测数据进行整合； 其次，根据道路监测系统获取数据的时间跨度，选取时间段的数据之后进行删除数据重复值和跃变值，并将缺失值补充完毕，以防监测数据训练效果不佳； 最后，将所有时序数据的数据点之间的时间间隔统一为1小时； 步骤二：特征相关性分析； 第一步，将处理过后每个传感器获取的前三个数据点进行相关性分析，根据皮尔逊相关性系数衡量特征之间的相关性；第二步，将土层应变与其他特征的相关性很小的去除； 步骤三：数据集制作； 对沥青应变、渗透压、土壤水分和基层三向应变的所有监测数据点进行取平均值，则温度按照温度传感器的埋设位置，将划分为面层、基层和土基三部分进行取平均值；最终把监测数据集按照训练集和测试集比例为8：2进行划分； 步骤四：时序卷积网络基层应变预测； 时序卷积网络由13层一维卷积层构成；一维卷积层的卷积核尺寸均为2，卷积层个数分别为64，膨胀因子为1、2、4、8、16和32；每层均使用ReLU激活函数，后接一个SpatialDropout1D层，衰减率设置为0.05；将预处理和降维后的数据集作为时序卷积网络的输入，时间步长设为8； 使用Adam方法对模型参数进行优化，Adam保持过去的梯度的第二阶矩无中心方差的估计值vt在指数衰减的趋势；它也有一个指数衰减趋势，即梯度的第一阶矩均值mt，并在误差面有一个平坦的最小值的偏好；然后，梯度的第一阶矩均值和第二阶矩无中心方差的估计值mt和vt相应计算如下: mt＝β1mt-1+1-β1gt2 其中mt和vt分别是梯度的第一阶矩均值和第二阶矩无中心方差的估计值；该Adam方法保持多维数据随机梯度下降保持单一的学习率，更新时序卷积网络中的所有权重； 由于mt和vt初始化为0的向量，它们偏向于0，这些偏向计算为： 然后使用t并更新参数为： β1为0.9，β2为0.999，∈为10-8；每个epoch是神经网络训练一次遍历整个数据集的全过程，包括向前和向后；随着迭代次数的增加，损失值在不断下降，训练100代后，所使用的时序卷积网络的预测值与实测值进行拟合。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京工业大学;北京市道路工程质量监督站(北京市公路工程质量检测中心);北京建筑大学，其通讯地址为：100124 北京市朝阳区平乐园100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。