CN108491957A - 一种路面性能的预测方法及系统 - Google Patents
一种路面性能的预测方法及系统 Download PDFInfo
- Publication number
- CN108491957A CN108491957A CN201810133490.0A CN201810133490A CN108491957A CN 108491957 A CN108491957 A CN 108491957A CN 201810133490 A CN201810133490 A CN 201810133490A CN 108491957 A CN108491957 A CN 108491957A
- Authority
- CN
- China
- Prior art keywords
- pavement performance
- performance index
- value
- predicted
- year
- 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.)
- Granted
Links
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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种路面性能的预测方法及系统，包括：将每年的历史路面性能指标的最大值、最小值、均值和标准差分别进行拟合，得到最大值的第一回归方程、最小值的第二回归方程、均值的第三回归方程和标准差的第四回归方程；根据回归方程分别计算得到待预测年的路面性能指标的最大值、最小值、均值和标准差；根据待预测年的标准差和均值，得到待预测年的路面性能指标的概率密度函数；获取待预测年的最大值和最小值限定的分布区间；根据待预测年的概率密度函数，计算得到分布区间内的每一单元分布区间对应的路面性能指标的分布概率；将最大的分布概率的单元分布区间对应的路面性能指标的值作为待预测年的路面性能指标的预测值。本发明预测结果较准确。
Description
技术领域
本发明涉及路面性能预测技术领域，尤其涉及一种路面性能的预测方法及系统。
背景技术
路面的使用性能直接影响路面的养护对策和养护资金投入，为了在时间和空间上优化分配给定的养护预算，确定最佳的路面养护方案，必须预测一定时期内路面的使用性能。
历年来，通过开展全国路网技术状况检测评价工作，积累存储了大量的评定历史数据资源，但却缺乏对这些数据资源的整理统计和有效利用，因此路面性能的预测较不准确。
发明内容
本发明实施例提供一种路面性能的预测方法及系统，以解决现有技术的路面性能的预测不准确的问题。
第一方面，提供一种路面性能的预测方法，包括：获取待测路段的多年的历史路面性能指标；将所述历史路面性能指标按照相同的分组条件进行分组；根据所述分组对应的所述历史路面性能指标，计算得到每年的所述历史路面性能指标的最大值、最小值、均值和标准差；将每年的所述历史路面性能指标的最大值、最小值、均值和标准差分别进行拟合，分别得到所述最大值的第一回归方程、所述最小值的第二回归方程、所述均值的第三回归方程和所述标准差的第四回归方程；根据所述第一回归方程、所述第二回归方程、所述第三回归方程和所述第四回归方程，分别计算得到待预测年的路面性能指标的最大值、最小值、均值和标准差；根据所述待预测年的所述路面性能指标的标准差和均值，得到所述待预测年的所述路面性能指标的概率密度函数；获取所述待预测年的所述路面性能指标的最大值和最小值限定的分布区间；根据所述待预测年的所述路面性能指标的概率密度函数，计算得到所述分布区间内的每一单元分布区间对应的所述路面性能指标的分布概率；将最大的所述分布概率的所述单元分布区间对应的所述路面性能指标的值作为所述待预测年的所述路面性能指标的预测值。
第二方面，提供一种路面性能的预测系统，包括：第一获取模块，用于获取待测路段的多年的历史路面性能指标；分组模块，用于将所述历史路面性能指标按照相同的分组条件进行分组；第一计算模块，用于根据所述分组对应的所述历史路面性能指标，计算得到每年的所述历史路面性能指标的最大值、最小值、均值和标准差；拟合模块，用于将每年的所述历史路面性能指标的最大值、最小值、均值和标准差分别进行拟合，分别得到所述最大值的第一回归方程、所述最小值的第二回归方程、所述均值的第三回归方程和所述标准差的第四回归方程；第二计算模块，用于根据所述第一回归方程、所述第二回归方程、所述第三回归方程和所述第四回归方程，分别计算得到待预测年的所述路面性能指标的最大值、最小值、均值和标准差；第二获取模块，用于根据所述待预测年的路面性能指标的标准差和均值，得到所述待预测年的所述路面性能指标的概率密度函数；第三获取模块，用于获取所述待预测年的所述路面性能指标的最大值和最小值限定的分布区间；第三计算模块，用于根据所述待预测年的所述路面性能指标的概率密度函数，计算得到所述分布区间内的每一单元分布区间对应的所述路面性能指标的分布概率；预测模块，用于将最大的所述分布概率的所述单元分布区间对应的所述路面性能指标的值作为所述待预测年的所述路面性能指标的预测值。
