CN106844527B - 一种基于互联网大数据的路面病害识别与管养决策方法及系统 - Google Patents
一种基于互联网大数据的路面病害识别与管养决策方法及系统 Download PDFInfo
- Publication number
- CN106844527B CN106844527B CN201611247900.1A CN201611247900A CN106844527B CN 106844527 B CN106844527 B CN 106844527B CN 201611247900 A CN201611247900 A CN 201611247900A CN 106844527 B CN106844527 B CN 106844527B
- Authority
- CN
- China
- Prior art keywords
- disease
- database
- pavement
- diseases
- road
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于互联网大数据的路面病害识别与管养决策方法及系统,该方法包括以下步骤:S1、基于互联网大数据构建路面病害数据库,从路面病害数据库中提炼出判断识别不同路面病害的关键语句,根据关键语句制定用户输入标准;S2、按照用户标准输入路面病害特征,通过数据挖掘技术在路面病害数据库中检索匹配,进行路面病害智能识别并给出管养方案;S3、路面病害数据库在用户使用中通过用户输入数据进行自我学习,不断自我升级提高识别精度。本发明提高了识别正确度和养护方案的科学性,避免了错误诊断带来的路面二次病害,大大节约了养护成本;将基础学科与互联网技术结合,将传统的工程经验识别路面病害转向了信息化与智能化。
Description
技术领域
本发明涉及道路病害识别与养护领域,尤其涉及一种基于互联网大数据的路面病害识别与管养决策方法及系统。
背景技术
随着国家经济的高速发展,公路网络日益完善。然而在高速发展的背后也存在着很多不协调的问题,目前新建项目在逐渐变少,我国正渐渐步入工程养护时代,很多早期的道路到达了使用年限,养护维修问题不断凸显。就2016年,全国公路养护里程411.68万km,占公路总里程的97.2%,我国庞大的公共交通系统网络,需要更加高效、实用的方式进行维护。
目前的路面病害的识别主要靠基层管理维护人员肉眼观察对病害进行识别,正确诊断病害需要人员有丰富的工作经验和理论知识储备,但目前很多的养护人员缺乏专业知识,对路面病害的判断往往存在错误或不够全面,错误识别病害程度,管养方案的制定抓不住问题的关键,造成了很多无效维护,既浪费资源又有碍于交通。
目前路面病害种类虽然多种多样,但大多数病害都无需借助精密仪器,可以通过简单的识别手段为病害定性,并根据实地可以直接测量的工程数据实现精确的定量分析。更为关键的是路面病害的发生与发展逐步呈现一定的规律性和区域性,路面病害识别与管养决策可完全应用互联网大数据技术。
发明内容
本发明要解决的技术问题在于针对现有技术中公路维护难度大,维护手段效率低的缺陷,提供一种基于互联网大数据的路面病害识别与管养决策方法及系统。
本发明解决其技术问题所采用的技术方案是:
本发明提供一种基于互联网大数据的路面病害识别与管养决策方法,包括以下步骤:
S1、基于互联网大数据构建路面病害数据库,从路面病害数据库中提炼出判断识别不同路面病害的关键语句,根据关键语句制定用户输入标准,用户输入标准包含不同的路面病害特征;
S2、按照用户标准输入路面病害特征,通过数据挖掘技术在路面病害数据库中检索匹配,进行路面病害智能识别并给出管养方案;
S3、路面病害数据库在用户使用中通过用户输入数据进行自我学习,不断自我升级提高识别精度。
进一步地,本发明的步骤S1中构建路面病害数据库的方法为:
根据互联网大数据技术,获取工程实际中的路面病害识别与管养的成功案例数据,对成功案例数据进行整理并按照“公路地理位置—公路等级—设计速度—病害类型—病害特征—轻重程度—维修养护方案”的标准录入数据库,得到路面病害数据库。
进一步地,本发明的步骤S1中路面病害的关键语句包括大类病害和小类病害,其中:
大类病害包括裂缝类破坏、变形类破坏、修补类破坏和表面缺陷类破坏;
小类病害包括纵向裂缝、横向裂缝、斜向裂缝、板角断裂、交叉裂缝、破碎板、龟裂、唧泥、错台、拱起、填缝材料破损、沉陷、接缝破碎、修补损坏、反射裂缝、表面裂缝、起皮、露骨和坑洞。
