CN107563669A - 一种基于学习模型的公路养护决策分析方法 - Google Patents

Abstract

本申请公开了一种基于学习模型的公路养护决策分析方法，包括以下步骤：1.根据原始数据种类创建相应的影响因子，并由历年各路段原始数据和养护方法建立样本池；2.对样本池数据进行归一化处理，得到所有样本数据的归一化结果集合X_n；3.对行业内已有的养护进行序列化，得到每种养护方法代表值Y_n；4.建立基于样本数据的学习模型；5.获取需要养护决策的数据X_p，进行计算并获得本次计算的养护方法代表值集合Y_q；6.对Y_q进行反归一化并进行四舍五入取整，获得养护方法的对应编号值Y_q’，输出最优决策养护方法Y_q’。该方法建立了根据样本数据自学习的模型，整个养护决策过程不依赖人的知识经验。

Description

一种基于学习模型的公路养护决策分析方法

技术领域

本发明属于公路养护技术领域，具体涉及一种基于学习模型的公路养护决策分析方法。

背景技术

公路养护决策是依据公路现有评价数据，结合客户预期目标和实际资金限制智能制定广泛区域的公路养护维护方案集。在制定的过程中需要考虑路网的未来指标变化。

当今国内外主流的养护决策分析方法是采用养护决策分析树的方法，其通过公路养护行业专家依据个人经验和实际情况制定不同的养护决策分析树，不同决策树种选取不同的决策因子，并作为决策树的输入节点，同时建立从决策因子出发到最终养护方案节点的各种可能路径。当养护决策分析时，该方法根据真实数据遍历决策树获取最终结果。

此方法中决策树建立方法除了通过专家经验人工建立的方式，还可以通过一些国家或地方标准要求进行人工构建。

而随着此方法在养护工程实践过程中陆续出现以下问题：

1．该方法会出现区域局限性，构建的决策树往往仅适用于某个小区域内的部分公路，无法广泛适用于大区域的普适性应用。

2．决策树的准确性完全解决于人员的经验或行业规定的适配性，其是一种根据经验归纳出的固化处理流程；其缺少成长性，该方法的精确度和准确性在建立模型的时候就已经达到极致；随着时间、环境或公路本身的变化，其适用性和准确度都会逐渐下降。

3．该方法对所应用的数据量级数有定义的要求，当数据量级数增大时，其精准度会逐渐下降。

影响决策的因子无法根据实际情况进行动态增减，如此造成该方法对数据完整性要求极大，数据种类必须和决策因子完全匹配。

发明内容

本发明针对现有技术的不足，为了解决上述技术问题，提供了一种基于学习模型的公路养护决策分析方法。

本发明提供的方案如下：

一种基于学习模型的公路养护决策分析方法，包括以下步骤，

S1. 根据原始数据种类创建相应的影响因子，并由历年各路段原始数据和养护方法建立样本池；

S2.对样本池数据进行归一化处理，得到所有样本数据的归一化结果集合X_n；

S3.对行业内已有的养护进行序列化，得到每种养护方法代表值Y_n；

S4.建立基于样本数据的学习模型；

S5获取需要养护决策的数据X_p，进行计算并获得本次计算的养护方法代表值集合Y_q；

S6.对Y_q进行反归一化并进行四舍五入取整，获得Y_q’，即为养护方法的对应编号值，输出最优决策养护方法Y_q’。

进一步地，所述步骤S2具体的包括，对于不同的数据种类，根据其对应影响因子的特征采用不同的归一化方法，最终得到所有样本数据的归一化结果集合X_n，X_i为集合X_n其中一份样本，由多个数值组成，X_i={P₁,P₂,……,P_m}，P_i为某影响因子对于样本数值的归一化结果，其中，n为样本数，i∈{1,2,……,n}，m为影响因子数。

进一步地，所述步骤S3包括以下子步骤：

S3.1根据养护施工度按照顺序编号，养护施工度是通过工时和费用加权平均计算获得；

S3.2针对编号数字按照最小到最大范围进行归一化，最终得到每种养护方法代表值Y_n，n为养护方法数，Y_i为第i种方法的代表值，i∈{1,2,……,n}；

并由此建立Xi与Yi的对应关系。

进一步地，所述步骤S4包括以下子步骤：

S4.1根据影响因子数m建立中间计算集合S_n，其中，n=2^m，S_i为集合Sn中的第i个值，S_i的计算公式如下：

公式1，

W_mn={W₁₁,W₂₁,……,W_m1,W₁₂,W₂₂,……,W_m2,……,W_mn}，共m×n个，其是整个方法的学习权重，初始值可随机[0,1]之间任意值，Z_i是矫正量基础值，初始值可以随机[0,1]之间任意值；

