CN109993223B - 路面使用性能预测方法、存储介质、电子设备 - Google Patents
路面使用性能预测方法、存储介质、电子设备 Download PDFInfo
- Publication number
- CN109993223B CN109993223B CN201910233489.XA CN201910233489A CN109993223B CN 109993223 B CN109993223 B CN 109993223B CN 201910233489 A CN201910233489 A CN 201910233489A CN 109993223 B CN109993223 B CN 109993223B
- Authority
- CN
- China
- Prior art keywords
- pavement
- road
- model
- parameters
- performance
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明提供路面使用性能预测方法,首先确定预测指标和影响因素,对数据进行整理,选取神经网络的学习样本;对模型超参数进行调整,分别对不同性能指标的神经网络预测模型进行训练,保存最优模型;利用建立的预测模型对新数据集进行性能预测,验证模型精度。本发明通过综合考虑路面结构材料、交通轴载、气候环境、养护历史等因素的影响,建立较为全面的路面性能预测模型,同时对养护路段和未养护路段进行预测,对性能预估、路面评价和养护决策都具有较大意义。本发明构思巧妙,逻辑严谨,便于交通运输学科领域推广应用。
Description
技术领域
本发明涉及一种公路评价与管理技术,具体涉及一种路面使用性能预测方法,属于交通运输学科技术领域。
背景技术
路面使用性能检测数据包括车辙深度、平整度、横向力系数、路面损坏状况、弯沉值等,是路面管理系统的基础。通过分析这些数据,管理者可了解路面实时状况,判断当前路面状况是否满足交通需求和行驶质量要求,制定相应的养护维修计划,采取对应的养护措施。一个高效的路面管理系统需要准确、即时、一致、完整的路面性能数据的有力支撑。数据质量将直接影响系统是否能对路面状况做出正确、及时的反馈。
路面性能预测这一概念是在上世纪60年代美国的AASHTO研究计划中提出的。路面性能的预测与路面养护资金的投入及养护方案的制定有着直接关系,只有准确预测在特定条件下路面使用性能随时间的变化规律,才能进行养护资金的合理分配和养护方案的科学决策,才能比较各个养护方案的优劣,帮助决策者做出科学合理的路面养护规划。国内外关于高速公路沥青路面使用性能的预测模型有很多,都基于不同的理论建成,但大体上可分为确定型模型、概率型模型、人工智能模型及组合模型等。
但目前模型并不能充分利用历史检测数据,归纳数据的能力弱、精度低;对此,目前急需对路面使用性能预测方法进行改进。
发明内容
为了克服现有技术的不足,本发明提出的路面使用性能预测方法,采用神经网络模型,充分考虑路面结构材料、交通载荷、气候环境、养护历史因素的影响之后,对路面使用性能状况的发展进行准确的预测。
本发明提供路面使用性能预测方法,包括以下步骤:
参量选取,根据历年路面使用性能数据检测结果与影响因素,确定神经网络的输出参量与输入参量;其中所述影响因素包括路面结构材料、交通载荷、气候环境、养护历史;
数据整理,对待预测路段进行划分,选取神经网络学习样本,对所述输出参量与输入参量进行数据预处理,得到分段后的路面样本;
模型配置,对神经网络模型的超参数进行配置,其中,所述超参数包括隐层层数、隐层神经元个数、优化器、学习率、学习的回合数、小批量数据的大小、正则化参数;
模型训练,对路面使用性能数据的路面样本利用配置好的神经网络模型进行训练,保存最优模型;
数据预测,利用最优模型对路面使用性能进行预测,并验证模型精度,若精度不满足要求则调整所述超参数,重新训练模型。
优选地,数据整理中包括:获取高速公路的分段要素信息,对高速公路的路段进行划分;其中,所述分段要素信息包括路线、方向、车道、路桥特征、结构、交通断面;按优先级顺序:路线、方向、车道、路桥特征、结构、交通断面对高速路段进行划分,得到初步路段。
优选地,所述路面使用性能数据包括车辙深度RD、国际平整度指数IRI、横向力系数SFC、路面横向裂缝评价指数TCEI、路面破损状况指数PDCI。
优选地,数据整理中还包括:建立RD、IRI、SFC模型时,遍历高速路段的所有所述初步路段,获取超过100米的初步路段并将进行等距划分;其中,划分间距为0-100米。
优选地,数据整理中还包括:建立TCEI、PDCI模型时,遍历高速路段的所有所述初步路段,获取超过1000米的初步路段并将进行等距划分;其中,划分间距为0-1000米。
优选地,所述交通载荷的参数结合轴载分布情况,对单轴双轮组、双轴双轮组及三联轴双轮组的轴载谱采用对数正态分布和正态分布的线性组合形式进行拟合,以使得所述交通荷载通过精确到月的轴载谱参数、总轴次、客货比、MESAL、MADT来表征。