这样，本发明实施例，对历史年度路网状况检测评定数据资源进行了深度分析和有效利用，通过计算路面性能指标的可能值的分布概率，选择分布概率最大的路面性能指标为预测值，使得预测结果更合理准确，对进行路网的后续养护需求分析，以及确定决策结果的合理性和可利用性具有重要意义。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的路面性能的预测方法的流程图；
图2是本发明实施例的路面性能的预测方法的计算得到每年的历史路面性能指标的最大值、最小值、均值和标准差的步骤的流程图；
图3是本发明实施例的路面性能的预测方法的计算得到分布区间内的每一单元分布区间对应的路面性能指标的分布概率的步骤的流程图；
图4是本发明优选实施例的分组对应的PCI性能指标衰变区域的示意图；
图5是本发明实施例的路面性能的预测系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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取的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种路面性能的预测方法。如图1所示，该方法包括如下的步骤：
步骤S101：获取待测路段的多年的历史路面性能指标。
该历史路面性能指标是按照《公路技术状况评定标准》要求，对路网路面性能检测评定形成的多年历史数据，一般以公里为单元的各指标值。例如，历史路面性能指标可以是如下的一种：公路技术状况指数MQI(Maintenance Quality Indicator)、路面使用性能指数PQI(Pavement Quality or Performance Index)、路基技术状况指数SCI(SubgradeCondition Index)、桥隧构造物技术状况指数BCI(Bridge,Tunnel and CulvertCondition Index)、沿线设施技术状况指数TCI(Traffic-facility Condition Index)以及PQI各分项指数。PQI各分项指数包括：路面损坏状况指数PCI(Pavement SurfaceCondition Index)、路面行驶质量指数RQI(Riding Quality Index)、路面车辙深度指数RDI(Rutting Depth Index)、路面抗滑性能指数SRI(Skidding Resistance Index)和路面结构强度指数PSSI(Pavement Structure Strength Index)。
此外，历史路面性能指标以百分制计，且历史路面性能指标为整数。因此，历史路面性能指标为1～100的整数。
步骤S102：将历史路面性能指标按照相同的分组条件进行分组。
分组条件可以是如下的至少一种：路面类型Ta、交通量等级AADTb和路面结构层厚度STc。通过分组有利于预测在影响路面性能的主要因素的作用下的路面性能指标，从而使得预测结果更加准确。
具体的，路面类型包括：沥青路面和水泥路面。交通量等级包括：轻交通、中交通和重交通。结构层厚度按照不同的路面类型划分为不同的厚度类型。其中，沥青路面的结构层厚度包括：0～4cm、4～8cm、8～12cm和12～16cm。水泥路面的结构层厚度包括：0～20cm、20～24cm和24～28cm。
例如，分组条件是路面类型和交通量等级，则相同的分组条件指的是路面类型和交通量等级均相同。例如，将路面类型为沥青路面，交通量等级为中交通的历史路面性能指标划分到一个分组中。
步骤S103：根据分组对应的历史路面性能指标，计算得到每年的历史路面性能指标的最大值、最小值、均值和标准差。
优选的，为了使该步骤计算得到的各个数值更加精确，本步骤可对历史路面性能指标的原始值进行去奇异值处理后，再进行计算。具体的，如图2所示，本步骤包括如下的过程：
步骤S1031：计算得到分组对应的历史路面性能指标的原始均值和原始标准差。
具体的，原始均值的计算方法为：
原始标准差的计算方法为：
其中，μ表示分组对应的历史路面性能指标的原始均值。σ表示分组对应的历史路面性能指标的原始标准差。J表示历史路面性能指标。j＝1，2，3，……，m。m表示历史路面性能指标的原始个数，即初始采集的个数。
步骤S1032：计算得到标准区间的上限和下限。
其中，标准区间的上限为历史路面性能指标的原始均值与两倍原始标准差的和，即标准区间的上限A＝μ+2σ。
其中，标准区间的下限为历史路面性能指标的原始均值与两倍原始标准差的差，即标准区间的下限B＝μ-2σ。
步骤S1033：保留历史路面性能指标中位于标准区间内的历史路面性能指标，得到标准历史路面性能指标。
当历史路面性能指标比上限大，或者，比下限小时，将该历史路面性能指标删除，仅保留位于标准区间内的历史路面性能指标。这些保留的历史路面性能指标记为标准历史路面性能指标。
步骤S1034：根据分组对应的标准历史路面性能指标，计算得到每年的标准历史路面性能指标的最大值、最小值、均值和标准差。
具体的，标准历史路面性能指标的均值的计算方法为：
标准历史路面性能指标的标准差的计算方法为：
其中，μ’表示分组对应的标准历史路面性能指标的均值。σ’表示分组对应的标准历史路面性能指标的标准差。J’表示标准历史路面性能指标。j＝1，2，3，……，m’。m’表示标准历史路面性能指标的个数，即去除了标准区间以外的历史路面性能指标后的剩余的历史路面性能指标的个数。
步骤S104：将每年的历史路面性能指标的最大值、最小值、均值和标准差分别进行拟合，分别得到最大值的第一回归方程、最小值的第二回归方程、均值的第三回归方程和标准差的第四回归方程。
应当理解是的，若步骤S103中进行了去奇异值处理，则该步骤实际上是将该分组对应的每年的标准历史路面性能指标的最大值、最小值、均值和标准差分别进行拟合。
具体的，分别以该分组对应的每年的标准历史路面性能指标的最大值、最小值、均值和标准差为纵坐标，以年份为横坐标，做出散点分布图。再分别进行拟合，得到第一回归方程、第二回归方程、第三回归方程和第四回归方程。
优选的，对该分组对应的每年的标准历史路面性能指标的最大值、最小值和均值分别进行折线拟合或者曲线拟合。因此，第一回归方程、第二回归方程和第三回归方程均为分段折线方程或者曲线方程。例如，曲线拟合为反S形曲线拟合或者负指数曲线拟合，因此，第一回归方程、第二回归方程和第三回归方程均为反S形曲线方程或者负指数曲线方程。
优选的，对该分组对应的每年的标准历史路面性能指标的标准差分别进行直线拟合或者曲线拟合，因此，第四回归方程为直线方程或者曲线方程。该曲线方程例如可以是反S形曲线方程或者负指数曲线方程。
其中，上述的反S形曲线方程的一般表达式为：
Ix＝Ix°/(1+α×eβ×i)。
其中，当该表达式用于第一方程时，Ix为路面性能指标的最大值，Ix°为路面性能指标的最大值的初始值。同理，当该表达式用于第二方程时，Ix为路面性能指标的最小值，Ix°为路面性能指标的最小值的初始值。当该表达式用于第三方程时，Ix为路面性能指标的均值，Ix°为路面性能指标的均值的初始值。当该表达式用于第四方程时，Ix为路面性能指标的标准差，Ix°为路面性能指标的标准差的初始值。
i为年度，α和β为预设系数。该预设系数一般是通过大量的历史数据和经验得到。该预设系数根据计算的目标的不同，可以不同。
其中，上述的负指数曲线方程的一般表达式为：
Ix＝Ix°×λε×i。
其中，Ix、Ix°和i的含义与反S形曲线方程中的含义相同，在此不再赘述。λ和ε为预设系数，且λ＞0，ε＜1。同样的，该预设系数一般是通过大量的历史数据和经验得到；根据计算的目标的不同，可以不同。
其中，上述的直线方程的一般表达式为：
Ix＝θ+ω×i。
其中，Ix和i的含义与反S形曲线方程中的含义相同，在此不再赘述。λ和ε为预设系数。同样的，该预设系数一般是通过大量的历史数据和经验得到；根据计算的目标的不同，可以不同。
其中，上述的折线方程是由至少两个分段表示的直线方程组成。该直线方程的一般表达式如前所述，在此不再赘述。
优选的，本发明实施例的方法还可以根据已有的历史路面性能指标的最大值和最小值拟合的曲线，确定路面性能指标的衰变区域。该衰变区域为历史路面性能指标的最大值拟合的曲线和历史路面性能指标的最小值拟合的曲线之间的带状区域。该衰变区域也可以看作路面性能指标的预测分布带，用于分析预测该分组的路面性能指标随路龄的变化趋势。
例如，路面性能指标以PCI为例，将该分组对应的每年的标准历史PCI的最大值、最小值和均值分别按照反S形曲线拟合，得到如图4所示的三条曲线。其中，a表示最大值对应的曲线，b表示均值对应的曲线，c表示最小值对应的曲线。曲线a和曲线c之间的带状区域为该分组的PCI性能指标的衰变区域。
步骤S105：根据第一回归方程、第二回归方程、第三回归方程和第四回归方程，分别计算得到待预测年的路面性能指标的最大值、最小值、均值和标准差。
由于自变量——待预测年的年度已知，因此，通过步骤S104得到的方程，可以计算待预测年的路面性能指标的最大值、最小值、均值和标准差。应当理解的是，在步骤S104的方程中，Ix°指代的路面性能指标的最大值、最小值、均值或者标准差的初始值，一般可通过经验预设。预设的经验值可以是根据待预测年的前一年的路面性能指标确定。例如，要预测2017年以后未来十年的路面性能指标，则各个方程中的Ix°根据2017年的路面性能指标确定。还应当理解的是，在步骤S104的方程中，i指代的年度的值指的是待预测年的排序。例如，要预测2018年到2028年的路面性能指标，则采用步骤S104的方程计算2018年的相应值时，年度i的取值为1；采用步骤S104的方程计算2019年的相应值时，年度i的取值为2；以此类推，计算得到每个待预测年的相应值。
步骤S106：根据待预测年的路面性能指标的标准差和均值，得到待预测年的路面性能指标的概率密度函数。
具体的，概率密度函数的表达式为：
其中，F(J”)为待预测年的路面性能指标的概率。J”为待预测年的路面性能指标。σ”为待预测年的路面性能指标的标准差。μ”为待预测年的路面性能指标的均值。
步骤S107：获取待预测年的路面性能指标的最大值和最小值限定的分布区间。
通过步骤S105计算得到待预测年的路面性能指标的最大值和最小值，该最大值即为分布区间的上限，最小值为分布区间的下限。
步骤S108：根据待预测年的路面性能指标的概率密度函数，计算得到分布区间内的每一单元分布区间对应的路面性能指标的分布概率。
其中，和历史路面性能指标一样，待预测年的路面性能指标也以百分制计，且待预测年的路面性能指标为整数，因此，待预测年的路面性能指标为1～100的整数。这样可以把整个预测方法中的路面性能指标的形式统一。
优选的，如图3所示，该步骤具体包括如下的过程：
步骤S1081：获取单元分布区间的路面性能指标的上限值。
由于待预测年的路面性能指标为1～100的整数，因此，为了避免遗漏，单元分布区间的步长为1，即单元分布区间依次为[下限值，下限值+1]，(下限值+1，下限值+2]，(下限值+2，下限值+3]，……，(上限值-1，上限值]。
步骤S1082：根据待预测年的路面性能指标的概率密度函数，计算得到单元分布区间的路面性能指标的上限值的分布概率。
采用步骤S106得到的概率密度函数，其中，J”此时实际上是单元分布区间的路面性能指标的上限值，可计算得到该单元分布区间的路面性能指标的上限值的分布概率。
通过该步骤，计算所有的单元分布区间的路面性能指标的上限值的分布概率，以便后续步骤用于比较。
步骤S109：将最大的分布概率的单元分布区间对应的路面性能指标的值作为待预测年的路面性能指标的预测值。
具体的，该步骤将最大的分布概率的单元分布区间对应的路面性能指标的上限值作为待预测年的路面性能指标的预测值。每个单元分布区间对应一个路面性能指标的上限值，则若该单元分布区间对应的分布概率最大，则表明在所有这些路面性能指标的上限值中，该分布概率最大的上限值是最有可能的该待预测年的路面性能指标，因此，选择该分布概率最大的上限值为待预测年的路面性能指标的预测值，使得预测的结果更加准确。
综上，本发明实施例的路面性能的预测方法，对历史年度路网状况检测评定数据资源进行了深度分析和有效利用，通过计算路面性能指标的可能值的分布概率，选择分布概率最大的路面性能指标为预测值，使得预测结果更合理准确；此外，采用路面性能指标的预测分布带，相比传统采用一条曲线拟合分析再预测的方法，也可以提高预测值的精准性和有效性，对进行路网的后续养护需求分析，以及确定决策结果的合理性和可利用性具有重要意义。
本发明实施例还公开了一种路面性能的预测系统。如图5所示，该系统包括如下的模块：
第一获取模块501，用于获取待测路段的多年的历史路面性能指标。
其中，历史路面性能指标以百分制计，且历史路面性能指标为整数。
分组模块502，用于将历史路面性能指标按照相同的分组条件进行分组。
其中，分组条件包括如下的至少一种：路面类型、交通量等级和路面结构层厚度。
第一计算模块503，用于根据分组对应的历史路面性能指标，计算得到每年的历史路面性能指标的最大值、最小值、均值和标准差。
具体的，第一计算模块503包括：
第一计算子模块，用于计算得到分组对应的历史路面性能指标的原始均值和原始标准差。
第二计算子模块，用于计算得到标准区间的上限和下限。
其中，标准区间的上限为历史路面性能指标的原始均值与两倍原始标准差的和，标准区间的下限为历史路面性能指标的原始均值与两倍原始标准差的差。
保留子模块，用于保留历史路面性能指标中位于标准区间内的历史路面性能指标，得到标准历史路面性能指标。
第三计算子模块，用于根据分组对应的标准历史路面性能指标，计算得到每年的标准历史路面性能指标的最大值、最小值、均值和标准差。
拟合模块504，用于将每年的历史路面性能指标的最大值、最小值、均值和标准差分别进行拟合，分别得到最大值的第一回归方程、最小值的第二回归方程、均值的第三回归方程和标准差的第四回归方程。
其中，第一回归方程、第二回归方程和第三回归方程均为折线方程或者曲线方程。第四回归方程为直线方程或者曲线方程。
第二计算模块505，用于根据第一回归方程、第二回归方程、第三回归方程和第四回归方程，分别计算得到待预测年的路面性能指标的最大值、最小值、均值和标准差。
第二获取模块506，用于根据待预测年的路面性能指标的标准差和均值，得到待预测年的路面性能指标的概率密度函数。
其中，待预测年的路面性能指标以百分制计，且待预测年的路面性能指标为整数。
第三获取模块507，用于获取待预测年的路面性能指标的最大值和最小值限定的分布区间。
第三计算模块508，用于根据待预测年的路面性能指标的概率密度函数，计算得到分布区间内的每一单元分布区间对应的路面性能指标的分布概率。
其中，概率密度函数的表达式为：
其中，F(J”)为待预测年的路面性能指标的概率，J”为待预测年的路面性能指标，σ”为待预测年的路面性能指标的标准差，μ”为待预测年的路面性能指标的均值。
具体的，第三计算模块508包括：
获取子模块，用于获取单元分布区间的路面性能指标的上限值。
其中，单元分布区间的步长为1。
第四计算子模块，用于根据待预测年的路面性能指标的概率密度函数，计算得到单元分布区间的路面性能指标的上限值的分布概率。
预测模块509，用于将最大的分布概率的单元分布区间对应的路面性能指标的值作为待预测年的路面性能指标的预测值。
具体的，预测模块509包括：
预测子模块，用于将最大的分布概率的单元分布区间对应的路面性能指标的上限值作为待预测年的路面性能指标的预测值。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
综上，本发明实施例的路面性能的预测系统，对历史年度路网状况检测评定数据资源进行了深度分析和有效利用，通过计算路面性能指标的可能值的分布概率，选择分布概率最大的路面性能指标为预测值，使得预测结果更合理准确；此外，采用路面性能指标的预测分布带，相比传统采用一条曲线拟合分析再预测的方法，也可以提高预测值的精准性和有效性，对进行路网的后续养护需求分析，以及确定决策结果的合理性和可利用性具有重要意义。
本领域普通技术人员可以意识到，结合本发明实施例中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种路面性能的预测方法，其特征在于，包括：
获取待测路段的多年的历史路面性能指标；
将所述历史路面性能指标按照相同的分组条件进行分组；
根据所述分组对应的所述历史路面性能指标，计算得到每年的所述历史路面性能指标的最大值、最小值、均值和标准差；
将每年的所述历史路面性能指标的最大值、最小值、均值和标准差分别进行拟合，分别得到所述最大值的第一回归方程、所述最小值的第二回归方程、所述均值的第三回归方程和所述标准差的第四回归方程；
根据所述第一回归方程、所述第二回归方程、所述第三回归方程和所述第四回归方程，分别计算得到待预测年的路面性能指标的最大值、最小值、均值和标准差；
根据所述待预测年的所述路面性能指标的标准差和均值，得到所述待预测年的所述路面性能指标的概率密度函数；
获取所述待预测年的所述路面性能指标的最大值和最小值限定的分布区间；
根据所述待预测年的所述路面性能指标的概率密度函数，计算得到所述分布区间内的每一单元分布区间对应的所述路面性能指标的分布概率；
将最大的所述分布概率的所述单元分布区间对应的所述路面性能指标的值作为所述待预测年的所述路面性能指标的预测值。
2.根据权利要求1所述的方法，其特征在于：所述历史路面性能指标以百分制计，且所述历史路面性能指标为整数。
3.根据权利要求1所述的方法，其特征在于，所述分组条件包括如下的至少一种：路面类型、交通量等级和路面结构层厚度。
4.根据权利要求1所述的方法，其特征在于，所述根据所述分组对应的所述历史路面性能指标，计算得到每年的所述历史路面性能指标的最大值、最小值、均值和标准差的步骤，包括：
计算得到所述分组对应的所述历史路面性能指标的原始均值和原始标准差；
计算得到标准区间的上限和下限，其中，所述标准区间的上限为所述历史路面性能指标的原始均值与两倍所述原始标准差的和，所述标准区间的下限为所述历史路面性能指标的原始均值与两倍所述原始标准差的差；
保留所述历史路面性能指标中位于所述标准区间内的所述历史路面性能指标，得到所述标准历史路面性能指标；
根据所述分组对应的所述标准历史路面性能指标，计算得到每年的所述标准历史路面性能指标的最大值、最小值、均值和标准差。
5.根据权利要求1所述的方法，其特征在于：所述第一回归方程、所述第二回归方程和所述第三回归方程均为折线方程或者曲线方程。
6.根据权利要求1所述的方法，其特征在于：所述第四回归方程为直线方程或者曲线方程。
7.根据权利要求1所述的方法，其特征在于：所述待预测年的所述路面性能指标以百分制计，且所述待预测年的所述路面性能指标为整数。
8.根据权利要求7所述的方法，其特征在于，所述计算得到所述分布区间内的每一单元分布区间对应的所述路面性能指标的分布概率的步骤，包括：
获取所述单元分布区间的所述路面性能指标的上限值；
根据所述待预测年的所述路面性能指标的概率密度函数，计算得到所述单元分布区间的所述路面性能指标的上限值的分布概率；
其中，所述单元分布区间的步长为1；
所述概率密度函数的表达式为：
其中，F(J”)为所述待预测年的路面性能指标的概率，J”为所述待预测年的路面性能指标，σ”为所述待预测年的路面性能指标的标准差，μ”为所述待预测年的路面性能指标的均值。
9.根据权利要求8所述的方法，其特征在于，所述将最大的所述分布概率的所述单元分布区间对应的所述路面性能指标的值作为所述待预测年的所述路面性能指标的预测值的步骤，包括：
将最大的所述分布概率的所述单元分布区间对应的所述路面性能指标的上限值作为所述待预测年的所述路面性能指标的预测值。
10.一种路面性能的预测系统，其特征在于，包括：
第一获取模块，用于获取待测路段的多年的历史路面性能指标；
分组模块，用于将所述历史路面性能指标按照相同的分组条件进行分组；
第一计算模块，用于根据所述分组对应的所述历史路面性能指标，计算得到每年的所述历史路面性能指标的最大值、最小值、均值和标准差；
拟合模块，用于将每年的所述历史路面性能指标的最大值、最小值、均值和标准差分别进行拟合，分别得到所述最大值的第一回归方程、所述最小值的第二回归方程、所述均值的第三回归方程和所述标准差的第四回归方程；
第二计算模块，用于根据所述第一回归方程、所述第二回归方程、所述第三回归方程和所述第四回归方程，分别计算得到待预测年的路面性能指标的最大值、最小值、均值和标准差；
第二获取模块，用于根据所述待预测年的所述路面性能指标的标准差和均值，得到所述待预测年的所述路面性能指标的概率密度函数；
第三获取模块，用于获取所述待预测年的所述路面性能指标的最大值和最小值限定的分布区间；
第三计算模块，用于根据所述待预测年的所述路面性能指标的概率密度函数，计算得到所述分布区间内的每一单元分布区间对应的所述路面性能指标的分布概率；
预测模块，用于将最大的所述分布概率的所述单元分布区间对应的所述路面性能指标的值作为所述待预测年的所述路面性能指标的预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810133490.0A CN108491957B (zh) | 2018-02-09 | 2018-02-09 | 一种路面性能的预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810133490.0A CN108491957B (zh) | 2018-02-09 | 2018-02-09 | 一种路面性能的预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108491957A true CN108491957A (zh) | 2018-09-04 |
| CN108491957B CN108491957B (zh) | 2021-05-07 |
Family
ID=63340078
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810133490.0A Active CN108491957B (zh) | 2018-02-09 | 2018-02-09 | 一种路面性能的预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108491957B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109697515A (zh) * | 2018-12-28 | 2019-04-30 | 深圳高速工程顾问有限公司 | 道路路面管理方法、装置、存储介质及计算机设备 |
| CN109947755A (zh) * | 2019-03-05 | 2019-06-28 | 南京道润交通科技有限公司 | 路面使用性能检测数据质量控制方法、存储介质、电子设备 |
| CN110646212A (zh) * | 2019-10-23 | 2020-01-03 | 成都飞机工业（集团）有限责任公司 | 一种飞机发动机标定的新方法 |
| CN111177895A (zh) * | 2019-12-13 | 2020-05-19 | 中公高科养护科技股份有限公司 | 三折线形路面技术状况的预测模型的建立方法及系统 |
| CN111222678A (zh) * | 2019-10-24 | 2020-06-02 | 交通运输部路网监测与应急处置中心 | 路面技术状况预测方法 |
| CN112632841A (zh) * | 2020-12-22 | 2021-04-09 | 交通运输部科学研究院 | 路面长期性能预测方法及装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106600004A (zh) * | 2016-11-03 | 2017-04-26 | 华南理工大学 | 一种公路网路面技术健康状况评估方法 |
-
2018
- 2018-02-09 CN CN201810133490.0A patent/CN108491957B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106600004A (zh) * | 2016-11-03 | 2017-04-26 | 华南理工大学 | 一种公路网路面技术健康状况评估方法 |
Non-Patent Citations (2)
| Title |
|---|
| 周岚: "高速公路沥青路面使用性能评价及预测研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 廖秋杰: "高速公路网沥青路面使用性能评价及变化规律研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109697515A (zh) * | 2018-12-28 | 2019-04-30 | 深圳高速工程顾问有限公司 | 道路路面管理方法、装置、存储介质及计算机设备 |
| CN109947755A (zh) * | 2019-03-05 | 2019-06-28 | 南京道润交通科技有限公司 | 路面使用性能检测数据质量控制方法、存储介质、电子设备 |
| CN110646212A (zh) * | 2019-10-23 | 2020-01-03 | 成都飞机工业（集团）有限责任公司 | 一种飞机发动机标定的新方法 |
| CN110646212B (zh) * | 2019-10-23 | 2022-01-25 | 成都飞机工业（集团）有限责任公司 | 一种飞机发动机标定的新方法 |
| CN111222678A (zh) * | 2019-10-24 | 2020-06-02 | 交通运输部路网监测与应急处置中心 | 路面技术状况预测方法 |
| CN111177895A (zh) * | 2019-12-13 | 2020-05-19 | 中公高科养护科技股份有限公司 | 三折线形路面技术状况的预测模型的建立方法及系统 |
| CN111177895B (zh) * | 2019-12-13 | 2023-10-20 | 中公高科养护科技股份有限公司 | 三折线形路面技术状况的预测模型的建立方法及系统 |
| CN112632841A (zh) * | 2020-12-22 | 2021-04-09 | 交通运输部科学研究院 | 路面长期性能预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108491957B (zh) | 2021-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108491957A (zh) | 一种路面性能的预测方法及系统 | |
| CN107292528A (zh) | 车险风险预测方法、装置及服务器 | |
| Zhou et al. | Integration of GIS and data mining technology to enhance the pavement management decision making | |
| CN108241932A (zh) | 一种电力供应商评价模型的建立方法 | |
| Elbagalati et al. | Prediction of in-service pavement structural capacity based on traffic-speed deflection measurements | |
| Zima | The case-based reasoning model of cost estimation at the preliminary stage of a construction project | |
| CN104504583B (zh) | 分类器的评价方法 | |
| CN111737916A (zh) | 一种基于大数据的道路桥梁病害分析与养护决策方法 | |
| CN108647805A (zh) | 一种山洪灾害临界雨量综合检验方法 | |
| CN108388957A (zh) | 一种基于多特征融合技术的中小河流洪水预报方法及其预报系统 | |
| CN107766573A (zh) | 基于数据处理的商品推荐方法、装置、设备和存储介质 | |
| Kobierska et al. | Evaluation of design flood estimates–a case study for Norway | |
| Srinivasa Raju et al. | Selection of global climate models for India using cluster analysis | |
| Shariati et al. | Mining method selection by using an integrated model | |
| Kheirati et al. | Machine learning for developing a pavement condition index | |
| Barría et al. | Water allocation under climate change: A diagnosis of the Chilean system | |
| CN107368925A (zh) | 股票趋势预测方法和系统 | |
| CN108573339A (zh) | 一种多指标投影决策法的消费者网购风险评估方法 | |
| CN103136368B (zh) | 路况评估查询方法和系统 | |
| CN110428614A (zh) | 一种基于非负张量分解的交通拥堵热度时空预测方法 | |
| CN103150387B (zh) | 路况性能分析方法和系统 | |
| Liu et al. | Condition evaluation for existing reinforced concrete bridge superstructure using fuzzy clustering improved by particle swarm optimisation | |
| Martin et al. | Non-monetary valuation using Multi-Criteria Decision Analysis: Using a strength-of-evidence approach to inform choices among alternatives | |
| CN105933138A (zh) | 一种时空维度相结合的云服务可信态势评估与预测方法 | |
| Terzi et al. | Backcalculation of pavement layer thickness using data mining |
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 |