S4.2对Sn进行归一化处理得到，归一化方法可以采用但不限于以下公式：

公式2；

S4.3根据公式3计算养护方案预估值：

公式3，

C_i为计算矫正值，D_i为计算矫正基础值；

S4.4计算样本的误差评估值：

公式4；

S4.5根据修正，初始值为0,并根据修改和：

公式5，

公式6，

公式 7，

公式 8，

A为历史信任度，B为趋近学习系数，二者取值一般为A∈（0,1]，B∈（0,1]，较优的，A=0.5，B=0.5；

S4.6依照步骤S4.4、S4.5的方法更新W_mn和Z_i；

S4.7从1到n循环重复带入新的样本数据Xi，并重复执行S4.1至S4.6步操作N，次N＞5000。

进一步地，所述步骤S5具体的包括：

获取需要养护决策的数据X_p，对X_p进行1次步骤S2至S4.3的操作，其中步骤S2、S3中样本池数据改为需要养护决策的数据，最终获得本次计算的养护方法代表值集合Y_q。

本发明的基于学习模型的公路养护决策分析方法，建立了一种根据样本数据自学习的模型，并通过模型得到了样本数据中影响因子的值与养护方法代表值的最优计算公式和参数，整个养护决策过程中并不依赖人的知识经验；本发明针对影响公路养护的多种影响因子和养护方法采用不同的归一化方法，将其值校正到统一量级；本发明可广泛适用于各地域的复杂使用环境，同时对区域范围无任何要求；本发明可基于海量历史数据进行智能学习，无需人为干预和影响，自动形成集多种影响因子的动态决策模型，当应用的数据量级数增大时，其精度会逐步增加，当超过一定数据级后会保持不变；本发明的影响因子可根据实际情况进行任意组合，当数据种类不完整时可动态修改影响因子的组合要求，并再次智能学习形成新的决策分析模型。

附图说明

图1为基于学习模型的公路养护决策分析方法的流程示意图。

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。

在本发明的一个实施例中，公开了一种基于学习模型的公路养护决策分析方法，包括以下步骤：

S1. 根据原始数据种类，例如：温度、降雨量、车流量、公路等级、公路结构、道路各种评价指标，创建相应的影响因子，并由历年各路段原始数据和养护方法建立样本池；

S2.对样本池数据进行归一化处理，得到所有样本数据的归一化结果集合X_n；

S3.对行业内已有的养护进行序列化，得到每种养护方法代表值Y_n；

S4.建立基于样本数据的学习模型；

S5获取需要养护决策的数据X_p，进行计算并获得本次计算的养护方法代表值集合Y_q；

S6.对Y_q进行反归一化并进行四舍五入取整，获得Y_q’，即为养护方法的对应编号值，输出最优决策养护方法Y_q’。

进一步地，所述步骤S2具体的包括，对于不同的数据种类，根据其对应影响因子的特征采用不同的归一化方法，最终得到所有样本数据的归一化结果集合X_n，X_i为集合X_n其中一份样本，由多个数值组成，X_i={P₁,P₂,……,P_m}，P_i为某影响因子对于样本数值的归一化结果，其中，n为样本数，i∈{1,2,……,n}，m为影响因子数。具体地，在进行归一化时，由于路面性能评价指标值域范围为[0，100]，其归一化方法为：V’=V/100，但事实上通过对海量数据进行统计发现，路面性能评价指标并非在值域[0，100]中均匀分布，其分布形态更近似于对数函数，因此路面性能评价指标的归一化方法也可适用为：V’=log_m(100-V)/log_m100(通常m=e或m=10)。在上述方法之外还可以根据海量样本数据统计最大V_max和最小V_min，V’=(V-V_min)/(V_max-V_min)，此方法还可以适用于温度、降雨量、交通量、轴载谱、路龄等；例如公路等级这种可以枚举的数据，可以根据数据种类数N进行归一化：V’=V/N。

进一步地，所述步骤S3包括以下子步骤：

S3.1根据养护施工度按照顺序编号，养护施工度是通过工时和费用加权平均计算获得；

S3.2针对编号数字按照最小到最大范围进行归一化，最终得到每种养护方法代表值Y_n，n为养护方法数，Y_i为第i种方法的代表值，i∈{1,2,……,n}；

并由此建立Xi与Yi的对应关系。

进一步地，所述步骤S4包括以下子步骤：

S4.1根据影响因子数m建立中间计算集合S_n，其中，n=2^m，S_i为集合Sn中的第i个值，S_i的计算公式如下：

公式1，

W_mn={W₁₁,W₂₁,……,W_m1,W₁₂,W₂₂,……,W_m2,……,W_mn}，共m×n个，其是整个方法的学习权重，初始值可随机[0,1]之间任意值，Z_i是矫正量基础值，初始值可以随机[0,1]之间任意值；

S4.2对Sn进行归一化处理得到，归一化方法可以采用但不限于以下公式：

公式2；

S4.3根据公式3计算养护方案预估值：

公式3，

C_i为计算矫正值，D_i为计算矫正基础值；

S4.4计算样本的误差评估值：

公式4；

S4.5根据修正，初始值为0,并根据修改和：

公式5，

公式 6，

公式 7，

公式 8，

A为历史信任度，B为趋近学习系数，二者取值一般为A∈（0,1]，B∈（0,1]，较优的，A=0.5，B=0.5；

S4.6使用步骤S4.4、S4.5的方法更新W_mn和Z_i；

S4.7从1到n循环重复带入新的样本数据Xi，并重复执行S4.1至S4.6步操作N，次N＞5000。

进一步地，所述步骤5进一步地包括：

获取需要养护决策的数据X_p，对X_p进行1次步骤S2至S4.3的操作，其中步骤S2、S3中样本池数据改为需要养护决策的数据，最终获得本次计算的养护方法代表值集合Y_q。

在本发明的另一实施例中，上述实施例中的步骤S2、S3中的归一化会使方法精度和学习效率大幅提高，但为了简化计算过程，以加快计算速度，也可以不进行归一化。

此外，上述实施例中步骤S2、S3、S4.2的归一化方法可以有多种。例如：公路评价指标可根据0到100范围占比进行归一化，也可以根据样本数据中各评价指标进行正态分布，取阈值V之上的值域范围进行归一化，当评价指标的值超过值域时，按照两侧极值处理。而温度、车流量、降雨量等数值性影响因子归一化的值域范围可以采用正态分布求合理性值域的方法，也可以指定温度范围作为值域。对于公路结构、公路等级等非数值性影响因子可根据其可选类型进行枚举，枚举编号从1到N。归一化过程也即求其枚举值与N的比例。

上述实施例中的样本池可以拓展到多个。根据公路养护区域、地域、养护重要程度进行划分（划分条件不仅限于此）。针对不同样本池进行分开同步学习，并针对各自的带处理数据进行养护决策分析。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于学习模型的公路养护决策分析方法，包括以下步骤，

S1. 根据原始数据种类创建相应的影响因子，并由历年各路段原始数据和养护方法建立样本池；

S2.对样本池数据进行归一化处理，得到所有样本数据的归一化结果集合X_n；

S3.对行业内已有的养护进行序列化，得到每种养护方法代表值Y_n；

S4.建立基于样本数据的学习模型；

S5获取需要养护决策的数据X_p，进行计算并获得本次计算的养护方法代表值集合Y_q；

S6.对Y_q进行反归一化并进行四舍五入取整，获得Y_q’，即为养护方法的对应编号值，输出最优决策养护方法Y_q’。

2.根据权利要求1所述的一种基于学习模型的公路养护决策分析方法，其特征在于，所述步骤S2具体的包括，对于不同的数据种类，根据其对应影响因子的特征采用不同的归一化方法，最终得到所有样本数据的归一化结果集合X_n，X_i为集合X_n其中一份样本，由多个数值组成，X_i={P₁,P₂,……,P_m}，P_i为某影响因子对于样本数值的归一化结果，其中，n为样本数，i∈{1,2,……,n}，m为影响因子数。

3.根据权利要求2所述的一种基于学习模型的公路养护决策分析方法，其特征在于，所述步骤S3包括以下子步骤：

S3.1根据养护施工度按照顺序编号，养护施工度是通过工时和费用加权平均计算获得；

S3.2针对编号数字按照最小到最大范围进行归一化，最终得到每种养护方法代表值Y_n，n为养护方法数，Y_i为第i种方法的代表值，i∈{1,2,……,n}；

并由此建立Xi与Yi的对应关系。

4.根据权利要求3所述的一种基于学习模型的公路养护决策分析方法，其特征在于，所述步骤S4包括以下子步骤：

S4.1根据影响因子数m建立中间计算集合S_n，其中，n=2^m，S_i为集合Sn中的第i个值，S_i的计算公式如下：

公式1，

W_mn={W₁₁,W₂₁,……,W_m1,W₁₂,W₂₂,……,W_m2,……,W_mn}，共m×n个，其是整个方法的学习权重，初始值可随机[0,1]之间任意值，Z_i是矫正量基础值，初始值可以随机[0,1]之间任意值；

S4.2对Sn进行归一化处理得到，归一化方法可以采用但不限于以下公式：

公式2；

S4.3根据公式3计算养护方案预估值：

公式3，

C_i为计算矫正值，D_i为计算矫正基础值；

S4.4计算样本的误差评估值：

公式4；

S4.5根据修正，初始值为0,并根据修改和：

公式5，

公式6，

公式 7，

公式 8，

A为历史信任度，B为趋近学习系数，二者取值一般为A∈（0,1]，B∈（0,1]，较优的，A=0.5，B=0.5；

S4.6依照步骤S4.4、S4.5的方法更新W_mn和Z_i；

S4.7从1到n循环重复带入新的样本数据X_i，并重复执行S4.1至S4.6步操作N次，N＞5000。

5.根据权利要求4所述的一种基于学习模型的公路养护决策分析方法，其特征在于，所述步骤S5，具体地包括

获取需要养护决策的数据X_p，对X_p进行1次步骤S2至S4.3的操作，其中步骤S2、S3中样本池数据改为需要养护决策的数据，最终获得本次计算的养护方法代表值集合Y_q。