通过自注意力机制整合时空图卷积和自适应嵌入式结构特征，用于桥梁状况预测

《Expert Systems with Applications》：Integrating spatio-temporal graph convolution and adaptive embedded structural features via self-attention for bridge condition prognostics

　　•提出了一种融合时空信息的模型，用于桥梁状况评估。•为所提出的模型优化了最佳的信息融合注意力机制。•为所提出的模型优化了最佳的时间长度和空间维度。•进行了输入特征的敏感性分析和模型可解释性分析。•在NBI数据集上，BiST-GraphNet达到了0.96的F1分数，实现了最佳性能。

引言
作为交通基础设施网络的重要组成部分，桥梁的健康状况与交通质量和区域经济发展密切相关（Ranjkesh等人，2019；Frangopol等人，2001；Frangopol，2011；Liu和Madanat，2015）。正确且及时地评估桥梁状况对于工程师的维护工作至关重要。目前，桥梁状况的信息收集方法可以分为定期检查（Abdallah等人，2022）和结构健康监测（SHM）系统（He等人，2022）。SHM系统可以执行实时的健康监测任务，但由于其成本较高，目前仅应用于大型桥梁（Chae等人，2012）。中小跨度桥梁的健康监测仍然主要依赖于定期检查。定期检查目前依靠人工监测和新的检测技术来提供多维度视角，以评估桥梁健康状况并形成各种指标记录，这些记录构成了评估桥梁状态的重要基础。基于定期检查数据（来自数据库的结构化数据）准确评估桥梁状况是学术界当前的研究热点。目前，基于专家经验和机械模拟的传统桥梁状况预测模型虽然在计算上方便且在工程应用中易于使用，但在主观性和确定性方面存在局限性，导致泛化性能不足。这些模型难以满足大规模桥梁群组的技术状况评估需求。相比之下，基于机器学习的数据驱动方法凭借其在计算效率、预测准确性和泛化性能方面的优势，已成为桥梁健康研究的主流。例如，Lei等人提出了一种使用强化学习代理和卷积自动编码器结构的桥梁网络健康评估方法（Lei等人，2023）。Lai等人利用深度强化学习设计了桥梁网络拓扑的维护规划（Lai等人，2024）。Liu等人提出了一种基于深度学习的桥梁网络退化预测方法（Liu和El-Gohary，2022）。根据研究方法，这些数据驱动的桥梁状况预测模型可分为三类：传统的基于机器学习的、基于启发式的和基于深度学习的。传统的机器学习算法，如马尔可夫链（Collins和Weidner，2023）、逻辑回归（Chang等人，2019；Lu等人，2019）、随机森林（Alipour等人，2017）、极限梯度提升（XGBoost）（Lim和Chi，2019）和支持向量机（Lan等人，2023；Sengupta等人，2021），已被应用于桥梁退化预测任务。通过优化求解器（Lan等人，2023）或多模型集成方法（Lu等人，2019），这些模型的拟合能力和预测性能得到了进一步提升。基于启发式的算法，包括遗传算法（GA）（Tran-Ngoc等人，2018）、粒子群优化（PSO）（Chatterjee等人，2017）和萤火虫算法（Kumar等人，2022），也被应用于桥梁状况预测任务。除了单独使用外，它们还经常与反向传播神经网络（BP）结合使用，以创建更准确、更快速的预测模型。例如GA-BP模型（Wei等人，2021）；PSO-BP模型（Shamshirband等人，2020）；记忆进化计算算法-BP模型（Wang等人，2021）；以及协调PSO与马尔可夫链-BP模型（He等人，2024）。与传统机器学习模型和基于启发式的算法（如决策树、支持向量机和遗传算法）相比，它们通常具有较低的计算成本、较高的推理效率以及相对较好的可解释性。然而，它们的预测准确性有限，在国家桥梁库存（NBI）数据库上的召回率和精确度通常在80%到90%之间（Sengupta等人，2021；Jootoo和Lattanzi，2017；Alogdianakis等人，2022）。此外，无论是基于传统机器学习还是混合启发式模型，在处理大规模数据时仍存在精度和效率方面的挑战。因此，基于深度学习的方法由于其出色的鲁棒性和高度非线性的拟合能力而得到广泛研究。Liu等人提出了一种基于卷积神经网络（CNN）的桥梁状况评级数据建模方法。在使用NBI数据库中选定的数据进行的测试中，所提出的模型实现了85%的预测准确性（Liu和Zhang，2020）。Fabianowski等人提出了一种基于人工神经网络的混合计算模型，结合了增强型分析模糊层次过程和支配分析层次过程。该方法在波兰选定的铁路桥梁组中表现出优于传统方法的性能（Fabianowski等人，2021）。Rajkumar等人介绍了一种基于自动编码器-随机森林模型的桥梁状况分级预测方法。在NBI数据库上的测试中，该模型分别确定了上部结构和下部结构的状况评级，准确率分别为78%和77%（Rajkumar等人，2023）。Feng等人提出了一种基于自然语言处理的机器学习方法，用于自动化和快速桥梁状况评级，实现了高达89%的预测准确性（Feng等人，2023）。Li等人开发了一种使用循环神经网络编码器和注意力机制的层次架构，用于桥梁健康状况分级评估，为网络和人类在状况评估中的协作提供了途径（Saremi等人，2023）。Saremi等人提出了一种结合长短期记忆（LSTM）和CNN的深度学习模型，用于桥梁健康等级估算。在使用NBI数据库中选定的数据进行的测试中，与传统机器学习方法相比，预测准确性显著提高（Li等人，2021）。Wang等人提出了一种名为BI-FusionNet的新网络，它结合了SeNet和随机融合矩阵，通过利用交叉类型信息来减轻缺陷数据导致的性能下降（Wang等人，2024）。尽管现有的基于深度学习的桥梁健康评估模型在预测准确性方面表现出色，但它们的泛化能力仍然有限，尤其是在处理不平衡样本时。上述预测模型通常可以分为两类：第一类依赖于单一或少数时间序列指标进行预测，缺乏对桥梁综合属性的充分数据挖掘；第二类利用大量的多样结构指标——即表格化的桥梁检查数据——来预测桥梁健康状况。然而，这些模型通常只使用静态的表格数据，未能纳入时间趋势。此外，当前模型未能考虑桥梁群组之间的空间尺度数据关联。为了进一步提高桥梁健康评估模型的鲁棒性和准确性，本研究通过全面整合多维桥梁检查数据中的时空特征来进行多尺度数据融合。因此，我们提出了一种基于图神经网络的新型桥梁状况预测模型，称为BiST-GraphNet。BiST-GraphNet的输入数据包括桥梁检查的表格数据和过去10年的时空状况历史，而输出是下一个检查年份桥梁部件的预测状况等级（一步预测）。本研究的贡献如下：1. 本研究提出了一种新的BiST-GraphNet模型，用于桥梁状况分级预测，是首次在该任务中考虑时空特征的模型。它使用多头注意力机制自适应地嵌入桥梁的静态表格多维特征，并利用时空图卷积提取桥梁健康状况的时空特征。然后通过可变融合注意力模块融合这些特征来预测桥梁状况等级。在NBI的Alabama数据集上验证时，所提出的BiST-GraphNet达到了最佳性能。2. 本研究优化了BiST-GraphNet的可变融合注意力模块，结果表明基于CNN的融合注意力机制使BiST-GraphNet实现了最佳性能。3. 本研究研究了时空训练特征的时间长度和空间维度对BiST-GraphNet性能的影响。4. 本研究对BiST-GraphNet的51个桥梁检查输入数据项进行了重要性分析，量化了每个项目对健康状况预测任务的贡献。本研究的结构如下：第2节介绍了所提出的BiST-GraphNet模型的理论和结构；第3节进行了BiST-GraphNet模型的最佳融合模块选择、基于NBI数据的时空特征超参数优化、与基线模型的性能比较、BiST-GraphNet的消融实验以及输入项的特征重要性分析；第4节总结了研究的结论，概述了关键贡献，并指出了未来研究的潜在方向。