进一步地,本发明的路面病害数据库包括:病害库、病害路段信息库、现象库、成因库、危害程度库、解决方案库、动态数据库和样本库;其中:
病害库包括混凝土病害的各种病害名称;
病害路段信息库包括病害地理位置、病害路段设计速度和病害路段岩土类型;
现象库包括用户输入的病害特征现象;
成因库包括各种路面病害的可能成因;
危害程度库包括路面病害的严重程度,分为轻、中、重和无;
解决方案库包括不同危害程度下的路面病害解决方案;
样本库开始时是空白数据库,分为静态数据库和动态数据库;其中:
静态数据库的数据不能动态增加,只能由后台维护人员录入;
动态数据库用于实现自动记录功能,将用户使用的样本信息作为样本记录进入样本库。
进一步地,本发明的步骤S1中制定用户输入标准的方法为:
用户按照“识别公路地理位置—识别公路等级—识别公路设计速度—病害特征”的顺序依次进行输入和确认。
进一步地,本发明的步骤S2中通过数据挖掘技术在数据库中检索匹配的方法为:
在路面病害数据库中通过数据挖掘技术的Pagerank算法进行检索,路面病害Cr1的PageRank值为:
PR(Cr1)=PR(A)+PR(B)+PR(C)
其中,A、B、C分别表示链接到路面病害Cr1的三个主要成因因子;
根据与路面病害Cr1的成因因子的影响程度,每种病害成因因子都按照一定比例投票给路面病害Cr1,根据专家法,得到链接总数平分的病害成因因子的PageRank值为:
其中,1/L(A)、1/L(B)、1/L(C)分别表示成因因子A、B、C的投票比例;
将综合的最大PageRank值对应的检索信息输出,得到用户所需的病害成因、严重程度及解决方案的输出。
进一步地,本发明的步骤S3中路面病害数据库通过用户输入数据进行自我学习的方法为:
在路面病害智能识别并给出管养方案后,路面病害数据库将用户的输入信息按照“公路地理位置—公路等级—设计速度—病害类型—病害特征—轻重程度—维修养护方案”的格式作为样本重新录入路面病害数据库,使路面病害数据库随着使用不断被丰富。
进一步地,本发明的对重新录入路面病害数据库的数据进行学习的方法为:
路面病害数据库系统通过PR自我学习算法把录入的样本中关键词出现次数进行收集,将各个病害成因因子进行叠加重复计算,给每种成因因子赋予的比例设置为最小值,数据挖掘算法通过数学系统给了每种病害成因因子一个最小值:
其中,d表示目前行业中对该相关病害产生显著影响因子的总数在出现的影响因子数的比重,N表示对产生该病害的影响因子;
通过不断的重复计算每种病害成因因子的PageRank值,若每种成因因子一个随机PageRank值均非0,经过不断的重复计算,PageRank值趋向于稳定,通过系统自身经验学习,优先给出与之相关的检索频率较高的内容。
本发明提供一种基于互联网大数据的路面病害识别与管养决策系统,包括以下步骤:
路面病害数据库构建单元,用于基于互联网大数据构建路面病害数据库,从路面病害数据库中提炼出判断识别不同路面病害的关键语句,根据关键语句制定用户输入标准,用户输入标准包含不同的路面病害特征;
路面病害智能识别单元,用于按照用户标准输入路面病害特征,通过数据挖掘技术在路面病害数据库中检索匹配,进行路面病害智能识别并给出管养方案;
数据库自我学习单元,用于路面病害数据库在用户使用中通过用户输入数据进行自我学习,不断自我升级提高识别精度。
本发明产生的有益效果是:本发明的基于互联网大数据的路面病害识别与管养决策方法,通过互联网大数据的方式获取路面病害数据库,能够针对大量常见的路面病害类型,提供解决方案;且本发明适用性广,普通养护人员无需丰富的工程经验与专业知识也可以通过简单判断完成精确的路面病害识别,使用者可以结合实际情况与推荐管养方案进行病害路段养护,提高了识别正确度避免了错误诊断带来的路面二次病害,大大节约了养护成本;本方法通过自我学习算法随着用户的不断使用不断提高识别精度,能够很好的满足工程需要;本发明将基础学科与互联网技术结合,将传统的工程经验识别路面病害转向了信息化与智能化。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的高速公里里程图;
图2是本发明实施例的诊断流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例的基于互联网大数据的路面病害识别与管养决策方法,包括以下步骤:
S1、基于互联网大数据构建路面病害数据库,从路面病害数据库中提炼出判断识别不同路面病害的关键语句,根据关键语句制定用户输入标准,用户输入标准包含不同的路面病害特征;
构建路面病害数据库的方法为:
