CN109102016B - 一种用于桥梁技术状况的测试方法 - Google Patents
一种用于桥梁技术状况的测试方法 Download PDFInfo
- Publication number
- CN109102016B CN109102016B CN201810895697.1A CN201810895697A CN109102016B CN 109102016 B CN109102016 B CN 109102016B CN 201810895697 A CN201810895697 A CN 201810895697A CN 109102016 B CN109102016 B CN 109102016B
- Authority
- CN
- China
- Prior art keywords
- bridge
- bridge technology
- condition predicting
- model
- technology condition
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种用于桥梁技术状况的预测方法,主要包括以下步骤:(1)通过现场调研、数据采集、数据分析,得到桥梁技术状况分布规律;(2)根据分布规律,找到相应桥梁,确定该桥梁技术状况影响因素并计算生成预测模型特征向量;(3)根据影响因素和影响度参数,实施基于长短期记忆性循环深度网络的桥梁技术状况预测模型的构建、训练及可靠性分析;(4)将桥梁数据输入步骤(3)中建立的模型进行计算,得到桥梁技术状况的预测结果。通过利用长短期记忆性循环深度网络,构建能够自动修正影响因素权重的桥梁技术状况预测模型,解决目前桥梁技术状况预测方法中影响因素及其影响度参数无法确定而导致的预测结果不够精准的问题。
Description
技术领域
本发明属于桥梁结构安全性能测试领域,涉及一种桥梁技术状况测试方法和测试系统,特别涉及一种基于LSTM RNN的桥梁技术状况测试方法和测试系统。
背景技术
我国公路桥梁建设正处在大规模建设阶段,即将进入桥梁新建与维护改造并重阶段。目前我国桥梁的养护工作属于被动养护,即只维修已发现的病害或技术状况发生退化的桥梁。在当前养护资金不足的情况下,被动养护、养护资源利用率较低、养护措施简单、养护水平较低。按照《公路桥梁技术状况评定标准》(JTG/T H21)和《公路桥涵养护规范》(JTGH11)的相关规定,桥梁的技术状况等级分为5类,分别是:一类桥、二类桥、三类桥、四类桥及五类桥。一类桥进行正常保养,二类桥需进行小修,三类桥需进行中修,四类桥需进行大修或改造,五类桥需要进行改建或重建,当桥梁技术状况从三类变化到四类甚至五类时,处治费用将成几何倍数增长。由于我国基础设施建设占去了大部分财政预算,受国家财力所限,投入到桥梁维修养护的资金远不能满足需要,因此合理分配有限的资金,在桥梁技术状况发展到四五类前,如何科学合理准确预测桥梁技术状况的发展趋势,从而在桥梁技术状况快速劣化前进行有效地预防性养护,科学指导桥梁养护工作,实现减缓桥梁技术状况劣化速率、延长桥梁使用寿命,使有限的桥梁养护资金实现效益最大化显得尤为重要。
现有技术中,桥梁技术状况预测方法,目前常用到的主要有三种类型:
1)基于试验或事实的推演方法:包含从桥梁的混凝土的材料耐久性考虑的材料劣化曲线方法、考虑桥梁运营环境下的桥梁整体结构的技术状况劣化发展的单桥劣化模型、桥梁结构受到长期荷载组合作用下的疲劳和破坏曲线等。但是这种通过事实推演得到的公式来计算桥梁的技术状况变化发展趋势,考虑的因素较为片面,往往预测结果与实际情况偏离较大。
2)基于马尔可夫链的统计预测模型方法:包含基于历史桥梁技术状况等级统计的项目级桥梁技术状况等级马尔可夫预测方法、基于桥梁历史技术状况分布情况的路网级桥梁技术状况分布马尔可夫预测方法。该方法过分依赖桥梁技术状况历史数据的质量,一旦历史数据,预测结果会产生较大偏离。
3)基于人工神经网络的有监督预测模型方法:一种通过人工定义影响因子并严格定义因子权重的人工智能桥梁技术状况等级预测方法。专利申请CN105550506A公开了一种基于BP神经网络的桥梁风振响应直接预测方法。专利申请CN106529145A公开了一种基于ARIMA-BP神经网络的桥梁监测数据预测方法,考虑将BP神经网络运用于ARIMA模型的残差修正中,利用BP神经网络强大的非线性信息解析能力对桥梁结构监测数据中的非线性信息予以解析。但是基于人工神经网络的有监督预测模型方法其影响因素和权重精确定义较为困难,而权重精度直接影响算法的预测结果的偏离度。
