CN107871183A - 基于不确定性云理论的多年冻土区公路病害预测方法 - Google Patents
基于不确定性云理论的多年冻土区公路病害预测方法 Download PDFInfo
- Publication number
- CN107871183A CN107871183A CN201711039228.1A CN201711039228A CN107871183A CN 107871183 A CN107871183 A CN 107871183A CN 201711039228 A CN201711039228 A CN 201711039228A CN 107871183 A CN107871183 A CN 107871183A
- Authority
- CN
- China
- Prior art keywords
- cloud
- degree
- concept
- frozen
- highway distress
- 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.)
- Pending
Links
- 230000009429 distress Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000004913 activation Effects 0.000 claims abstract description 17
- 239000000284 extract Substances 0.000 claims abstract description 4
- 201000010099 disease Diseases 0.000 claims description 57
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 57
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000000889 atomisation Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 235000015110 jellies Nutrition 0.000 claims 1
- 239000008274 jelly Substances 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 5
- 230000000630 rising effect Effects 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 230000001149 cognitive effect Effects 0.000 description 3
- 230000006806 disease prevention Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001536468 Euphorbia cyparissias Species 0.000 description 1
- 208000036119 Frailty Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 206010003549 asthenia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000536 complexating effect Effects 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Automation & Control Theory (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于不确定性云理论的多年冻土区公路病害预测方法，实现过程为：(1)数据采集，原始数据库建立；(2)选定评价参数并进行初始概念划分；(3)评价参数云模型概念跃升并提取特征值；(4)公路病害度概念划分并提取特征值；(5)确定推理规则、并得到定量表达的推理规则参数表，构建规则库；(6)建立多年冻土区公路病害三维多规则云模型定性推理发生器；(7)访问规则发生库前件，找到激活程度最大的规则；(8)激活规则发生库后件，输出公路病害度；本发明将云模型理论应用于多年冻土区公路病害预测中，综合考虑了模糊性和随机性，具有更强的适应性。
Description
技术领域
本发明属于道路病害、风险预测技术领域，涉及一种基于不确定性云理论的多年冻土区公路病害预测方法。
背景技术
云模型具有宏观精确、微观模糊、宏观可控、微观不可控的特点，其本质单位是云滴组成的概念云，思想是兼顾了随机性和模糊性。云模型是用语言值表示的某个定性概念与其定量表示之间的双向认知模型，用以反映自然语言中概念的不确定性，不但可以通过经典的概率论和模糊数学给出解释，而且反映了随机性和模糊性之间的关联，尤其是用概率的方法去研究模糊性，构成定性与定量之间的相互映射。
在公路病害预测中，由于专家经验和知识的不同，导致评价指标数值等级划分的随机性，且评价指标在实际测量过程中也会受到外界环境与人为因素等的影响，导致在概念划分的临界区域可能会被归为两个不同的等级，因此也造成了分类过程中的模糊性。因此公路病害预测是随机性与模糊性的综合，是一个不确定性问题。
多年冻土区地质条件复杂、生态环境脆弱，公路在穿越多年冻土区时，产生了极其严重的病害，造成了巨大的经济损失。因此，开展多年冻土区公路病害预测对于发现潜在病害路段、提高道路安全水平和有效改善公路工程质量具有十分重要的意义。
对于多年冻土区公路病害预测方面的研究，霍明等运用模糊函数理论和模糊推理库进行了青藏公路多年冻土区预警系统研究。李晓燕提出路基高度和冻土年最大融深之间的回归公式，为路基病害预测提供依据。朱东鹏运用模糊数学理论进行推理运算，最终输出路基状况指数。汪双杰等以模糊专家系统为基础提出了多年冻土区公路病害预测方法。骈龙江采用系统分析和模糊综合评判的方法，建立了冻融病害系统的模糊数学预报模型。但是，多年冻土区公路病害预测受到环境、工程和人为等众多不确定因素影响，而且表达这些因素的信息本身存在着不确定性和模糊性，目前，大多数预测方法基于确定性方法，预测结果不能很好的指导工程实践，需要探索一种能处理不确定性和模糊性的方法，以便达到简单实用结果稳定性高的预测成果。
发明内容
为解决上述问题，本发明目的在于提出一种基于不确定性云理论的多年冻土区公路病害预测方法，结合不确定性人工智能——云模型，为在多年冻土区开展公路建设提供支撑，以期达到发现潜在病害路段、提高道路安全水平、改善公路工程质量的目的。
为达到上述目的，本发明采用了以下技术方案：
基于不确定性云理论的多年冻土区公路病害预测方法，包括以下步骤：
(1)选取某公路一路段作为数据采集目标区域，统计该路段多年年平均地温、含冰量、冻胀率和病害数据，并对该数据进行统计分析和筛选剔除，建立原始数据库；
(2)根据步骤(1)原始数据库中的数据，利用逆向云发生器获取多年年平均地温、含冰量、冻胀率的云模型特征值，得到各自初始概念数；
(3)对步骤(2)得到的多年年平均地温、含冰量、冻胀率初始概念数进行概念跃升，并提取各自的云特征值；利用公路病害度描述多年冻土区公路病害严重程度，公路病害度分为七个等级，并计算病害度云模型描述的数字特征和特征参数，得到病害度等级划分的云模型描述；
(4)对已有数据进行聚类分析，将多年年平均地温、含冰量、冻胀率作为推理条件，将病害度等级作为推理结果，构建规则库；并结合步骤(3)中的云特征值，将三维语言值表示的定性概念转换为定量表达的数值；
(5)根据多个3维前件云发生器和多个一维后件云发生器建立三维多规则多年冻土区公路病害预测云发生器，实现定向推理；
(6)将给定的年平均地温、含冰量和冻胀率(T，W，X)作为输入，分别激活年平均地温、含冰量和冻胀率概念等级，选取每个特定值激活度最大的两个概念等级，进行两两组合共得到八种组合，对应八条规则，依次访问八条规则生成器前件，计算联合隶属度，得到对应的8条规则生成器的前件的激活程度；
(7)选取步骤(6)中最大的激活程度所对应的推理规则，将该最大的激活度作为输入，访问该条规则生成器的后件，输出病害度结果，完成多年冻土区公路病害的评价。
进一步，步骤(3)中通过对多年年平均地温、含冰量和冻胀率进行概念跃升，分别提取出三朵云，对应着各自的三个语言描述等级，即“低、中、高”；将公路病害度划分为七个等级，即“极小、小、较小、中、较大、大、极大”，并计算病害度云模型描述的数字特征和特征参数，得到病害度等级划分的云模型描述。
进一步，步骤(3)中的概念跃升是根据公式分别计算多年年平均地温、含冰量、冻胀率的高斯云概念含混度CDT、CDW、CDX，若CD＞β，β＝0.5表示概念雾化分界情况，则概念数mj＝mj-1，j＝1,2,3，重新进行概念划分；否则输出Mj，j＝1,2,3个含混度小于0.5的高斯云，其中He、En分别为云模型中的数字特征值超熵与熵，Mj为概念个数。
进一步，步骤(4)中规则库共包含27条规则，形式类似If T为“低”AND W为“低”ANDX为“低”，Then D为“极小”，其中T、W、X、D分别代表着年平均地温、含冰量、冻胀率和公路病害度。
进一步，步骤(5)中的三维多规则多年冻土区公路病害预测云发生器是在一维前件云发生器和一维后件云发生器的基础上改进而来的，它由多个三维前件云发生器和多个一维后件云发生器组成；其中输入值为特定的多年年平均地温、含冰量和冻胀率，输出值为病害度。
进一步，病害包括路基病害和路面病害。
本发明主要从模糊性与随机性是不确定性的两个重要方面着手分析，思考用不确定性人工智能理论——云模型解决问题，并最终建立了基于不确定性云理论的多年冻土区公路病害预测方法，与现有技术相比，本发明方法具有以下优点和有益效果：
(1)本发明方法从定性与定量的角度研究多年冻土区公路病害预测，该预测方法考虑因素更加全面，且该方法使得评价指标具有可扩充性，这解决了传统的多年冻土区公路病害预测方法存在的由于参数选取不同而导致评价结果差异较大的问题；
(2)本发明综合考虑了模糊性和随机性，解决了不确定性问题，相比传统的预测方法而言，对于多年冻土区这种多因素复杂作用下的公路病害具有更强的适应性；
(3)本发明设计了多年冻土区公路病害度预测的多维多规则定性推理发生器，并给出详细推理过程，完成不同条件下多年冻土区公路病害度的准确预测。
(4)本发明首次将云模型理论应用于公路病害预测中，拓展了云模型的应用范围。
附图说明
图1为评价指标和病害度云模型描述示意图
图2为多年冻土区公路病害三维多规则云模型定性推理发生器
图3为多年冻土区公路病害预测方法应用流程图
图4为样本路段预测实际值与预测值比较。
具体实施方式
下面将结合实施例对本发明技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都应属于本发明保护的范围。
本发明针对多年冻土区条件复杂，公路病害预测不确定性因素众多等特点，利用不确定性云理论综合考虑这些问题，提出一种基于不确定性云理论的多年冻土区公路病害预测方法。
如图3所示，本发明包括以下步骤：
1)选取青藏公路某一路段作为数据采集目标区域，利用统计的该路段多年年平均地温、含冰量、冻胀率和病害(包括路基病害和路面病害)等特征数据，并对数据进行统计分析和筛选剔除，建立原始数据库；
2)采用逆向云发生器对步骤1)中对多年年平均地温、含冰量、冻胀率数据进行处理，分别获取各类数据的云模型特征值{Ex,En,He}，得到三类数据各自的初始概念数；
3)采用自适应高斯云变换分别对步骤2)中三类数据的初始概念数进行概念跃升，达到人们的概念认知水平，最终多年年平均地温、含冰量、冻胀率都分别被划分为三个概念，即“低、中、高”，并提取各类评价指标的概念划分云特征值；
4)结合实际数据和专家咨询，利用病害度描述病害严重程度，将病害度划分为七个等级，即“极小、小、较小、中、较大、大、极大”，并计算病害度云模型描述的数字特征和特征参数，得到病害度等级划分的云模型描述。
5)对已有数据进行聚类分析，结合专家咨询，将多年年平均地温、含冰量、冻胀率作为推理条件，将病害度等级作为推理结果，构建规则库；规则库共包含27条规则，形式类似If T为“低”AND W为“低”AND X为“低”，Then D为“极小”，其中T、W、X、D分别代表着年平均地温、含冰量、冻胀率和公路病害度。并结合步骤3)和4)中的云特征值，将三维语言值表示的定性概念转换为定量表达的数值。
6)根据多个3维前件云发生器和多个一维后件云发生器建立三维多规则多年冻土区公路病害预测云发生器，其中输入值为特定的多年年平均地温、含冰量和冻胀率，输出值为病害度，实现定向推理。
7)将给定的年平均地温、含冰量和冻胀率(T，W，X)作为输入，分别激活年平均地温、含冰量和冻胀率概念等级，选取每个特定值激活度最大的两个概念等级，进行两两组合共得到八种组合，对应着八条规则。依次访问八条规则生成器前件，计算联合隶属度，得到对应的8条规则生成器的前件的激活程度。
8)选取步骤(7)中最大的激活程度所对应的推理规则，将该最大的激活度作为输入，访问该条规则生成器的后件，输出病害度结果，完成多年冻土区公路病害的评价。
基于不确定性云理论的多年冻土区公路病害预测方法主要应用于道路设计阶段，辅助设计人员进行决策，避让潜在病害路段。
云模型是一种可以实现定性定量双向转换的认知模型，通过期望Ex、熵En和超熵He这三个数字特征来反映人类认知过程中的概念的不确定性，随机性和模糊性是不确定性的两个基本特征，两者的关联性在云模型中得到了很好的诠释。
多年冻土区公路病害预测是一个不确定性问题，综合考虑各种因素，通过对多年年平均地温、含冰量、冻胀率、病害度等数据的处理，运用云变换、云推理的技术实现多年冻土区公路病害预测，这是本发明的核心。
下面以青藏公路某一路段为例，进行该方法的说明，其具体过程如下：
(1)根据既有青藏公路某一路段的病害数据和该路段所在多年冻土区多年年平均地温、含冰量、冻胀率等特征数据，并对数据进行统计分析和筛选剔除，保证数据的有效性，建立原始数据库。
(2)分别统计多年年平均地温、含冰量、冻胀率的频度分布p(Ti)、p(Wi)、p(Xi)的波峰数量记为m1、m2、m3，作为概念数量的初始值；
(3)利用启发式高斯云变换将数据样本集分别聚类成m1、m2、m3个高斯云C(Exk,Enk,Hek)，其中k＝1,2,3,...,mj(j＝1,2,3)，
(4)根据公式分别计算多年年平均地温、含冰量、冻胀率的高斯云概念含混度CDT、CDW、CDX，按数据类型分别将含混度进行排序，对每类数据中每个高斯云的含混度进行判断，若CD＞β(此处取β＝0.5表示概念雾化分界情况)，则概念数mj＝mj-1(j＝1,2,3)，重新进行步骤4)；否则输出Mj(j＝1,2,3)个含混度小于0.5的高斯云。通过该步骤可获得多年年平均地温概念划分云CT(Exk,Enk,Hek),k＝3，含冰量概念划分云CW(Exk,Enk,Hek),k＝3，冻胀率概念划分云CX(Exk,Enk,Hek),k＝3，得到评价指标云特征值如表1，并绘制云模型图像如图1。
表1评价指标云特征值
(5)结合实际数据和专家咨询，利用病害度描述病害严重程度，将病害度划分为七个等级，即“极小、小、较小、中、较大、大、极大”，具体等级划分与范围见表2。
表2病害度等级与范围
本发明针对双边约束的评语[Cmin，Cmax],它的评语云模型的数字特征可用下式确定：
He＝k，k为常数，可根据评语本身的模糊程度来调整。
根据公式(1)和(2)，对病害度的等级与取值范围进行云处理，可以得到病害度云模型描述的数字特征和特征参数，具体见表3。
表3病害度云特征值
(6)对已有数据进行聚类分析，结合专家咨询，将多年年平均地温、含冰量、冻胀率作为推理条件，将病害度等级作为推理结果，构建规则库；评价指标有3个，每个指标分3个水平，故规则库共包含27条规则，形式类似If T为“低”AND W为“低”AND X为“低”，Then D为“极小”，其中T、W、X、D分别代表着年平均地温、含冰量、冻胀率和公路病害度。推理规则见表4。并结合步骤(4)和(5)中的云特征值，将三维语言值表示的定性概念转换为定量表达的数值。
表4推理规则
(7)根据多个3维前件云发生器和多个一维后件云发生器建立三维多规则多年冻土区公路病害预测云发生器，见图2，其中输入值为特定的多年年平均地温、含冰量和冻胀率，输出值为病害度，实现定向推理。
(8)输入特定多年年平均地温(T)、含冰量(W)和冻胀率(X)，分别激活多年年平均地温、含冰量和冻胀率概念等级，选取每个特定值激活度最大的两个概念等级，进行两两组合共得到八种组合，对应着八条规则。依次访问八条规则生成器前件，计算联合隶属度，得到对应的8条规则生成器的前件的激活程度μi。
(9)选取μi中最大的μ所对应的推理规则，假定这条规则所对应的前件三维定性概念的数字特征为云的期望分别为(ExA1,ExA2,ExA3)，(EnA1,EnA2,EnA3)，(HeA1,HeA2,HeA3)，这条规则后件定性概念的数字特征为(Exb,Enb,Heb)，随机生成以Enb为期望，Heb为方差的一维正态随机值Ennb；
根据公式反算出
因为给定的输入值可能激活规则前件概念的上升沿或下降沿[18]，因此规则的后件输出将分为3种情况。
若年平均地温、含冰量、冻胀率激活的前件概念都是上升沿，即T≤ExA1，W≤ExA2，X≤ExA3
则
若年平均地温、含冰量、冻胀率激活的前件概念都是上升沿，即T＞ExA1，W＞ExA2，X＞ExA3
则
若年平均地温、含冰量、冻胀率激活的前件概念既有下降沿又有上升沿，共包含(T＞ExA1，W＞ExA2，X≤ExA3)，(T＞ExA1，W≤ExA2，X≤ExA3)，(T＞ExA1，W≤ExA2，X＞ExA3)，(a1≤ExA1，W≤ExA2，X＞ExA3)，(a1≤ExA1，W＞ExA2，X≤ExA3)，(a1≤ExA1，W＞ExA2，X＞ExA3)6种情况，下面以(a1＞ExA1，a2＞ExA2，a3≤ExA3)为例，其他情况类似。
若年平均地温、含冰量激活的前件概念是下降沿，冻胀率激活的前件概念是上升沿，即T＞ExA1，W＞ExA2，X≤ExA3，则
将D作为病害度结果输出。
为验证该方法的有效性，故选取具有典型冻土病害的青藏公路K279～K329路段的资料,划分为10个路段，10组路段数据见表5。
以路段9的数据为例，进行推理计算。将T＝-2，W＝27.4，X＝8.2输入图2的多维多规则云模型定性推理生成器，分别激活年平均地温、含冰量和冻胀率概念，具体激活的概念见表6。
表5验证性试验数据
表6路段9激活的概念等级和数字特征
三个特定值每个激活两片云，两两组合可以得到8个组合，利用计算公式，能计算出对应的8条规则生成器的前件的激活程度，经过计算，当输入T＝-2，W＝27.4，X＝8.2，激活程度最大的规则为：If年平均地温为“中”，含冰量为“高”，冻胀率为“中”，则病害度为“中”，规则后件所对应的数字特征为Ex＝0.50，En＝0.067，He＝0.001，利用上述步骤(9)中的公式计算得D＝0.535。
规则后件所对应的数字特征为Ex＝0.50，En＝0.067，He＝0.001，利用3.2节推理过程步骤7中的公式计算得y＝0.535。
经过对表5中的10个样本路段进行预测，得到的结果见表7。
表7样本路段预测
多年冻土区公路病害预测样本路段的实际值和预测值对比结果如图4所示。
根据表8，运用数据分析软件SPSS建立的实际病害度Y与预测病害度D的关系模型为：
Y＝0.657D+0.221
从关系模型可以看出，运用本文提出的方法预测得出的路段病害度与路段实际病害度进行回归分析，得出的决定系数R2＝0.729，在误差允许范围之内，说明本文提出的方法能较好地反映多年冻土区公路实际病害率，证明了该方法可行、有效。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定专利保护范围。
Claims (6)
1.基于不确定性云理论的多年冻土区公路病害预测方法，其特征在于包括以下步骤：
(1)选取某公路一路段作为数据采集目标区域，统计该路段多年年平均地温、含冰量、冻胀率和病害数据，并对该数据进行统计分析和筛选剔除，建立原始数据库；
(2)根据步骤(1)原始数据库中的数据，利用逆向云发生器获取多年年平均地温、含冰量、冻胀率的云模型特征值，得到各自初始概念数；
(3)对步骤(2)得到的多年年平均地温、含冰量、冻胀率初始概念数进行概念跃升，并提取各自的云特征值；利用公路病害度描述多年冻土区公路病害严重程度，公路病害度分为七个等级，并计算病害度云模型描述的数字特征和特征参数，得到病害度等级划分的云模型描述；
(4)对已有数据进行聚类分析，将多年年平均地温、含冰量、冻胀率作为推理条件，将病害度等级作为推理结果，构建规则库；并结合步骤(3)中的云特征值，将三维语言值表示的定性概念转换为定量表达的数值；
(5)根据多个3维前件云发生器和多个一维后件云发生器建立三维多规则多年冻土区公路病害预测云发生器，实现定向推理；
(6)将给定的年平均地温、含冰量和冻胀率(T，W，X)作为输入，分别激活年平均地温、含冰量和冻胀率概念等级，选取每个特定值激活度最大的两个概念等级，进行两两组合共得到八种组合，对应八条规则，依次访问八条规则生成器前件，计算联合隶属度，得到对应的8条规则生成器的前件的激活程度；
(7)选取步骤(6)中最大的激活程度所对应的推理规则，将该最大的激活度作为输入，访问该条规则生成器的后件，输出病害度结果，完成多年冻土区公路病害的评价。
2.根据权利要求1所述的基于不确定性云理论的多年冻土区公路病害预测方法，其特征在于：步骤(3)中通过对多年年平均地温、含冰量和冻胀率进行概念跃升，分别提取出三朵云，对应着各自的三个语言描述等级，即“低、中、高”；将公路病害度划分为七个等级，即“极小、小、较小、中、较大、大、极大”，并计算病害度云模型描述的数字特征和特征参数，得到病害度等级划分的云模型描述。
3.根据权利要求1所述的基于不确定性云理论的多年冻土区公路病害预测方法，其特征在于：步骤(3)中的概念跃升是根据公式分别计算多年年平均地温、含冰量、冻胀率的高斯云概念含混度CDT、CDW、CDX，若CD＞β，β＝0.5表示概念雾化分界情况，则概念数mj＝mj-1，j＝1,2,3，重新进行概念划分；否则输出Mj，j＝1,2,3个含混度小于0.5的高斯云，其中He、En分别为云模型中的数字特征值超熵与熵，Mj为概念个数。
4.根据权利要求1所述的基于不确定性云理论的多年冻土区公路病害预测方法，其特征在于：步骤(4)中规则库共包含27条规则，形式类似If T为“低”AND W为“低”AND X为“低”，Then D为“极小”，其中T、W、X、D分别代表着年平均地温、含冰量、冻胀率和公路病害度。
5.根据权利要求1所述的基于不确定性云理论的多年冻土区公路病害预测方法，其特征在于：步骤(5)中的三维多规则多年冻土区公路病害预测云发生器是在一维前件云发生器和一维后件云发生器的基础上改进而来的，它由多个三维前件云发生器和多个一维后件云发生器组成；其中输入值为特定的多年年平均地温、含冰量和冻胀率，输出值为病害度。
6.根据权利要求1所述的基于不确定性云理论的多年冻土区公路病害预测方法，其特征在于：病害包括路基病害和路面病害。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711039228.1A CN107871183A (zh) | 2017-10-30 | 2017-10-30 | 基于不确定性云理论的多年冻土区公路病害预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711039228.1A CN107871183A (zh) | 2017-10-30 | 2017-10-30 | 基于不确定性云理论的多年冻土区公路病害预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107871183A true CN107871183A (zh) | 2018-04-03 |
Family
ID=61753565
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711039228.1A Pending CN107871183A (zh) | 2017-10-30 | 2017-10-30 | 基于不确定性云理论的多年冻土区公路病害预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107871183A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109325311A (zh) * | 2018-10-29 | 2019-02-12 | 中交第公路勘察设计研究院有限公司 | 多年冻土地区大尺度路基的变形评价方法 |
| CN110929387A (zh) * | 2019-11-05 | 2020-03-27 | 长安大学 | 一种低温路面的裂缝预测方法 |
| CN112200478A (zh) * | 2020-10-20 | 2021-01-08 | 长春工程学院 | 一种黏性土场地的冻胀风险信息处理方法及系统 |
| CN113343522A (zh) * | 2021-05-31 | 2021-09-03 | 河海大学 | 一种基于云理论的土石坝本构模型参数反演方法 |
| CN114818998A (zh) * | 2022-06-28 | 2022-07-29 | 浙江大学 | 一种无砟轨道基床翻浆冒泥病害状态判别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106530717A (zh) * | 2016-12-26 | 2017-03-22 | 长安大学 | 基于云模型的施工路段行车险态评价方法 |
| CN106651191A (zh) * | 2016-12-28 | 2017-05-10 | 长安大学 | 一种山区高速公路平曲线危险路段识别方法 |
-
2017
- 2017-10-30 CN CN201711039228.1A patent/CN107871183A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106530717A (zh) * | 2016-12-26 | 2017-03-22 | 长安大学 | 基于云模型的施工路段行车险态评价方法 |
| CN106651191A (zh) * | 2016-12-28 | 2017-05-10 | 长安大学 | 一种山区高速公路平曲线危险路段识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 汪双杰等: "多年冻土区公路病害模糊专家预测方法", 《交通运输工程学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109325311A (zh) * | 2018-10-29 | 2019-02-12 | 中交第公路勘察设计研究院有限公司 | 多年冻土地区大尺度路基的变形评价方法 |
| CN109325311B (zh) * | 2018-10-29 | 2022-12-06 | 中交第一公路勘察设计研究院有限公司 | 多年冻土地区大尺度路基的变形评价方法 |
| CN110929387A (zh) * | 2019-11-05 | 2020-03-27 | 长安大学 | 一种低温路面的裂缝预测方法 |
| CN112200478A (zh) * | 2020-10-20 | 2021-01-08 | 长春工程学院 | 一种黏性土场地的冻胀风险信息处理方法及系统 |
| CN112200478B (zh) * | 2020-10-20 | 2022-08-02 | 长春工程学院 | 一种黏性土场地的冻胀风险信息处理方法及系统 |
| CN113343522A (zh) * | 2021-05-31 | 2021-09-03 | 河海大学 | 一种基于云理论的土石坝本构模型参数反演方法 |
| CN114818998A (zh) * | 2022-06-28 | 2022-07-29 | 浙江大学 | 一种无砟轨道基床翻浆冒泥病害状态判别方法 |
| CN114818998B (zh) * | 2022-06-28 | 2022-09-13 | 浙江大学 | 一种无砟轨道基床翻浆冒泥病害状态判别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107871183A (zh) | 基于不确定性云理论的多年冻土区公路病害预测方法 | |
| CN106022518B (zh) | 一种基于bp神经网络的管道破损概率预测方法 | |
| CN107239575A (zh) | 城市道路暴雨内涝风险分析与预警智联网服务系统及方法 | |
| CN108399340A (zh) | 基于改进fahp和云模型的机载网络安全风险评估方法 | |
| CN106503829A (zh) | 一种基于多源数据的城市公共开放空间的拥挤度预测方法 | |
| CN102750286B (zh) | 一种处理缺失数据的新型决策树分类器方法 | |
| CN105678481A (zh) | 一种基于随机森林模型的管线健康状态评估方法 | |
| CN108074004A (zh) | 一种基于网格法的地理信息系统短期负荷预测方法 | |
| CN110110085A (zh) | 基于字符级神经网络与svm的交通事故文本分类方法和系统 | |
| CN114330812A (zh) | 基于机器学习的滑坡灾害风险评估方法 | |
| CN106845080A (zh) | 基于差异修正的景区旅游气象灾害智能预测方法 | |
| CN111144637A (zh) | 基于机器学习的区域电网地质灾害预报模型构建方法 | |
| Zou et al. | Fast comprehensive flood risk assessment based on game theory and cloud model under parallel computation (P-GT-CM) | |
| CN116129262A (zh) | 一种面向宜机化改造的耕地适宜性评价方法及系统 | |
| CN102831316B (zh) | 一种基于云本体的茶树虫害智能诊断原型系统 | |
| Jiang et al. | Short-term pm2. 5 forecasting with a hybrid model based on ensemble gru neural network | |
| CN115660221B (zh) | 基于混合神经网络的油气藏经济可采储量评估方法及系统 | |
| CN104102716A (zh) | 基于聚类分层抽样补偿逻辑回归的失衡数据预测方法 | |
| CN107273361A (zh) | 基于广义一般二型模糊集合的词计算方法及其装置 | |
| CN104679988B (zh) | 一种基于云topsis的多属性决策方法 | |
| CN106844626A (zh) | 利用微博关键词和位置信息模拟空气质量的方法及系统 | |
| Wang et al. | Reveal the hidden layer via entity embedding in traffic prediction | |
| Cao | [Retracted] The Index Data System of Agricultural Modernization Development Based on Internet Big Data | |
| CN108493933A (zh) | 一种基于深度决策树算法的电力负荷特性挖掘方法 | |
| Zhang | [Retracted] The Application of PSO‐SVM Algorithm in the Evaluation System of Sports Competition Events |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Chi Inventor after: Feng Yiwei Inventor after: Qin Jihan Inventor after: Hou Yudi Inventor after: Cui Xing Inventor after: Zhang Min Inventor after: Gong Quanli Inventor after: Han Fangyuan Inventor before: Zhang Chi Inventor before: Qin Jihan Inventor before: Hou Yudi Inventor before: Cui Xing Inventor before: Zhang Min Inventor before: Gong Quanli Inventor before: Feng Yiwei Inventor before: Han Fangyuan |
|
| CB03 | Change of inventor or designer information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180403 |
|
| RJ01 | Rejection of invention patent application after publication |