根据互联网大数据技术,获取工程实际中的路面病害识别与管养的成功案例数据,对成功案例数据进行整理并按照“公路地理位置—公路等级—设计速度—病害类型—病害特征—轻重程度—维修养护方案”的标准录入数据库,得到路面病害数据库。
路面病害的关键语句包括大类病害和小类病害;本实施例是针对专业知识较为匮乏的基层养护人员,因此在这里是用比较泛的说法进行表述,但这两个总类的病害下会按照理论具体分为裂缝类,变形类等破坏;这个分类不针对沥青路面,数据库的内容是十分庞大的,在此只是以水泥路面的病害为例进行讲解,在项目具体实施过程中会给出沥青路面的分类,数据库的内容也会更加丰富并趋于全面,其中:
大类病害包括裂缝类破坏、变形类破坏、修补类破坏和表面缺陷类破坏;
小类病害包括纵向裂缝、横向裂缝、斜向裂缝、板角断裂、交叉裂缝、破碎板、龟裂、唧泥、错台、拱起、填缝材料破损、沉陷、接缝破碎、修补损坏、反射裂缝、表面裂缝、起皮、露骨和坑洞。
制定用户输入标准的方法为:
用户按照“识别公路地理位置—识别公路等级—识别公路设计速度—病害特征”的顺序依次进行输入和确认。
路面病害数据库包括:病害库、病害路段信息库、现象库、成因库、危害程度库、解决方案库、动态数据库和样本库;其中:
病害库包括混凝土病害的各种病害名称;
病害路段信息库包括病害地理位置、病害路段设计速度和病害路段岩土类型;
现象库包括用户输入的病害特征现象;
成因库包括各种路面病害的可能成因;
危害程度库包括路面病害的严重程度,分为轻、中、重和无;
解决方案库包括不同危害程度下的路面病害解决方案;
样本库开始时是空白数据库,分为静态数据库和动态数据库;其中:
静态数据库的数据不能动态增加,只能由后台维护人员录入;
动态数据库用于实现自动记录功能,将用户使用的样本信息作为样本记录进入样本库。
S2、按照用户标准输入路面病害特征,通过数据挖掘技术在路面病害数据库中检索匹配,进行路面病害智能识别并给出管养方案;
通过数据挖掘技术在数据库中检索匹配的方法为:
在路面病害数据库中通过数据挖掘技术的Pagerank算法进行检索,PR(A)、PR(B)、PR(C)的值的大小是由这些因素对病害的实际影响比重决定的,大小是基于概率统计的基础上,给出的模糊数据,是随着样本容量的增加而变化的;路面病害Cr1的PageRank值为:
PR(Cr1)=PR(A)+PR(B)+PR(C)
其中,A、B、C分别表示链接到路面病害Cr1的三个主要成因因子;
根据与路面病害Cr1的成因因子的影响程度,每种病害成因因子都按照一定比例投票给路面病害Cr1,根据专家法,得到链接总数平分的病害成因因子的PageRank值为:
其中,1/L(A)、1/L(B)、1/L(C)分别表示成因因子A、B、C的投票比例;
将综合的最大PageRank值对应的检索信息输出,得到用户所需的病害成因、严重程度及解决方案的输出。
路面病害数据库通过用户输入数据进行自我学习的方法为:
在路面病害智能识别并给出管养方案后,路面病害数据库将用户的输入信息按照“公路地理位置—公路等级—设计速度—病害类型—病害特征—轻重程度—维修养护方案”的格式作为样本重新录入路面病害数据库,使路面病害数据库随着使用不断被丰富。
对重新录入路面病害数据库的数据进行学习的方法为:
路面病害数据库系统通过PR自我学习算法把录入的样本中关键词出现次数进行收集,将各个病害成因因子进行叠加重复计算,给每种成因因子赋予的比例设置为最小值,数据挖掘算法通过数学系统给了每种病害成因因子一个最小值:
其中,d表示目前行业中对该相关病害产生显著影响因子的总数在可能出现的影响因子数的比重,N表示对可能产生该病害的影响因子,因为有些影响因子在不同地区不同环境下不同条件下不一样,这个值受不同的地区条件是变化的;
通过不断的重复计算每种病害成因因子的PageRank值,若每种成因因子一个随机PageRank值均非0,经过不断的重复计算,PageRank值趋向于稳定,通过系统自身经验学习,优先给出与之相关的检索频率较高的内容。
S3、路面病害数据库在用户使用中通过用户输入数据进行自我学习,不断自我升级提高识别精度。
本发明实施例的基于互联网大数据的路面病害识别与管养决策系统,包括以下步骤:
路面病害数据库构建单元,用于基于互联网大数据构建路面病害数据库,从路面病害数据库中提炼出判断识别不同路面病害的关键语句,根据关键语句制定用户输入标准,用户输入标准包含不同的路面病害特征;
路面病害智能识别单元,用于按照用户标准输入路面病害特征,通过数据挖掘技术在路面病害数据库中检索匹配,进行路面病害智能识别并给出管养方案;