优选地,所述输入参量包括车道、车道数、面层厚度、面层材料、改性沥青层厚度、基层厚度、基层材料、底基层材料、路桥信息、养护类型、养护材料、病害处理、最低气温低于0℃的天数比例、最高气温高于35℃的天数比例、当前路面性能状况、路龄、养护措施服役时间、预测时间间隔;其中,养护类型、养护材料、病害处理是指最近一次养护的情况,若所述路段为未养护路段,则养护类型、养护材料、病害处理都为空。
优选地,所述输入参量中包括分类变量、数值变量;在数据整理中,对所述分类变量进行独热编码,对所述数值变量采用Z-score标准化方法将数据转换成均值为0,方差为1的形式,采用主成分分析方法进行降维,用7~9个主成分代替与交通荷载的参数,降低预测模型对交通荷载参数的依赖,以防止过拟合。
一种电子设备,包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行路面使用性能预测方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行路面使用性能预测方法。
相比现有技术,本发明的有益效果在于:
本发明提供路面使用性能预测方法,首先确定预测指标和影响因素,对数据进行整理,选取神经网络的学习样本;对模型超参数进行调整,分别对不同性能指标的神经网络预测模型进行训练,保存最优模型;利用建立的预测模型对新数据集进行性能预测,验证模型精度。本发明通过综合考虑路面结构材料、交通轴载、气候环境、养护历史等因素的影响,建立较为全面的路面性能预测模型,同时对养护路段和未养护路段进行预测,对性能预估、路面评价和养护决策都具有较大意义。本发明构思巧妙,逻辑严谨,便于交通运输学科领域推广应用。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的路面使用性能预测方法流程示意图;
图2为本发明的神经网络预测模型示意图;
图3a为本发明在一实施例中的车辙深度训练集与验证集的误差变化图;
图3b为本发明在一实施例中的车辙深度实测值与预测值的散点图;
图3c为本发明在一实施例中的车辙深度预测结果示意图;
图4a为本发明在一实施例中的国际平整度指数训练集与验证集的误差变化图;
图4b为本发明在一实施例中的国际平整度指数实测值与预测值的散点图;
图4c为本发明在一实施例中的国际平整度指数预测结果示意图;
图5a为本发明在一实施例中的横向力系数训练集与验证集的误差变化图;
图5b为本发明在一实施例中的横向力系数实测值与预测值的散点图;
图5c为本发明在一实施例中的横向力系数预测结果示意图;
图6a为本发明在一实施例中的路面横向裂缝评价指数训练集与验证集的误差变化图;
图6b为本发明在一实施例中的路面横向裂缝评价指数实测值与预测值的散点图;
图6c为本发明在一实施例中的路面横向裂缝评价指数预测结果示意图;
图7a为本发明在一实施例中的路面破损状况指数训练集与验证集的误差变化图;
图7b为本发明在一实施例中的路面破损状况指数实测值与预测值的散点图;
图7c为本发明在一实施例中的路面破损状况指数预测结果示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
路面使用性能预测方法,如图1所示,包括以下步骤:
S1、参量选取,根据历年路面使用性能数据检测结果与影响因素,确定神经网络的输出参量与输入参量;其中所述影响因素包括路面结构材料、交通载荷、气候环境、养护历史;在一实施例中,所述路面使用性能数据包括车辙深度RD、国际平整度指数IRI、横向力系数SFC、路面横向裂缝评价指数TCEI、路面破损状况指数PDCI。
其中,如图2所示,与交通荷载有关的参数不再仅考虑等效标准轴载当量作用次数(ESAL)或年平均日交通量(AADT),而是结合轴载分布情况,对单轴双轮组、双轴双轮组及三联轴双轮组的轴载谱,采用对数正态分布和正态分布的线性组合形式进行了拟合,以精确到月的轴载谱参数、总轴次、客货比、MESAL、MADT(共计21个参数)来表征特定路段的交通荷载情况。
如图2所示,选取的输入参量个数达到39个,除了21个与交通量有关的参数外,还包括车道、车道数、面层厚度、面层材料、改性沥青层厚度、基层厚度、基层材料、底基层材料、路桥信息、养护类型、养护材料、病害处理、最低气温低于0℃的天数比例、最高气温高于35℃的天数比例、当前路面性能状况、路龄、养护措施服役时间、预测时间间隔;其中,养护类型、养护材料、病害处理是指最近一次养护的情况,若为未养护路段,则三个参数都为空。交通量参数考虑的是全断面的情况,并以车道和车道数间接反映车道系数的影响。气温以地区为单位统计,具体到每个桩号会有一定偏差。未养护路段的养护措施服役时间等于路龄。由于样本路段的底基层厚度均为20cm,故底基层厚度未作为输入参量之一。
S2、数据整理,对待预测路段进行划分,选取神经网络学习样本,对所述输出参量与输入参量进行数据预处理,得到分段后的路面样本;其中预处理方式包括数值变量归一化、分类变量独热编码、降维;在本实施例中,所述输入参量中包括分类变量、数值变量;在数据整理中,对所述分类变量进行独热编码,对所述数值变量采用Z-score标准化方法将数据转换成均值为0,方差为1的形式,采用主成分分析方法(PCA,Principal ComponentsAnalysis)进行降维,用7~9个主成分代替与交通荷载的参数,降低预测模型对交通荷载参数的依赖,以防止过拟合。例如,如图2所示,在39个输入参量中包括8个分类变量及31个数值变量,对分类变量进行独热编码,对数值变量采用Z-score标准化方法将数据转换成均值为0,方差为1的形式,考虑到与交通量有关的参量较多,且这些参数要先进行预测,才能进一步利用神经网络进行路面使用性能的预测,使得模型过度依赖于这些与交通量有关的参数,出现过拟合现象。因此采用主成分分析(PCA)方法进行降维,用7~9个主成分代替21个与交通量有关的参数。
在一实施例中,对待预测路段进行划分具体为:获取高速公路的分段要素信息,对高速公路的路段进行划分;其中,所述分段要素信息包括路线、方向、车道、路桥特征、结构、交通断面;按优先级顺序:路线、方向、车道、路桥特征、结构、交通断面对高速路段进行划分,得到初步路段。例如,在一实施例中,例如某高速公路的路线首先划分为上行或下行,同一路线中分为第一车道、第二车道以及其他车道,同一车道分为路面、桥面;其中,路面包括路面若干个结构,桥面包括桥面若干个结构,同一结构中有包括若干个交通断面,得到的交通断面为初步路段。
在一实施例中,对于RD、IRI及SFC指标,划分长度为100m,例如:遍历高速路段的所有所述初步路段,获取超过100米的初步路段并将进行等距划分;其中,划分间距为0-100米。
在一实施例中,对于TCEI、PDCI指标的计算受路段长度影响,若也以100m进行划分会使指标失去评价意义,故对这两个指标按1km进行等距划分;例如:遍历高速路段的所有所述初步路段,获取超过1000米的初步路段并将进行等距划分;其中,划分间距为0-1000米。
S3、模型配置,对神经网络模型的超参数进行配置,其中,所述超参数包括隐层层数、隐层神经元个数、优化器、学习率、学习的回合数、小批量数据的大小、正则化参数;在一实施例中,利用python软件中的sklearn模块对模型超参数进行配置调整。
S4、模型训练,对路面使用性能数据的路面样本利用配置好的神经网络模型进行训练,保存最优模型;例如,基于keras框架对不同性能指标的神经网络预测模型进行训练。
S5、数据预测,利用最优模型对路面使用性能进行预测,并验证模型精度,若精度不满足要求则调整所述超参数,重新训练模型。
下面以几个路段为例,具体说明本发明实施例中路面性能预测方法的预测结果。
实施例1
如图3a、图3b、图3c所示,性能指标车辙深度RD如下表所示:
实施例2
如图4a、图4b、图4c所示,性能指标国际平整度指数IRI如下表所示:
实施例3
如图5a、图5b、图5c所示,性能指标横向力系数SFC如下表所示:
实施例4
如图6a、图6b、图6c所示,性能指标路面横向裂缝评价指数TCEI如下表所示:
实施例5
如图7a、图7b、图7c所示,性能指标路面破损状况指数PDCI如下表所示:
实施例6
在一实施例中,分别对如下高速进行预测,并统计误差数据,相对误差如下表所示:
一种电子设备,包括:处理器;存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行路面使用性能预测方法。一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行路面使用性能预测方法。
本发明提供路面使用性能预测方法,首先确定预测指标和影响因素,对数据进行整理,选取神经网络的学习样本;对模型超参数进行调整,分别对不同性能指标的神经网络预测模型进行训练,保存最优模型;利用建立的预测模型对新数据集进行性能预测,验证模型精度。本发明通过综合考虑路面结构材料、交通轴载、气候环境、养护历史等因素的影响,建立较为全面的路面性能预测模型,同时对养护路段和未养护路段进行预测,对性能预估、路面评价和养护决策都具有较大意义。
以上,仅为本发明的较佳实施例而已,并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明;但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内,利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等,均仍属于本发明的技术方案的保护范围之内。
Claims (8)
1.路面使用性能预测方法,其特征在于,包括以下步骤:
参量选取,根据历年路面使用性能数据检测结果与影响因素,确定神经网络的输出参量与输入参量;其中所述影响因素包括路面结构材料、交通载荷、气候环境、养护历史;
数据整理,对待预测路段进行划分,选取神经网络学习样本,对所述输出参量与输入参量进行数据预处理,得到分段后的路面样本;
模型配置,对神经网络模型的超参数进行配置,其中,所述超参数包括隐层层数、隐层神经元个数、优化器、学习率、学习的回合数、小批量数据的大小、正则化参数;
模型训练,对路面使用性能数据的路面样本利用配置好的神经网络模型进行训练,保存最优模型;
数据预测,利用最优模型对路面使用性能进行预测,并验证模型精度,若精度不满足要求则调整所述超参数,重新训练模型;
所述交通载荷的参数结合轴载分布情况,对单轴双轮组、双轴双轮组及三联轴双轮组的轴载谱采用对数正态分布和正态分布的线性组合形式进行拟合,以使得所述交通载荷通过精确到月的轴载谱参数、总轴次、客货比、MESAL、MADT来表征;
所述输入参量中包括分类变量、数值变量;在数据整理中,对所述分类变量进行独热编码,对所述数值变量采用Z-score标准化方法将数据转换成均值为0,方差为1的形式,采用主成分分析方法进行降维,用7~9个主成分代替与交通载荷的参数,降低预测模型对交通载荷参数的依赖,以防止过拟合。
2.如权利要求1所述的路面使用性能预测方法,其特征在于,数据整理中包括:获取高速公路的分段要素信息,对高速公路的路段进行划分;其中,所述分段要素信息包括路线、方向、车道、路桥特征、结构、交通断面;按优先级顺序:路线、方向、车道、路桥特征、结构、交通断面对高速路段进行划分,得到初步路段。
3.如权利要求2所述的路面使用性能预测方法,其特征在于:所述路面使用性能数据包括车辙深度RD、国际平整度指数IRI、横向力系数SFC、路面横向裂缝评价指数TCEI、路面破损状况指数PDCI。
4.如权利要求3所述的路面使用性能预测方法,其特征在于,数据整理中还包括:建立RD、IRI、SFC模型时,遍历高速路段的所有所述初步路段,获取超过100米的初步路段并将进行等距划分;其中,划分间距为0-100米。
5.如权利要求3所述的路面使用性能预测方法,其特征在于,数据整理中还包括:建立TCEI、PDCI模型时,遍历高速路段的所有所述初步路段,获取超过1000米的初步路段并将进行等距划分;其中,划分间距为0-1000米。
6.如权利要求1所述的路面使用性能预测方法,其特征在于:所述输入参量包括车道、车道数、面层厚度、面层材料、改性沥青层厚度、基层厚度、基层材料、底基层材料、路桥信息、养护类型、养护材料、病害处理、最低气温低于0℃的天数比例、最高气温高于35℃的天数比例、当前路面性能状况、路龄、养护措施服役时间、预测时间间隔;其中,养护类型、养护材料、病害处理是指最近一次养护的情况,若所述路段为未养护路段,则养护类型、养护材料、病害处理都为空。
7.一种电子设备,其特征在于包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行如权利要求1所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行如权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910233489.XA CN109993223B (zh) | 2019-03-26 | 2019-03-26 | 路面使用性能预测方法、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910233489.XA CN109993223B (zh) | 2019-03-26 | 2019-03-26 | 路面使用性能预测方法、存储介质、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109993223A CN109993223A (zh) | 2019-07-09 |
CN109993223B true CN109993223B (zh) | 2023-05-16 |
Family
ID=67131653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910233489.XA Active CN109993223B (zh) | 2019-03-26 | 2019-03-26 | 路面使用性能预测方法、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993223B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222678B (zh) * | 2019-10-24 | 2022-07-22 | 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 |
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 |
CN111259537B (zh) * | 2020-01-14 | 2023-03-31 | 中交第二公路勘察设计研究院有限公司 | 基于var多元时间序列的路面性能预测方法 |
CN111832834B (zh) * | 2020-07-20 | 2023-11-24 | 北京博能科技股份有限公司 | 一种机场道面使用性能预测方法、装置和电子设备 |
CN111815437A (zh) * | 2020-07-21 | 2020-10-23 | 天元大数据信用管理有限公司 | 金融服务信用风险分析方法及系统 |
CN112241808A (zh) * | 2020-09-28 | 2021-01-19 | 四川省交通运输发展战略和规划科学研究院 | 路面技术状况预测方法、装置、电子设备及存储介质 |
CN112633328A (zh) * | 2020-12-04 | 2021-04-09 | 北京科技大学 | 一种基于深度学习的致密油藏改造效果评价方法 |
CN112418554A (zh) * | 2020-12-07 | 2021-02-26 | 江苏高速公路工程养护技术有限公司 | 一种路面性能衰变的影响因素的确定方法及装置 |
CN113030450A (zh) * | 2021-03-15 | 2021-06-25 | 海南省交通工程检测中心 | 沥青路面全周期性能监测评估方法及系统 |
CN113255963A (zh) * | 2021-04-20 | 2021-08-13 | 东南大学 | 基于路元拆分和深度学习模型lstm的路面使用性能预测方法 |
CN113177735B (zh) * | 2021-05-25 | 2022-03-08 | 河北工业大学 | 一种基于人工智能的公路路面全生命周期质量追溯方法 |
CN114067183B (zh) * | 2021-11-24 | 2022-10-28 | 北京百度网讯科技有限公司 | 神经网络模型训练方法、图像处理方法、装置和设备 |
CN113822387B (zh) * | 2021-11-24 | 2022-04-01 | 佛山市交通科技有限公司 | 路面损坏状况指数预测方法、系统、设备及介质 |
CN114413832B (zh) * | 2021-12-02 | 2023-12-15 | 中国通信建设第三工程局有限公司 | 一种基于光纤传感的道路监测系统及方法 |
CN115964483B (zh) * | 2022-07-20 | 2024-04-05 | 东南大学 | 基于神经网络的高速公路养护大数据分类决策方法 |
CN116362714B (zh) * | 2023-02-21 | 2023-11-03 | 中国公路工程咨询集团有限公司 | 路面养护周期的预测方法和装置 |
CN116109020A (zh) * | 2023-04-12 | 2023-05-12 | 中南大学 | 高速公路路面使用性能预测方法、装置和设备 |
CN117113515B (zh) * | 2023-10-23 | 2024-01-05 | 湖南大学 | 一种路面设计方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107146025A (zh) * | 2017-05-09 | 2017-09-08 | 江苏道润工程技术有限公司 | 一种道路管理决策系统 |
CN108596396A (zh) * | 2018-04-28 | 2018-09-28 | 中国公路工程咨询集团有限公司 | 一种基于养护历史修正的路面性能预测和养护方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976501B (zh) * | 2010-10-29 | 2012-05-30 | 天津市市政工程设计研究院 | 基于主成分分析和神经网络的港区道路安全性预测方法 |
WO2013152321A1 (en) * | 2012-04-06 | 2013-10-10 | The Board Of Regents Of The University Of Oklahoma | Method and apparatus for determining stiffness of a roadway |
-
2019
- 2019-03-26 CN CN201910233489.XA patent/CN109993223B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107146025A (zh) * | 2017-05-09 | 2017-09-08 | 江苏道润工程技术有限公司 | 一种道路管理决策系统 |
CN108596396A (zh) * | 2018-04-28 | 2018-09-28 | 中国公路工程咨询集团有限公司 | 一种基于养护历史修正的路面性能预测和养护方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109993223A (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993223B (zh) | 路面使用性能预测方法、存储介质、电子设备 | |
Weidner et al. | Telematic driving profile classification in car insurance pricing | |
Wang et al. | A hybrid model for prediction in asphalt pavement performance based on support vector machine and grey relation analysis | |
CN113159374B (zh) | 一种数据驱动的城市交通流速模式识别与实时预测预警方法 | |
CN113496314A (zh) | 一种神经网络模型预测道路交通流量的方法 | |
CN114855570A (zh) | 市政道路的养护策略处理方法、装置和计算机设备 | |
Barzegaran et al. | Estimation of IRI from PASER using ANN based on k-means and fuzzy c-means clustering techniques: a case study | |
Hosseini | Data-driven framework for modeling deterioration of pavements in the state of Iowa | |
Milenković et al. | Analysis of relations between freeway geometry and traffic characteristics on traffic accidents | |
Tahir et al. | Influence of segmentation approaches on the before-after evaluation of engineering treatments: A hypothetical treatment approach | |
Duckworth et al. | Evaluation of Flexible Pavement Performance Models in Mississippi: A Neural Network Approach | |
Semnarshad et al. | Development of a Pavement Overall Deterioration Index (Case Study: Iran) | |
CN111832834B (zh) | 一种机场道面使用性能预测方法、装置和电子设备 | |
Shu et al. | Large-scale evaluation of pavement performance models utilizing automated pavement condition survey data | |
CN112349098A (zh) | 高速公路出口匝道区域环境要素对事故严重程度估计方法 | |
Zhao et al. | An evaluation method for pavement maintenance priority classification based on an unsupervised data-driven multidimensional performance model | |
Hachem et al. | Bridge inspection strategies | |
Dai et al. | Investigation of multiple-presence factor for traffic loads on road-rail bridges based on a novel extreme value analysis approach | |
Qiao et al. | Estimating IRI based on pavement distress type, density, and severity: Insights from machine learning techniques | |
Bai et al. | Grid-Based Framework for Railway Track Health Evaluation | |
Cheng et al. | Work zone crash cost prediction with a least median squares linear regression model | |
Sun et al. | Pavement Performance Evaluation of Asphalt Expressway Based on Machine Learning Support Vector Machine | |
CN113918538B (zh) | 一种基于人工神经网络的新建道路养护数据迁移系统 | |
CN111222678A (zh) | 路面技术状况预测方法 | |
Serigos | Bayesian estimation of finite mixture roughness model |
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 |