关键词:
因果推断
多元时间序列预测
双通图卷神经网络
传递熵
摘要:
为了提升沥青路面车辙预测的精度,通过整合图神经网络与因果推断方法,对多变量时间序列的长短时间模式及变量之间的相互依赖进行建模,提出端到端的多元时间序列预测模型。该模型由全局特征提取模块、局部特征提取模块、因果推断模块和双通图卷积模块4个模块组成。在全局特征提取模块,利用注意力机制以及GRU模型去捕获变量内部长时间模式特征;在局部特征提取模块,使用扩张卷积的方式,用不同大小的CNN卷积核去捕获变量内部不同维度的短时间模式特征;在因果推断模块,采用基于信息理论的因果分析来获取相关性,使用传递熵来表述变量间因果关系的基础上,整合关系系数矩阵,通过权重配比的方式呈现变量之间的相关性揭示变量间的复杂关系;在双通图卷积模块,将高通滤波器引入传统低通图卷积神经网络,构建双通图卷积预测模块,从低通和高通双通道去同时捕获节点信号或特征的低频分量与高频分量,以提升模型的预测精度。最后,本研究采用交通运输部公路科学研究院轨道数据集RIOHTrack,与经典统计学模型VARIMA、浅层学习模型SVR、深度学习模型GRU、结合注意力机制的GRU及TE-GCN等基准模型进行比较。实验结果表明,该模型在所有沥青路面结构类别上都取得了最佳的预测性能,且与传统统计学模型相比,基于深度学习的模型更加有效稳定,添加注意力机制的GRU模块可以捕获长期依赖性,从而使模型获得更好的预测性能。该模型为沥青路面的车辙预测提供了一种高效的方法,有望用于未来路面结构和养护方案设计,提升路面使用寿命。