数据库自我学习单元,用于路面病害数据库在用户使用中通过用户输入数据进行自我学习,不断自我升级提高识别精度。
在本发明的另一个具体实施例中:
首先以水泥混凝土路面病害识别与决策为例。目前水泥路面的病害种类可划分为四个大类和二十个小类病害,大类病害分别包括:裂缝类破坏、变形类破坏、修补类破坏和表面缺陷类破坏;十二个小类病害则分别统筹归属于各个大类病害的分支:纵向裂缝、横向裂缝、斜向裂缝、板角断裂、交叉裂缝、破碎板、龟裂、唧泥、错台、拱起、填缝材料破损、沉陷、接缝破碎、修补损坏、反射裂缝、表面裂缝、起皮、露骨、坑洞。
根据混凝土路面病害分析,建立了静态数据库:病害库、病害路段信息库(ME、现象库(P)、成因库(R)、危害程度库(L:轻M:中H:重O:无)、解决方案库(S)和动态数据库:样本库(E)。病害库包含着混凝土病害的各种病害名称;病害路段信息库包含着病害地理位置、病害路段设计速度、病害路段岩土类型;现象库对应着用户输入的病害特征现象;成因库对应某种病害的可能成因;危害程度库对应某种病害的严重程度;解决方案库对应确定危害程度下的病害解决方案。我们将收集工程中的水泥混凝土路面病害管养案例按照标准“公路地理位置—公路等级—设计速度—病害类型—病害特征—轻重程度—维修养护方案”的格式依次录入对应数据库。样本库开始时是空白数据库,静态数据库的数据不再动态增加,只可由后台维护人员录入;动态数据库可以实现自动记录功能,将用户使用的样本信息作为样本记录进入样本库。
用户在使用时的诊断流程如图2所示,按照“识别公路地理位置—识别公路等级—识别公路设计速度—病害特征”依次进行输入确认,用户输入与数据库中的样本通过数据挖掘技术进行匹配,数据库判断用户识别的病害类型,并给出选项供用户选择确定病害轻重程度,数据库再次从已选取样本中进行匹配,反馈用户病害成因,并给出推荐的管养方案。
在匹配中我们使用数据挖掘技术的Pagerank算法进行检索。例如混凝土路面纵向裂缝Cr1由3种主要成因因子造成:A:最大温度差、B:道路等级、C:时长。所有成因因子都链向Cr1,那么Cr1的PR(PageRank)值将是A、B及C的Pagerank总和。
PR(Cr1)=PR(A)+PR(B)+PR(C)
由于病害成因因子A、B、C都可以链接到Cr1。根据与Cr1病害的成因因子的影响程度,每种病害成因因子都按照一定比例投票给Cr1。我们通过专家法,根据专家的意见,假定Cr1给每个病害成因因子A、B、C比例为1/2,1,和1/3。
故在一般情况下,根据链出总数平分一个病害成因因子的PR值。
将综合最大的PR数值对应的检索信息输出,即可得到用户所需的病害成因、严重程度及解决方案的输出。
诊断完成后,数据库将用户的输入信息按照“公路地理位置—公路等级—设计速度—病害类型—病害特征—轻重程度—维修养护方案”的格式作为样本重新录入数据库,使动态样本库随着使用不断被丰富。数据库系统通过PR自我学习算法会把录入的样本中关键词出现次数进行收集,将各个病害成因因子在原本假定基础上进行叠加重复计算,为了使病害成因因子尽可能全面,我们给每种成因因子赋予的比例尽可能为其所达到的最小值,由于非主要成因因子在大量工程实践中证实对Cr1不产生显著影响。故不考虑其他“向外链接的成因因子”传递出去的PageRank会是0(此处表示没有其余明显的会造成纵向裂缝Cr1的成因)。所以,本项目的数据挖掘算法通过数学系统给了每种病害成因因子一个最小值:
通过该算法不断的重复计算每种病害成因因子的PageRank。如果给每种影响因子一个随机PageRank值(非0),那么经过不断的重复计算,这些因子的PR值会趋向于稳定,也就是收敛的状态。通过系统自身经验学习,与之相关的检索频率较高的内容将会优先给出。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (7)
1.一种基于互联网大数据的路面病害识别与管养决策方法,其特征在于,包括以下步骤:
S1、基于互联网大数据构建路面病害数据库,从路面病害数据库中提炼出判断识别不同路面病害的关键语句,根据关键语句制定用户输入标准,用户输入标准包含不同的路面病害特征;
S2、按照用户输入标准输入路面病害特征,通过数据挖掘技术在路面病害数据库中检索匹配,进行路面病害智能识别并给出管养方案;
S3、路面病害数据库在用户使用中通过用户输入数据进行自我学习,不断自我升级提高识别精度;
步骤S1中构建路面病害数据库的方法为:
根据互联网大数据技术,获取工程实际中的路面病害识别与管养的成功案例数据,对成功案例数据进行整理并按照“公路地理位置—公路等级—设计速度—病害类型—病害特征—轻重程度—维修养护方案”的标准录入数据库,得到路面病害数据库;
步骤S2中通过数据挖掘技术在数据库中检索匹配的方法为:
在路面病害数据库中通过数据挖掘技术的PageRank算法进行检索,路面病害Cr1的PageRank值为:
PR(Cr1)=PR(A)+PR(B)+PR(C)
其中,A、B、C分别表示链接到路面病害Cr1的三个主要成因因子;
根据与路面病害Cr1的成因因子的影响程度,每种病害成因因子都按照一定比例投票给路面病害Cr1,根据专家法,得到链接总数平分的病害成因因子的PageRank值为:
其中,1/L(A)、1/L(B)、1/L(C)分别表示成因因子A、B、C的投票比例;
将综合的最大PageRank值对应的检索信息输出,得到用户所需的病害成因、严重程度及解决方案的输出。
2.根据权利要求1所述的基于互联网大数据的路面病害识别与管养决策方法,其特征在于,步骤S1中路面病害的关键语句包括大类病害和小类病害,其中:
大类病害包括裂缝类破坏、变形类破坏、修补类破坏和表面缺陷类破坏;
小类病害包括纵向裂缝、横向裂缝、斜向裂缝、板角断裂、交叉裂缝、破碎板、龟裂、唧泥、错台、拱起、填缝材料破损、沉陷、接缝破碎、修补损坏、反射裂缝、表面裂缝、起皮、露骨和坑洞。
3.根据权利要求1所述的基于互联网大数据的路面病害识别与管养决策方法,其特征在于,路面病害数据库包括:病害库、病害路段信息库、现象库、成因库、危害程度库、解决方案库、动态数据库和样本库;其中:
病害库包括混凝土病害的各种病害名称;
病害路段信息库包括病害地理位置、病害路段设计速度和病害路段岩土类型;
现象库包括用户输入的病害特征现象;
成因库包括各种路面病害的可能成因;
危害程度库包括路面病害的严重程度,分为轻、中、重和无;
解决方案库包括不同危害程度下的路面病害解决方案;
样本库开始时是空白数据库,分为静态数据库和动态数据库;其中:
静态数据库的数据不能动态增加,只能由后台维护人员录入;
动态数据库用于实现自动记录功能,将用户使用的样本信息作为样本记录进入样本库。
4.根据权利要求1所述的基于互联网大数据的路面病害识别与管养决策方法,其特征在于,步骤S1中制定用户输入标准的方法为:
用户按照“识别公路地理位置—识别公路等级—识别公路设计速度—病害特征”的顺序依次进行输入和确认。
5.根据权利要求1所述的基于互联网大数据的路面病害识别与管养决策方法,其特征在于,步骤S3中路面病害数据库通过用户输入数据进行自我学习的方法为:
在路面病害智能识别并给出管养方案后,路面病害数据库将用户的输入信息按照“公路地理位置—公路等级—设计速度—病害类型—病害特征—轻重程度—维修养护方案”的格式作为样本重新录入路面病害数据库,使路面病害数据库随着使用不断被丰富。
6.根据权利要求5所述的基于互联网大数据的路面病害识别与管养决策方法,其特征在于,对重新录入路面病害数据库的数据进行学习的方法为:
路面病害数据库系统通过PR自我学习算法把录入的样本中关键词出现次数进行收集,将各个病害成因因子进行叠加重复计算,给每种成因因子赋予的比例设置为最小值,数据挖掘算法通过数学系统给了每种病害成因因子一个最小值:
其中,d表示目前行业中对每种相关病害产生显著影响因子的总数在出现的影响因子数的比重,N表示对产生该病害的影响因子;
通过不断的重复计算每种病害成因因子的PageRank值,若每种成因因子一个随机PageRank值均非0,经过不断的重复计算,PageRank值趋向于稳定,通过系统自身经验学习,优先给出与之相关的检索频率较高的内容。
7.一种基于互联网大数据的路面病害识别与管养决策系统,其特征在于,包括以下步骤:
路面病害数据库构建单元,用于基于互联网大数据构建路面病害数据库,从路面病害数据库中提炼出判断识别不同路面病害的关键语句,根据关键语句制定用户输入标准,用户输入标准包含不同的路面病害特征;
路面病害智能识别单元,用于按照用户输入标准输入路面病害特征,通过数据挖掘技术在路面病害数据库中检索匹配,进行路面病害智能识别并给出管养方案;
数据库自我学习单元,用于路面病害数据库在用户使用中通过用户输入数据进行自我学习,不断自我升级提高识别精度;
路面病害数据库构建单元中构建路面病害数据库的方法为:
根据互联网大数据技术,获取工程实际中的路面病害识别与管养的成功案例数据,对成功案例数据进行整理并按照“公路地理位置—公路等级—设计速度—病害类型—病害特征—轻重程度—维修养护方案”的标准录入数据库,得到路面病害数据库;
