1.基于图神经网络与时序建模融合的桥梁技术状况预测方法,其特征在于,包括以下步骤:步骤1:采集多座桥梁的历史技术状况数据,包括桥梁静态属性、历史评定等级序列、评定日期、改造完工日期及改造历史记录,并对采集的数据进行预处理,获得结构化时空序列数据;
步骤2:将所述结构化时空序列数据输入至构建的双分支特征提取网络中,并行提取桥梁的空间关联特征向量与时序演化特征向量;
在空间分支中,基于桥梁静态特征相似度与地理位置编码构建桥梁空间关联图,采用图注意力网络聚合邻域信息以提取反映桥梁间结构与地理依赖的空间关联特征向量;
在时序分支中,对历史评定等级序列、掩码序列、时间跨度及时间间隔进行多维度嵌入编码,并利用包含跨时间注意力机制的Transformer编码器提取反映桥梁退化规律的时序演化特征向量;
步骤3:将所述空间关联特征向量与所述时序演化特征向量进行拼接,得到拼接特征向量,并将所述拼接特征向量与基于物理规律计算得到的退化趋势先验特征向量进行门控融合,生成综合特征向量;
步骤4:将所述综合特征向量输入至双分支连续序数预测头,分别输出序数回归的序数预测值和连续回归的标量分数值,并通过将二者加权融合得到目标桥梁在预测年份的初始连续预测分值;
步骤5:利用时序一致性后处理算法对所述初始连续预测分值进行逻辑约束修正,生成最终的桥梁技术状况等级预测结果。
2.根据权利要求1所述的基于图神经网络与时序建模融合的桥梁技术状况预测方法,其特征在于,所述预处理包括缺失值填充、数值特征归一化、历史退化速率计算以及基于日期的改造时序解析,以及基于历史评定等级序列生成掩码序列、时间跨度与时间间隔计算。
3.根据权利要求2所述的基于图神经网络与时序建模融合的桥梁技术状况预测方法,其特征在于,基于日期的改造时序解析过程包括以下步骤:解析目标桥梁的改造完工日期和评定日期,精确至月日;
通过比较改造完工日期的月日数据与评定日期的月日数据,结合年份信息生成改造效果标签:若改造完工年份早于或等于预测年份,且改造完工月日早于评定月日,则标记,表示改造效果当年生效;
若改造完工年份早于或等于预测年份,但改造完工月日晚于评定月日,则标记,表示改造效果次年生效;
若无有效改造历史记录,则标记。
4.根据权利要求1至3任意一项所述的基于图神经网络与时序建模融合的桥梁技术状况预测方法,其特征在于,构建桥所述梁空间关联图的过程包括:计算所有桥梁的静态特征向量的余弦相似度,并结合地理位置编码的相似性,选取相似度最高的个邻居节点建立边连接,并添加自环边。
5.根据权利要求1至3任意一项所述的基于图神经网络与时序建模融合的桥梁技术状况预测方法,其特征在于,所述图注意力网络的公式为:(3)
其中,表示提取的空间关联特征向量;表示Sigmoid激活函数;为目标节点的邻居节点集合;为共享的线性变换矩阵;为归一化的注意力系数,其计算公式为:(4)
其中,、、分别为节点、节点和节点的初始静态特征向量;为注意力向量,表示对注意力向量的转置操作;表示拼接操作;为LeakyReLU激活函数。
6.根据权利要求1至3任意一项所述的基于图神经网络与时序建模融合的桥梁技术状况预测方法,其特征在于,步骤2中的多维度嵌入编码采用Time2Vec方法对时间跨度进行编码,其公式为:(5)
其中,为时间编码向量;为相对目标年份的时间跨度;为编码维度;和分别为针对第个特征的可学习的频率和相位参数。
7.根据权利要求1至3任意一项所述的基于图神经网络与时序建模融合的桥梁技术状况预测方法,其特征在于,步骤3中进行门控融合的过程包括:步骤3.1:根据目标桥梁的桥龄和历史退化速率计算退化趋势先验特征向量,公式如下:(6)
其中,为基础时变退化因子,其采用指数退化模型计算得到:(7)
其中,为当前桥龄;为归一化年限;和分别为可学习的物理参数,分别代表基础退化幅度和退化加速速率;表示拼接操作;为材料影响因子;为结构影响因子;
步骤3.2:计算门控权重:
(8)
其中,表示拼接特征向量;表示门控融合网络的可学习权重矩阵;表示门控融合网络的可学习偏置向量;表示Sigmoid激活函数;表示拼接操作;
步骤3.3:计算综合特征向量,其公式为:
(9)
其中,表示按元素相乘。
8.根据权利要求1至3任意一项所述的基于图神经网络与时序建模融合的桥梁技术状况预测方法,其特征在于,在步骤4中,序数回归分支将所述综合特征向量映射为Logits向量,并基于期望等级法计算序数预测值:(10)
其中,为Logits向量中的第个分量;为Sigmoid函数,为总等级数;
初始连续预测分值的计算公式为:
(11)
其中,为连续回归分支输出的标量分数值;为平衡两个分支权重的超参数;为截断函数。
9.根据权利要求1至3任意一项所述的基于图神经网络与时序建模融合的桥梁技术状况预测方法,其特征在于,所述时序一致性后处理算法满足以下约束逻辑:(13)
其中,为最终的桥梁技术状况等级预测结果;为历史最后一次评定等级;为步骤4输出的初始连续预测分值;为历史退化速率,表示退化趋势。
10.根据权利要求1至3任意一项所述的基于图神经网络与时序建模融合的桥梁技术状况预测方法,其特征在于,在步骤5之后,还包括:步骤6:采用评价指标对所述桥梁技术状况等级预测结果进行模型性能评价,所述评价指标包括二次加权Kappa系数、平均绝对误差以及均方根误差。