方法论
本研究侧重于基于历史桥梁检查记录预测桥梁状况。在基于深度学习的预测方法中，模型的输入通常包括来自检查记录的各种桥梁综合信息，这些信息可以是数值数据、分类数据或文本数据。模型的输出是桥梁的整体健康状况评级或其各个部件的健康状况评级。

案例研究
本研究使用NBI（国家桥梁库存）数据集（Guide，1995）进行了案例分析。NBI数据集由美国联邦公路管理局（FHWA）维护，建立于1972年，包含美国54个州的617,084座桥梁的详细信息。该数据集主要包括桥梁的基本信息、结构特征、监测和维护信息、交通状况以及桥梁状况。

结论
本研究提出了一种桥梁状况预测网络BiST-GraphNet，它通过自注意力机制整合了时空图卷积和自适应嵌入的结构特征。研究结论如下：
•提出了一种基于深度学习的神经网络结构BiST-GraphNet，用于预测桥梁健康状况。它结合了时空图卷积和自适应嵌入的桥梁表格信息，使用多头注意力机制。
•作者声明没有已知的竞争财务利益或个人关系可能影响本文所述的工作。

致谢
作者衷心感谢新加坡南洋理工大学（03INS001210C120）的启动基金支持，以及新加坡教育部的第一级拨款（编号RS121/21、RG136/22和RG146/23）。