路面病害智能识别单元中通过数据挖掘技术在数据库中检索匹配的方法为:
在路面病害数据库中通过数据挖掘技术的Pagerank算法进行检索,路面病害Cr1的PageRank值为:
PR(Cr1)=PR(A)+PR(B)+PR(C)
其中,A、B、C分别表示链接到路面病害Cr1的三个主要成因因子;
根据与路面病害Cr1的成因因子的影响程度,每种病害成因因子都按照一定比例投票给路面病害Cr1,根据专家法,得到链接总数平分的病害成因因子的PageRank值为:
其中,1/L(A)、1/L(B)、1/L(C)分别表示成因因子A、B、C的投票比例;
将综合的最大PageRank值对应的检索信息输出,得到用户所需的病害成因、严重程度及解决方案的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611247900.1A CN106844527B (zh) | 2016-12-29 | 2016-12-29 | 一种基于互联网大数据的路面病害识别与管养决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611247900.1A CN106844527B (zh) | 2016-12-29 | 2016-12-29 | 一种基于互联网大数据的路面病害识别与管养决策方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106844527A CN106844527A (zh) | 2017-06-13 |
CN106844527B true CN106844527B (zh) | 2020-05-05 |
Family
ID=59113351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611247900.1A Active CN106844527B (zh) | 2016-12-29 | 2016-12-29 | 一种基于互联网大数据的路面病害识别与管养决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106844527B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292795A (zh) * | 2017-06-28 | 2017-10-24 | 中国路桥工程有限责任公司 | 路面综合整治系统及方法 |
CN108182178B (zh) * | 2018-01-25 | 2021-06-18 | 刘广泽 | 基于事件文本数据挖掘的地下水水位分析方法与系统 |
CN109359130A (zh) * | 2018-09-03 | 2019-02-19 | 中交公路规划设计院有限公司 | 一种桥梁病害分级和分级维护方法及系统 |
CN109002667B (zh) * | 2018-09-21 | 2022-04-15 | 江苏中路工程技术研究院有限公司 | 一种基于裂缝发展形态的裂缝成因分析方法 |
CN109784438A (zh) * | 2018-12-28 | 2019-05-21 | 福建华闽通达信息技术有限公司 | 一种桥梁养护病害记录、识别及处理措施指导方法及系统 |
CN109740774B (zh) * | 2019-02-28 | 2021-07-30 | 中国公路工程咨询集团有限公司 | 路面养护措施库的修正方法及电子设备 |
CN111552732A (zh) * | 2020-04-27 | 2020-08-18 | 江苏现代工程检测有限公司 | 高速路面病害大数据智能分析方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268213A (zh) * | 2014-09-24 | 2015-01-07 | 长安大学 | 一种基于多源检测数据的养护路段划分方法 |
CN104463348A (zh) * | 2014-11-11 | 2015-03-25 | 辽宁省交通科学研究院 | 一种沥青路面改造方案决策系统及方法 |
CN106087679A (zh) * | 2016-08-15 | 2016-11-09 | 浙江省交通集团检测科技有限公司 | 一种沥青路面病害识别与自动绘图系统及其方法 |
-
2016