发明内容
基于上述现有技术的缺陷,本发明提供一种基于LSTM RNN(Long-short TermMemory Recurrent Neural Network,长短期记忆性循环深度网络)桥梁技术状况预测方法和预测系统,利用LSTM RNN的深度学习方法,结合公交运输部公路科学研究所(院)新桥公司开发的桥梁管理系统提供的海量桥梁数据支撑,构建能够自动修正影响因素权重的桥梁技术状况预测模型,使得桥梁技术状况预测方法中能够更加准确地确定影响因素,进而精准预测桥梁的技术状况。
本发明适用于路网级桥梁技术状况分布情况的预测,同时也是适用于项目级单桥技术状况发展变化规律的预测。
按照《公路桥梁技术状况评定标准》(JTG/T H21)和《公路桥涵养护规范》(JTGH11)的相关规定,桥梁的技术状况等级分为5类,分别是:一类桥、二类桥、三类桥、四类桥及五类桥。
本发明提供一种桥梁技术状况预测方法,所述方法包括以下步骤:
(1)通过现场调研、数据采集、对收集到的数据进行统计整理,得到桥梁技术状况分布状态;
(2)通过步骤(1)得到的桥梁分布状态,确定相应桥梁技术状况影响因素并计算生成预测模型特征向量;
(3)根据步骤(2)确定的影响因素及生成的预测模型特征向量,实施基于LSTM RNN(Long-short Term Memory Recurrent Neural Network,长短期记忆性循环深度网络)的桥梁技术状况预测模型的构建、训练及可靠性分析;
(4)将待预测桥梁数据输入步骤(3)构建的模型中,得到桥梁技术状况预测结果。
其中,实施基于LSTM RNN的桥梁技术状况预测模型的构建、训练及可靠性分析包括以下步骤:
①桥梁技术状况预测问题定义:根据影响因素和梁技术状况预测模型的特征向量,完成桥梁技术状况预测问题的定义;
②确定评估标准和标准评估参数:根据步骤①对桥梁技术状况预测问题的定义,确定桥梁技术状况预测的评估标准及标准评估参数,建立评估训练数据集;
③确定基线和目标集:确定评级桥梁技术状况结果的基线和目标集;
④模型训练:编写训练程序,输入训练数据对桥梁预测模型进行训练;
⑤模型评估:根据步骤②和③的评估训练数据集、基线和目标集对模型进行评估;
⑥模型再训练与服务部署:重复步骤④和⑤,直至达到步骤③确定的目标;进行线上测试,继续重复步骤④和⑤,直至训练出在基线以上并满足模型验证参数的预测模型。
进一步地,所述桥梁技术状况预测方法中步骤(1)中先通过现场调研、数据采集收集不少于10个省的桥梁数据;然后通过统计分析,得到不同地区不同桥梁结构类型的桥梁的技术状况分布占比。
更进一步地,所述步骤(1)中统计分析的具体方法为:通过决策树分类器(Decision Tree)将对收集到的数据进行自动分类。
进一步地,所述桥梁技术状况预测方法中步骤(2)中影响因素包括但不限于:各省桥梁的在当地养护水平、气候、水文地理环境、交通量、道路等级、经济水平中的一种或多种。
具体地,列举了部分影响因素相应级别及标度为:
更进一步地,所述步骤(2)中分析上述因素对桥梁技术状况的变化发展的影响度,根据每个桥梁自身情况找到主要因素或找出几种因素的组合形式,生成预测模型特征向量。
例如某座桥梁的技术状况的影响因素包含当地养护水平、气候条件、水文地理环境条件、交通量、道路等级、当地经济水平,对应的影响度参数分别为k1、k2、k3、k4、k5、k6,则特征向量K=(k1,k2,k3,k4,k5,k6)T。
进一步地,所述步骤(3)中LSTM RNN预测模型的实施过程中步骤①根据确定的特征向量,确定LSTM RNN的layers(隐藏层)的层数和节点数,构建具体的深度网络预测模型。
更进一步地,所述预测模型(LSTM RNN)的相关公式说明:公式附图——将记忆块展开的LSTM网络结构见附图2。
LSTM网络的前向推算使用激活函数,反向推算使用BPTT梯度计算。因为各个记忆块的运算是相同的,所以这里给出LSTM结构中一个记忆块的方程。将从神经元i到神经元j的连接权值设为wij,网络在t时刻输入到神经元j的值设为神经元j在t时刻的激活函数设为下标l表示输入门,表示遗忘门,w表示输出门,下标c代表记忆单元。从神经元c到输入门的权值记作wcl,到输出门的权值记作wcw,到遗忘门的权值记作在t时刻,神经元c的状态记作输入门、输出门和遗忘门的激活函数记作f,神经元的输入激活函数记作g,输出激活函数记作h。
设输入神经元的数量为I,输出神经元的数量为K,隐藏层的单元数量为H。在隐藏层中,神经元通过它自身的输出与其余的记忆块连接,而记忆块中其余的激活函数,如神经元状态、神经元输入值和门激活函数都只在记忆块内部起作用。使用索引力来表示隐藏层中别的记忆块所传送过来的输出值。设整个隐藏层的输入神经元数为G,G包括所有单元和门,使用索引g来表示这些输入神经元。LSTM的前向推算是为了计算一个长度为时间T的输入序列X,该时间长度T的起始点为t=1,当时间点t的值不断递增时,方程也相应递归更新,一直持续到t=T为止。反向推算同前向推算一样,也是计算时间长度为T的一个输入序列X,但是反向推算的起始时间点为t=T,当t的值不断递减时,递归计算出单元倒数,一直持续到t=1为止。根据以上每个时间点的导数,可得最终的权值导数值:
其中,l是训练所使用的损失函数。损失函数是指当参数值不同时系统产生的损失。由于RNN网络的损失是可以通过参数来衡量的,所以可运用损失函数来训练整个网络,以改善目标值的变异。损失函数包含两个部分:损失项和正则项。
在前向推算与反向推算中,方程的计算顺序是很重要的。在一个标准LSTM网络中,当时间处于0时刻时,所有的状态和激活函数都被初始化为0,当时间处于T+1时,所有的δ表达式也都被初始化成0。
(1)向前推算
输入门在t时刻的值为:
输入门在t时刻的激活函数为:
遗忘门在t时刻的值为:
遗忘门在t时刻的激活函数为:
单元在t时刻的输入值为:
单元在t时刻的状态为:
输出门在t时刻的值为:
输出门在t时刻的激活函数为:
(2)反向推算
设
单元在t时刻的值为:
输出门在t时刻的值为:
t时刻的状态为:
单元权值导数值为:
遗忘门权值导数值为:
输入门权值导数值为:
进一步地,所述步骤(3)中LSTM RNN预测模型的实施过程中步骤②确定预测模型的标准评估参数包括,Precision(精确率)、Recall(召回率)、F1-score(F1值)和ROC-AUC(ROC曲线下面积)。
其中,Precision指预测为正的样本中有多少是真正的正样本,即正确预测某一种桥梁技术状况的桥梁样本占预测结果为某一种桥梁技术状况的桥梁技术状况样本比例,预测结果为正有两种可能,一种就是把正类预测为正类(TP),另一种就是把负类预测为正类(FP),计算公式为TP/(TP+FP)。
其中,Recall指样本空间中的正样本有多少被预测正确了,即预测标记为某一种技术状况的桥梁样本占事实上为某一种技术状况的桥梁样本的比例,预测结果有两种可能,一种是把原来的正类预测成正类(TP),另一种就是把原来的正类预测为负类(FN),计算公式为TP/(TP+FN)。
其中,F1-score指综合考虑Precision和Recall的预测模型评价指标,通过平衡两种指标的权重来实现对实际桥梁技术状况预测结果的期望,其结果过高,说明桥梁技术状况预测模型训练质量越好,其计算公式为2×Precision×Recall/(Precision+Recall)。
其中,ROC-AUC指用ROC曲线的曲线下面积来评估预测模型训练的好坏,ROC曲线越平滑,ROC曲线下面积越大,说明桥梁技术状况预测模型训练质量越好。
更进一步地,所述步骤②中评估标准为:Precision为90%-98%,Recall为85%-98%,0≤F1≤1。
更进一步地,所述步骤②中评估标准为:Precision为95%-98%,Recall为92%-98%,0.5≤F1≤1F1
更进一步地,所述0.55≤F1≤1。
更进一步地,所述步骤②中,当桥梁技术状况预测结果的Precision和Recall相同时,比较F1和ROC-AUC,二者的值越高,说明桥梁技术状况预测模型训练质量越好。
进一步地,所述步骤②中在确定评估标准的同时,建立相应的评估数据集,评估数据集由桥梁技术状况的历史数据构成,数据来源交通运输部公路科学研究所(院)新桥公司开发的桥梁管理系统(CBMS),并按照省市区划分区块。
进一步地,所述步骤③中基线用来确定桥梁技术状况预测模型的拟合度边际,是桥梁技术状况预测模型训练的、监控、评价的机制的关键因素,主要用于评估通过模型训练成果对预测结果的干预程度,即具体桥梁技术状况预测结果是变好还是变坏。
更进一步地,预测模型的基线具体为:(a)一二类桥的占比为桥梁总量的90%-99%;(b)三类桥的占比为桥梁总量的0%-10%;(c)四类桥、五类桥的占比分别为桥梁总量的0%-5%。若算法模型计算得到的目标集不符合该基线要求,则认为算法模型预测失败,需要对算法模型参数进行调整改进。
进一步地,所述步骤③中制定目标用来评判桥梁技术状况预测模型的预测的精度期望。
更进一步地,所述预测模型的目标集指一组关于桥梁技术状况等级分布情况的结果向量集合,描述了桥梁技术状况预测模型输出结果的数学表现形式,具体为:
F={a1,a2,a3,a4,a5}
式中,F——桥梁技术状况等级分布情况向量;
a1,a2,a3,a4,a5——一-五类桥的分布占比。若预测宏观统计的桥梁技术状况等级分布比例,则得到目标集,具体为:
一类桥梁,状态值为1,分布比例为a1%;二类桥梁,状态值为2,分布比例为a2%;三类桥梁,状态值为3,分布比例为a3%;四类桥梁,状态值为4,分布比例为a4%;五类桥梁,状态值为5,分布比例为a5%
进一步地,所述步骤④通过步骤①编写的深度学习模型训练程序,输入步骤②的训练桥梁数据集对桥梁技术状况预测模型进行训练。
进一步地,所述步骤⑤将训练的桥梁技术状况预测模型输入步骤②的评估训练数据集,通过步骤②的标准评估参数对桥梁预测结果进行评估。分析评估结果,与上一次的模型结果以及目标集(Target)进行对比。标记错误数据,调整影响参数或增加网络隐藏层(layers),进行步骤⑥。
本发明的有益效果:
(1)本发明将LSTM RNN(长短期记忆性循环深度网络)应用到桥梁技术状态预测中,通过深度网络的自主学习,不断修正所建立的模型中的错误或偏差,大大提高桥梁技术状况预测方法的准确性。
(2)本发明通过对桥梁状况相关参数的合理选择,并结合桥梁管理系统中海量的桥梁数据支撑,实现桥梁技术状况预测模型的优化,提高桥梁技术状况预测的精度,并研究各影响因素的作用机理,总结桥梁技术状况发展规律,从而为桥梁科学养护提供决策依据和数据支撑。
(3)本发明中针对桥梁技术状况预测模型建立了一套独特的评估标准及标准评估参数,同时建立评估训练数据集,并结合相应的基线和目标,进一步实现桥梁技术状况预测结果的精准判断。
附图说明
图1桥梁技术状况预测模型实施流程图
图2展开的记忆块LSTM网络结构
其中,1—输出层 2—输入层 3—输出门 4—遗忘门 5—单元 6—输入门7—记忆块
具体实施方式
实施例桥梁技术状况预测方法
(1)通过现场调研、数据采集、数据分析,得到桥梁技术状况分布规律
通过现场调研、数据采集收集15个省的桥梁数据,包括北京、天津、河北、江苏、浙江、四川、宁夏、湖北、云南、上海、山东、陕西、重庆、安徽、新疆。
然后通过决策树分类器将对收集到的数据进行自动分类,得到不同地区桥梁技术状况的分布规律。
(2)确定桥梁技术状况影响因素及其影响度参数
分别分析各省桥梁的在当地桥梁养护水平、气候、水文地理环境、交通量、道路等级、经济水平等对桥梁技术状况的变化发展的影响度,计算生成预测模型特征向量。
具体地,所述影响因素相应级别及标度为:
更进一步地,所述步骤(2)中分析上述因素对桥梁技术状况的变化发展的影响度,根据每个桥梁自身情况找到主要因素或找出几种因素的组合形式,生成预测模型特征向量。
例如某座桥梁的技术状况的影响因素包含当地养护水平、气候条件、水文地理环境条件、交通量、道路等级、当地经济水平,对应的影响度参数分别为k1、k2、k3、k4、k5、k6,则特征向量K=(k1,k2,k3,k4,k5,k6)T,以此得到所有桥梁的特征向量。
(3)基于LSTM RNN的桥梁技术状况预测模型的构建、训练及可靠性分析
①桥梁技术状况预测问题的定义:
通过步骤(2)确定特征向量,确定深度网络的layers(隐藏层)的层数和节点数,构建具体的深度网络预测模型。
预测模型(LSTM RNN)的相关公式说明:公式附图——将记忆块7展开的LSTM网络结构见附图2。
LSTM网络的前向推算使用激活函数,反向推算使用BPTT梯度计算。因为各个记忆块的运算是相同的,所以这里给出LSTM结构中一个记忆块7的方程。将从神经元i到神经元j的连接权值设为wij,网络在t时刻输入到神经元j的值设为神经元j在t时刻的激活函数设为下标l表示输入门6,表示遗忘门4,w表示输出门3,下标c代表记忆单元5。从神经元c到输入门6的权值记作wcl,到输出门3的权值记作wcw,到遗忘门4的权值记作在t时刻,神经元c的状态记作输入门6、输出门3和遗忘门4的激活函数记作f,神经元的输入激活函数记作g,输出激活函数记作h。
设输入神经元的数量为I,输出神经元的数量为K,隐藏层的单元5数量为H。在隐藏层中,神经元通过它自身的输出与其余的记忆块7连接,而记忆块7中其余的激活函数,如神经元状态、神经元输入值和门激活函数都只在记忆块7内部起作用。使用索引力来表示隐藏层中别的记忆块7所传送过来的输出值。设整个隐藏层的输入神经元数为G,G包括所有单元5和门,使用索引g来表示这些输入神经元。LSTM的前向推算是为了计算一个长度为时间T的输入序列X,该时间长度T的起始点为t=1,当时间点t的值不断递增时,方程也相应递归更新,一直持续到t=T为止。反向推算同前向推算一样,也是计算时间长度为T的一个输入序列X,但是反向推算的起始时间点为t=T,当t的值不断递减时,递归计算出单元5倒数,一直持续到t=1为止。根据以上每个时间点的导数,可得最终的权值导数值:
其中,l是训练所使用的损失函数。损失函数是指当参数值不同时系统产生的损失。由于RNN网络的损失是可以通过参数来衡量的,所以可运用损失函数来训练整个网络,以改善目标值的变异。损失函数包含两个部分:损失项和正则项。
在前向推算与反向推算中,方程的计算顺序是很重要的。在一个标准LSTM网络中,当时间处于0时刻时,所有的状态和激活函数都被初始化为0,当时间处于T+1时,所有的δ表达式也都被初始化成0。
(1)向前推算
输入门6在t时刻的值为:
输入门6在t时刻的激活函数为:
遗忘门4在t时刻的值为:
遗忘门4在t时刻的激活函数为:
单元5在t时刻的输入值为:
单元5在t时刻的状态为:
输出门3在t时刻的值为:
输出门3在t时刻的激活函数为:
(2)反向推算
设
单元5在t时刻的值为:输出层1
输出门3在t时刻的值为:
t时刻的状态为:
单元5权值导数值为:
遗忘门4权值导数值为:
输入门6权值导数值为:
②确定桥梁技术状况预测的评估标准,建立评估训练数据集
具体评估标准参数包括:Precision(精确率),计算公式为TP/(TP+FP)、Recall(召回率)计算公式为TP/(TP+FN)、F1-score(F1值)、ROC-AUC(ROC曲线下面积)。评估标准为:Precision为90%-98%,Recall为85%-98%,F1∈[0,1],一般设定F1≥0.5。
当桥梁技术状况预测结果的Precision和Recall相同时,比较F1和ROC-AUC,二者的值越高,说明桥梁技术状况预测模型训练质量越好。
在确定了评估标准的同时,建立相应的评估数据集,评估数据集是由桥梁技术状况的历史数据构成,并按省市区划分区块。
③确定基线(Baseline)和目标集(Target)。
基线具体为:(a)一二类桥的占比为桥梁总量的90%-99%;(b)三类桥的占比为桥梁总量的0%-10%;(c)四类桥、五类桥的占比分别为桥梁总量的0%-5%。若算法模型计算得到的目标集不符合该基线要求,则认为算法模型预测失败,需要对算法模型参数进行调整改进
目标集指一组关于桥梁技术状况等级分布情况的结果向量集合,描述了桥梁技术状况预测模型输出结果的数学表现形式,具体为:
F={a1,a2,a3,a4,a5} (17)
式中,F——桥梁技术状况等级分布情况向量;
a1,a2,a3,a4,a5——一-五类桥桥梁的分布占比。若预测宏观统计的桥梁技术状况等级分布比例,则得到目标集,具体为:
一类桥梁,状态值为1,分布比例为a1%;二类桥梁,状态值为2,分布比例为a2%;三类桥梁,状态值为3,分布比例为a3%;四类桥梁,状态值为4,分布比例为a4%;五类桥梁,状态值为5,分布比例为a5%
④模型训练
通过步骤①编写的深度学习模型训练程序,输入步骤②的训练桥梁数据集对桥梁技术状况预测模型进行训练。
⑤模型评估
通过步骤②中Precision、Recall、F1-score及ROC-AUC等参数对桥梁预测结果进行评估,分析评估结果,与上一次的模型结果以及目标集(Target)实例进行对比。将错误的数据取出来,分析存在的问题,调整影响参数或增加网络隐藏层(layers),进行步骤⑥。
⑥模型再训练
重复步骤④、⑤,直至达到目标。如果桥梁技术状况预测模型评价还不错,可以将模型放到线上环境测试,分析线上的结果,再重复步骤④、⑤直至训练出在基线以上并满足模型验证参数的预测模型。
(4)将待预测桥梁数据输入步骤(3)构建的模型中,得到桥梁技术状况预测结果。
上述详细说明是针对本发明其中之一可行实施例的具体说明,该实施例并非用以限制本发明的专利范围,凡未脱离本发明所为的等效实施或变更,均应包含于本发明技术方案的范围内。
Claims (8)
1.一种桥梁技术状况预测方法,其特征在于,所述方法包括以下步骤:
(1)通过现场调研、数据采集、数据分析,得到桥梁技术状况分布规律;
(2)通过步骤(1)得到的桥梁分布规律,确定相应桥梁技术状况影响因素并计算生成预测模型特征向量;
(3)根据步骤(2)确定的影响因素及其预测模型特征向量,实施基于长短期记忆性循环深度网络的桥梁技术状况预测模型的构建、训练及可靠性分析;
(4)将待预测桥梁数据输入步骤(3)构建的模型中,得到桥梁技术状况预测结果;
其中,所述步骤(3)的构建预测模型的实施过程包括以下步骤:
①根据影响因素和预测模型特征向量,对桥梁技术状况预测问题进行定义;
②根据步骤①对桥梁技术状况预测问题的定义,确定桥梁技术状况预测的评估标准及标准评估参数,建立评估训练数据集;
③确定评级桥梁技术状况结果的基线和目标集;
④模型训练:编写训练程序,输入训练数据对桥梁预测模型进行训练;
⑤模型评估:根据步骤②和③的评估训练数据集、基线和目标集对模型进行评估;
⑥模型再训练与服务部署:重复步骤④和⑤,直至达到步骤③确定的目标;进行线上测试,继续重复步骤④和⑤,直至训练出在基线以上并满足模型验证参数的预测模型;
其中,所述步骤(1)中数据分析方法为通过决策树分类器对收集到的数据进行自动分类;
其中,所述步骤(2)中因素包括但不限于:桥梁在当地气候、水文地理环境、交通量中的一种或多种。
2.根据权利要求1所述的桥梁技术状况预测方法,其特征在于,所述步骤(3)预测模型的实施过程中步骤①根据特征向量,进而确定长短期记忆性循环深度网络的隐藏层的层数和节点数,构建具体的深度网络预测模型。
3.根据权利要求1所述的桥梁技术状况预测方法,其特征在于,所述步骤(3)预测模型的实施过程中步骤②预测模型的标准评估参数包括精确率、召回率、F1值和ROC曲线下面积。
4.根据权利要求3所述的桥梁技术状况预测方法,其特征在于,所述步骤(3)预测模型的实施过程中步骤②中预测的评估标准为:精确率为90%-98%,召回率为85%-98%,0≤F1≤1。
5.根据权利要求4所述的桥梁技术状况预测方法,其特征在于,所述步骤(3)预测模型的实施过程中步骤②中预测的评估标准为:精确率为95%-98%,召回率为92%-98%,0.5≤F1≤1。
6.根据权利要求1所述的桥梁技术状况预测方法,其特征在于,所述步骤(3)预测模型的实施过程中步骤③基线指:(a)一二类桥的占比为桥梁总量的90%-99%;(b)三类桥的占比为桥梁总量的0%-10%;(c)四类桥、五类桥的占比分别为桥梁总量的0%-5%。
7.根据权利要求1所述的桥梁技术状况预测方法,其特征在于,所述步骤(3)预测模型的实施过程中步骤③目标集指一组关于桥梁技术状况等级分布情况的结果向量集合,描述了桥梁技术状况预测模型输出结果的数学表现形式,具体为:
F={a1 ,a2 ,a3 ,a4 ,a5}
式中,F——桥梁技术状况等级分布情况向量;
a1 ,a2 ,a3 ,a4 ,a5——一-五类桥的分布占比。
8.根据权利要求1所述的桥梁技术状况预测方法,其特征在于,所述步骤(3)预测模型的实施过程中步骤⑤将训练的桥梁技术状况预测模型输入步骤②的评估训练数据集,通过步骤②的标准评估参数对桥梁预测结果进行评估,分析评估结果,与上一次的模型结果以及目标集进行对比;标记错误数据,调整影响参数或增加网络隐藏层,进行步骤⑥。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810895697.1A CN109102016B (zh) | 2018-08-08 | 2018-08-08 | 一种用于桥梁技术状况的测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810895697.1A CN109102016B (zh) | 2018-08-08 | 2018-08-08 | 一种用于桥梁技术状况的测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109102016A CN109102016A (zh) | 2018-12-28 |
CN109102016B true CN109102016B (zh) | 2019-05-31 |
Family
ID=64848921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810895697.1A Active CN109102016B (zh) | 2018-08-08 | 2018-08-08 | 一种用于桥梁技术状况的测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109102016B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160528B (zh) * | 2019-12-28 | 2021-01-08 | 浙江大学 | 钢筋混凝土桥梁服役性能退化预测方法 |
CN111242347B (zh) * | 2019-12-28 | 2021-01-01 | 浙江大学 | 基于历史权重更新的桥梁管养辅助决策系统 |
CN111667203B (zh) * | 2020-07-17 | 2023-08-29 | 冯星星 | 基于深度神经网络的城市桥况等级实时划分方法及装置 |
CN113031562B (zh) * | 2021-03-05 | 2021-09-21 | 北京新桥技术发展有限公司 | 一种用于独柱墩桥通行货运车辆的隐患风险预警方法 |
CN113688774B (zh) * | 2021-09-03 | 2023-09-26 | 重庆大学 | 基于深度学习的高层建筑风致响应预测、训练方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102539098B (zh) * | 2011-12-15 | 2014-01-22 | 东南大学 | 基于神经网络技术的桥梁动载测试方法 |
CA2979201A1 (en) * | 2015-03-11 | 2016-09-15 | Siemens Industry, Inc. | Prediction in building automation |
CN105760934A (zh) * | 2016-03-02 | 2016-07-13 | 浙江工业大学 | 一种基于小波与bp神经网络的桥梁异常监测数据修复方法 |
GB2556328A (en) * | 2016-09-05 | 2018-05-30 | Xihelm Ltd | Street asset mapping |
CN106529062B (zh) * | 2016-11-20 | 2019-10-11 | 重庆交通大学 | 一种基于深度学习的桥梁结构健康诊断方法 |
CN107871161A (zh) * | 2017-11-07 | 2018-04-03 | 中国铁道科学研究院铁道建筑研究所 | 一种基于神经网络的桥梁整体损伤预警方法 |
-
2018
- 2018-08-08 CN CN201810895697.1A patent/CN109102016B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109102016A (zh) | 2018-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102016B (zh) | 一种用于桥梁技术状况的测试方法 | |
Li et al. | Automated decision making in highway pavement preventive maintenance based on deep learning | |
CN104835103A (zh) | 基于神经网络和模糊综合评价的移动网络健康评价方法 | |
CN111860989B (zh) | 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法 | |
CN116721537A (zh) | 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法 | |
Dimitriou et al. | Fuzzy modeling of freeway accident duration with rainfall and traffic flow interactions | |
CN114912635A (zh) | 一种公路养护决策方法、系统、存储介质和电子设备 | |
Das et al. | Hybrid machine learning approach to prediction of the compressive and flexural strengths of UHPC and parametric analysis with shapley additive explanations | |
Song et al. | An efficient and explainable ensemble learning model for asphalt pavement condition prediction based on LTPP dataset | |
Kumar et al. | Evaluation of pavement condition index using artificial neural network approach | |
Zhang et al. | Rutting prediction and analysis of influence factors based on multivariate transfer entropy and graph neural networks | |
Furtlehner et al. | Spatial and temporal analysis of traffic states on large scale networks | |
Latifi et al. | A deep reinforcement learning model for predictive maintenance planning of road assets: Integrating LCA and LCCA | |
CN115048862A (zh) | 一种基于多元传递熵和图神经网络的沥青路面车辙预测方法 | |
Liu et al. | Rutting prediction using deep learning for time series modeling and K-means clustering based on RIOHTrack data | |
CN104217296A (zh) | 一种上市公司绩效综合评价方法 | |
CN117874509A (zh) | 一种基于可解释性集成学习的沥青路面车辙深度预测方法 | |
Morova et al. | Prediction of the pavement serviceability ratio of rigid highway pavements by artificial neural networks | |
Jalal et al. | Computer-aided prediction of pavement condition index (PCI) using ANN | |
Liu et al. | Automated, economical, and environmentally-friendly asphalt mix design based on machine learning and multi-objective grey wolf optimization | |
Owolabi et al. | Development of priority index assessment model for road pavements in Nigeria | |
Li | Pavement performance deterioration model based on deep neural networks | |
Le et al. | Artificial intelligence approach to predict the dynamic modulus of asphalt concrete mixtures | |
Miradi et al. | Knowledge discovery and data mining using artificial intelligence to unravel porous asphalt concrete in the Netherlands | |
de Jesus et al. | Hybrid Neuro-Particle Swarm Optimization Model for Predicting Depression in Asphalt Pavements |
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 |