- 2016-12-29 CN CN201611247900.1A patent/CN106844527B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268213A (zh) * | 2014-09-24 | 2015-01-07 | 长安大学 | 一种基于多源检测数据的养护路段划分方法 |
CN104463348A (zh) * | 2014-11-11 | 2015-03-25 | 辽宁省交通科学研究院 | 一种沥青路面改造方案决策系统及方法 |
CN106087679A (zh) * | 2016-08-15 | 2016-11-09 | 浙江省交通集团检测科技有限公司 | 一种沥青路面病害识别与自动绘图系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106844527A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106844527B (zh) | 一种基于互联网大数据的路面病害识别与管养决策方法及系统 | |
CN111222661B (zh) | 一种城市规划实施效果分析评估方法 | |
CN110222959B (zh) | 一种基于大数据的城市就业可达性测算方法及系统 | |
CN106600960A (zh) | 基于时空聚类分析算法的交通出行起讫点识别方法 | |
CN108986448B (zh) | 一种交通设施管理方法及终端设备 | |
CN110298768B (zh) | 一种基于bim与gis的路桥养护辅助决策系统及养护方法 | |
CN111414522B (zh) | 基于网络爬虫的招聘信息可视化分析系统 | |
CN110188092B (zh) | 一种挖掘人民调解中新型矛盾纠纷的系统及方法 | |
CN112966899A (zh) | 一种影响人口密度的城市公共服务设施建设决策方法 | |
CN107463711A (zh) | 一种数据的标签匹配方法及装置 | |
CN111797188B (zh) | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 | |
CN111814528A (zh) | 一种连通性分析的夜光影像城市等级分类方法 | |
CN112417286A (zh) | 区域性文化产业集聚的影响因素分析方法和系统 | |
CN112561942A (zh) | 一种基于dmsp夜间灯光影像的城郊村三元结构自动提取方法 | |
CN115660296B (zh) | 一种基于机器学习的不合规项目建议方案自动出具方法 | |
CN112308388A (zh) | 基于语义分析的电力工程大修项目风险审计方法 | |
Xu et al. | New data, integrated methods and multiple applications: a review of urban studies based on street view images | |
CN112668634B (zh) | 基于深度学习的地下管网自动识别检测的云系统 | |
CN107944735A (zh) | 一种基于古诗词的旅游景区品牌价值分析方法 | |
CN110942354A (zh) | 一种基于大数据算法的轨道交通工程造价指标自动计算方法 | |
CN108416033A (zh) | 一种用于汽车研发的数据分析方法、装置及终端 | |
CN111552732A (zh) | 高速路面病害大数据智能分析方法 | |
dos Santos et al. | Multicriteria decision analysis (MCDA) and geographic information system (GIS) in construction and demolition waste (CDW) management | |
Lin et al. | Decision Tree analysis of the relationship between defects and construction inspection grades | |
CN114862276B (zh) | 产城大数据协同分析应用方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |