CN111062648B - 一种沥青路面综合性能的评价方法 - Google Patents

一种沥青路面综合性能的评价方法 Download PDF

Info

Publication number
CN111062648B
CN111062648B CN201911420814.XA CN201911420814A CN111062648B CN 111062648 B CN111062648 B CN 111062648B CN 201911420814 A CN201911420814 A CN 201911420814A CN 111062648 B CN111062648 B CN 111062648B
Authority
CN
China
Prior art keywords
training
label
data
function
training set
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
Application number
CN201911420814.XA
Other languages
English (en)
Other versions
CN111062648A (zh
Inventor
赵静
王选仓
郭昱辰
李美鑫
张凯星
吴传海
李善强
房娜仁
李�浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changan University
Original Assignee
Changan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changan University filed Critical Changan University
Priority to CN201911420814.XA priority Critical patent/CN111062648B/zh
Publication of CN111062648A publication Critical patent/CN111062648A/zh
Application granted granted Critical
Publication of CN111062648B publication Critical patent/CN111062648B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Road Repair (AREA)

Abstract

本发明提供一种关于交叉验证CV寻优支持向量机SVM的沥青路面综合性能的评价方法，解决了现有评价方法PQI计算不涉及路面结构强度指数、各指标权重确定不能完全适用于具体地区、不能准确客观反映路面整体水平的问题。通过建立CV‑SVM模型，以公路技术状况分项指标等级划分标准为训练集进行训练，以多功能车检测出的沥青路面综合性能数据为测试集，对沥青路面性能进行综合评价，整个评价过程中，利用并没有计算PQI的过程，同时将多项指标纳入综合性能评价中，避免单独对此指标进行评定，因此，客观全面的对路面性能进行，提高养护工作的效率及决策的准确性。

Description

一种沥青路面综合性能的评价方法
技术领域
本发明属于道路工程技术领域，涉及一种沥青路面综合性能评价的方法。
背景技术
我国道路养护里程占总里程的97％，道路工作已经转向养护阶段。而大数据与人工智能也将应用于道路养护工程。其中支持向量机在各大人工智能工具中占有重要的地位，在分类算法中表现优异，其在金融、图像识别等方面已经取得了不错的成果，但在道路养护乃至道路工程应用较少。路面状况评价的等级可以让养护工作者了解道路的状况、判断服务质量以及制定合理的养护方案。
我国现有对沥青路面性能评价的方法，是依据五项评价指标(包含路面损坏、平整度、车辙、抗滑性能和结构强度五项技术内容，不包括弯沉值等)与相应权重的乘积计算PQI(路面使用性能指数)值判断，各分项指标权重是通过结合专家经验判断各指标重要性并结合实际的数据进行综合确定的，以道路的服务功能为首要考虑因素。但一些地区靠近沿海地区，降雨量较大，路面的抗滑性能也较为重要，路面水损比较严重，因此将路面行驶质量指数放在第一位是非常不合理。同时，该计算公式中，没有包含弯沉数据。但随着自动弯沉车的普及，路面的弯沉数据已经可实现检测，在进行路面性能综合评价时，应加入弯沉数据，才能准确客观的反映出路面的整体水平。所以现在的评价方法不能完全适用于具体地区，无法准确客观的反映出路面的整体水平。
发明内容
针对现有技术中存在的问题，本发明提供一种沥青路面综合性能的评价方法，解决了现有评价方法PQI计算仅涉及五项评价指标、各评价指标权重确定不能完全适用于具体地区、不能准确客观反映路面整体水平的问题。
本发明是通过以下技术方案来实现：
一种沥青路面综合性能的评价方法，包括以下步骤：
步骤1，对沥青路面通过多功能道路检测车进行性能数据采集，选取对应公路状况指标等级划分标准中的数据作为测试集；
步骤2，根据n个公路状况指标等级划分标准，确定训练标签，并在训练标签对应的每个公路状况指标的不同等级中随机选取m个随机数，得到m×n的一个矩阵作为训练集；
步骤3，采用核函数将训练集中的数据由低维空间升维至高维空间进行内积运算，在高维空间下将训练集和训练标签数据通过交叉验证得到最佳的惩罚参数c及核函数参数g，从而得到对应的约束条件和核函数；
步骤4，根据约束条件求得决策函数参数ai，根据核函数、训练集和训练标签求得决策函数参数b，从而根据决策函数参数ai及b建立决策函数；
步骤5，根据步骤4中的决策函数，分别建立针对训练标签的分类器，将测试集中的数据输入到对应的分类器中，预测得到沥青路面综合性能的评价标签。
优选的，所述步骤1中的沥青路面性能数据包括SRI、RDI、RQI、PCI、PSSI、PBI和PWI。
优选的，所述步骤1中还包括对采集到的数据进行可视化，绘制箱式图，剔除采集数据中的异常值。
优选的，所述步骤2中等级评价标准为：优、良、中、次、差五个等级；训练标签：评价为优的标签为1，良的标签为2，中的标签为3，次的标签为4，差的标签为5。
优选的，所述步骤3中核函数为：
K(xi,xj)＝exp(-g||xi-xj||2),g>0
式中：xi，xj分别为输入的第i，j训练集样本。
优选的，所述步骤3中交叉验证方法为：将高维空间中的原始数据平均分为K组，将每组数据分别一次作为验证集，其余K-1组数据作为训练集，得到K个核函数模型，然后用着K个核函数模型最终验证集的分类准确率的平均数作为核函数模型的性能指标，从而得到最佳惩罚参数c及核函数参数g。
优选的，步骤4中，
在约束条件下，为获得ai值，对二次优化方程求解；
由得出b的值；
其中，l为训练集的数量，xi，xi为输入的训练集样本，K(xi·xj)为核函数，yi,yj为训练标签。
优选的，步骤4中，得到的决策函数：
其中，l为训练集的数量，xi为输入的训练集样本，yi为训练标签，x为输入的测试集样本。
优选的，步骤3采用MATLAB中的libsvm3.20工具包中SVMcgForRegress函数中进行计算，输入训练集及训练标签，得出最佳参数；
步骤4采用MATLAB中的libsvm3.20工具包中svmtrain函数进行计算，输入训练集数据，训练标签，以及最佳惩罚参数c及核函数参数g。
步骤5采用MATLAB中的libsvm3.20工具包中svmpredict函数进行计算，输入测试集数据和决策函数，最终得到预测的沥青路面综合性能的评价标签。
与现有技术相比，本发明具有以下有益的技术效果：
本发明提供一种沥青路面综合性能的评价方法，通过建立CV-SVM模型，以公路技术状况分项指标等级划分标准为训练集进行训练，以多功能车检测出的沥青路面综合性能数据为测试集，对沥青路面性能进行综合评价，整个评价过程中，利用并没有计算PQI的过程，同时将多项指标纳入综合性能评价中，避免单独对此指标进行评定，因此，客观全面的对路面性能进行，提高养护工作的效率及决策的准确性。
进一步的，通过对采集到的数据绘制箱式图，进行可视化，展示性能数据分布，筛除异常值。
进一步的，通过性能数据中包括PSSI，将PSSI这一指标纳入综合性能评价中，避免单独对此指标进行评定，客观全面的对路面性能进行评价。
进一步的，以公路技术状况分项指标等级划分标准为训练集进行训练，将等级评价标准分为：优、良、中、次、差五个等级；设置对应的训练标签，更准确地对综合性能进行判断。
进一步的，所述SVMcgForRegress函数、svmtrain函数和svmpredict函数通过libsvm3.20工具包进行运算，利用libsvm3.20工具包，可方便的建立SVM路面性能评价模型，为大数据养护工程提供模型基础。
附图说明
图1是本发明实例中所述评价方法的流程图；
图2是本发明实例中所述数据可视化图；
图3a是本发明实例中所述最佳参数初选等高线图；
图3b是本发明实例中所述最佳参数初选三维视图；
图4a是本发明实例中所述最佳参数终选等高线图；
图4b是本发明实例中所述最佳参数终选三维视图；
图5是本发明实例中所述MATLAB模型训练结果图；
图6是本发明实例中所述预测标签结果图。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
本发明提供一种关于交叉验证(Cross Validation,CV)寻优支持向量机(SupportVector Machine,SVM)的沥青路面综合性能的评价方法，解决了现有评价方法PQI计算不涉及路面结构强度指数、各指标权重确定不能完全适用于具体地区、不能准确客观反映路面整体水平的问题。
本发明一种沥青路面综合性能的评价方法，如图1所示，包括以下步骤，
步骤1：通过多功能道路检测车对沥青路面性能数据进行采集，对采集到的数据进行可视化，绘制箱式图，如图2所示，对采集数据进行剔除异常处理。
其中，沥青路面性能数据包括不同路段路面损坏状况指数(Pavement SurfaceCondition Index，PCI)、路面行驶质量指数(Pavement Riding Quality Index，PQI)、路面车辙深度指数(Pavement Rutting Depth Index，RDI)、路面跳车指数(Pavement BumpingIndex，PBI)、路面磨耗指数(Pavement Surface Wearing Index，PWI)、路面抗滑性能指数(Pavement Skidding Resistance Index，SRI)、路面结构强度指数(Pavement StructureStrength Index，PSSI)等。
其计算方法为：
损坏状况指数(PCI)
PCI＝100-15DR0.412
式中：DR——路面破损率；
Ai——第i类路面损坏的面积(m2)；
wi——第i类路面损坏的权重。
路面行驶质量指数(RQI)
为了评价道路行车者在道路行驶的舒适程度，一般采用道路的平整度指数来表示，计算公式：
其中，IRI是指国际平整度指数。
车辙深度指数(RDI)
其中，RD为车辙深度。
路面抗滑指数(SRI)
其中，SFC为横向力系数。
结构强度指数(PSSI)
式中：ld——设计弯沉；l0——实测弯沉。
路面跳车指数(PBI)应下式计算：
式中：PBi——第i类程度的路面跳车数。
ai——第i类程度的路面跳车单位扣分；
i——路面跳车程度；
i0——路面跳车程度总数，取3。
路面磨耗指数(PWI)
应按式下计算：
式中：WR——路面磨耗率(％)；
a0——模型参数，采用1.696；
a1——模型参数，采用0.785；
MPD——路面构造深度(mm)；
MPDC——路面构造深度基准值，采用无磨损的车道中线路面构造深度(mm)；
MPDL——左轮迹带的路面构造深度(mm)；
MPDR——右轮迹带的路面构造深度(mm)。
步骤2：根据《公路技术状况评定标准》(JTG 5210-2019)中公路技术状况分项指标等级划分标准，确定训练集以及训练标签。根据步骤1中收集到的数据，确定测试集和测试标签。
公路技术状况分项指标等级划分标准为：
其中训练集及训练标签确定方法如下：
训练集：采用上表等级评价标准，具体方法为：将优、良、中、次、差五个等级中的SRI、RDI、RQI、PCI、PSSI、PBI、PWI等指标，运用MATLAB中rand()函数在其对应的区间中产生10个随机数。训练集train_date其为一个m×n的矩阵，m为训练集的数目，n为维数。
训练标签：评价为优的标签为1，良的标签为2，中的标签为3，次的标签为4，差的标签为5。训练标签，train_label其为一个m×1矩阵，m为标签样本数。
测试集：测试集为所要评价路段SRI、RDI、RQI、PCI、PSSI、PBI、PWI等指标数据。测试集test_date其为M×n矩阵，M为测试集的个数，n为维数。
步骤3：采用核函数，替代高维空间的内积运算，并将第三步中的训练集数据通过交叉验证得到最佳的惩罚参数c及核函数参数g。此步骤可以在libsvm3.20工具包中SVMcgForRegress函数中进行计算，需要输入训练集及训练标签，便可以得出最佳参数。
其中，核函数的公式为：
K(xi,xj)＝exp(-g||xi-xj||2),g>0
式中：xi,xj分别为第i，j样本。
交叉验证方法为：将原始数据平均分为K组，将每组数据分别一次作为验证集，其余K-1组数据作为训练集，得到K个核函数模型，然后用着K个核函数模型最终验证集的分类准确率的平均数作为此模型的性能指标。
步骤4：根据约束函数求的决策函数参数ai及b。在约束条件下，为获得ai值，对二次优化方程求解。由/>得出b的值。其中l为训练集的数量，xi，xi为输入的训练集样本，K(xi·xj)为核函数，yi,yj为训练标签。
本过程通过libsvm3.20工具包中svmtrain函数进行计算,该函数需要输入训练集数据,训练标签,以及第四步中求得的最佳惩罚参数c及核函数参数g。
步骤5：建立路面性能优、良、中、次、差分类器，得到决策函数，同时对第三步中的测试集进行分类,其具体参数可以在MATLAB中的model中查询。本过程通过libsvm3.20工具包中svmpredict函数进行计算，此过程需要输入测试集数据和决策函数，最终得到预测标签，如图6所示。
具体的，本发明一种沥青路面综合性能的评价方法，包括以下步骤:
步骤1，通过多功能车对高速路路面性能数据进行采集，得到路面PCI、PQI、RDI、PBI、PWI、SRI、PSSI数据。对采集到的数据绘制箱式图。
步骤2，训练集：采用上表等级评价标准，具体方法为：将优、良、中、次、差五个等级中的SRI、RD、RQI、PCI、SSI等指标，运用MATLAB中rand()函数在其对应的区间中产生10个随机数。训练集train_date其为一个m×n的矩阵，m为训练集的数目，n为维数。
训练标签：评价为优的标签为1，良的标签为2，中的标签为3，次的标签为4，差的标签为5。训练标签，train_label其为一个m×1矩阵，m为标签样本数。
测试集：测试集为所要评价路段SRI、RD、RQI、PCI、SSI等指标数据。测试集test_date其为M×n矩阵，M为测试集的个数，n为维数。
步骤3：交叉验证方法过程在MATLAB中的libsvm3.20中SVMcgForRegress函数实现的，首先c和g进行初选，通过初选，将c与g的取值范围缩小，最终得出最佳参数。
步骤4：在MATLAB中的libsvm3.20工具中svmtrain函数,计算ai及b。
其中具体程序为：
cmd＝['-s0 -t2 -c -g']；
model＝svmtrain(train_labels,train_data,cmd)；
其中：s为模型参数，SVM分类时，s＝0；
t为核函数类型，t＝2，核函数为径向基核函数；
步骤5：将步骤五中的决策函数模型，以及测试集数据代入svmpredict函数。其实现程序为：
[predict_label，accuracy，desive]＝svmpredict(test_labels，test_data，model)；
具体实施例：
步骤1、路面性能数据采集
2017年广东省某高速公路沥青路面23个养护路段所采集的路面分项指标，由于新的公路技术状况评定标准是在今年新颁布，还未有新的检测数据，因此在对比时采用07版评定标准进行计算分析。
23个养护路段各指标检测值
步骤2、绘制箱式图，剔除异常值，本优选实例中无异常值无需剔除。
步骤3、由于在该高速各单项指标均大于80，因此,在模型建立时，只选择为优、良、中三个等级。其中，优等的标签为1，良等的标签为2，中等的标签为3。以优等为例，训练集及测试集标签如下表所示：
优等训练集及标签
其中训练集
train_date＝[100 100 100 100 100；91 93.1 90.3 98 97.7；95 92.5 94.590.4 95.3；93 91.4 91.5 98.5 91.1；91.5 90.8 98.5 99.7 92.1；98.1 98.2 99.1 91.493.4；90.2 94.6 94.1 90.9 91.2；93.4 92.4 97.5 90.1 93.4；97.4 98.5 90.8 90.396.3；90 90 90 90 90；89 89 89 89 89；88.11 83.47 81.25 84.48 80.14；87.14 84.4280.03 86.12 88.02；80.91 88.82 83.12 87.19 82.53；84.02 87.27 80.36 82.62 85.9；82.55 88.22 81.89 81.47 83.84；81.98 80.31 83.21 80.3 86.3；88.75 81.64 84.7982.32 86.98；88.92 80.06 86.31 81.79 87.29；80 80 80 80 80；79 79 79 79 79；77.0270.74 75.9 77.69 74.74；75.67 75.32 74.07 70.54 70.24；76.76 71.27 74.35 78.7470.75；70.62 70.42 76.03 75.01 72.82；71.96 75.77 72.98 73.72 75.91；77.4 72.3571.2 72.27 76.48；73.95 78 78.11 77.1 70；70 75.59 72.98 77.21 77.32；70 70 7070 70]
train_label＝[1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 33 3]'
test_date＝[95.6 91.5 83.3 85.6 80.7；92.4 91.5 87.9 82.1 96.6；81.289.5 85.1 84.6 90.4；85.6 89.5 84.7 82.4 85.5；85.3 90.1 86.4 83.5 95.6；81.889.6 75.8 82.44 96.6；91.4 89.6 89.7 94.6 96.2；93.4 91.4 87.9 95.6 83.5；86.785.8 89 90.7 94.4；94.3 93.6 86.5 93.5 95.7；80.4 90.5 85.8 82.1 96.6；91.5 89.888.9 90.11 97.4；89.4 89.1 87.6 89 90.5；95.6 93.6 85.7 79.6 91.5；84.5 90.286.7 95.6 81.5；73.1 90.6 84.5 88.9 87.6；72.3 90.5 83.1 89.4 90.5；80.8 89.585.8 86.7 97.7；81.5 87.8 85.6 90.55 95.6；78.6 88.9 76.7 86.8 81.4；78.9 87.682.3 86.5 95.7；90.3 88.5 87.9 78.9 96.6；93.1 90.3 88.9 95.7 95.6]；
步骤4、交叉验证方法过程在MATLAB中的libsvm3.20中实现的，具体确定方法为：横坐标轴表示c取以2为底的对数后的值，纵坐标轴表示g取以2为底的对数后的值，等高线表示c和g在范围内的准确率，当准确率最大时，相应的c和g为最佳。首先c和g进行初选，如图3a和图3b所示，取值范围为2^(-20)～2^(20)之间，当准确率90％时，最佳惩罚参数c＝1.9314，g＝1。通过初选，将c的取值范围缩小在2^(-4)～2^(1)之间，g的取值范围缩小在2^(-6)～2^(6)之间，同时降低等高线与三维视图中变化间隔，当准确率93.33％时，最佳惩罚参数c＝0.0625，g＝2；如图4a和图4b所示。
步骤5、在MATLAB中的libsvm3.20工具中,计算ai及b，参数可在MATLAB输出模型参数进行查询，见图5。
步骤6、得出决策函数：
其中：当标签为1时，b*＝3.752；为2时，b*＝1.621；为3时，b*＝1.818；c,g为选择好的最佳参数值。各参数均可在输出结果中得到。最终得出predict_lable。结果见下表。
可以发现在23个养护路段中，有4个养护路段评价不一致，分别为养护路段4、5、20、22，以养护路段4为例，该段养护路段SRI、RDI、PCI、PSSI为85.29、86.77、88.55、87.75均小于90，但RQI值为94.16，且该指标权重所占比例为0.4，因此，在标准评价过程中，该养护路段评价为优，而使用支持向量机对该段高速评价为良，更符合实际。整条高速RQI值都落在了94至96这个区间，如若整条高速按照这种标准评定，只要其他指标值都大于80，评价结果都可能为优，这显然不合理。因次，使用支持向量机建立的沥青路面综合评价更为合理。

Claims (2)

1.一种沥青路面综合性能的评价方法，其特征在于，包括以下步骤：
步骤1，对沥青路面通过多功能道路检测车进行性能数据采集，选取对应公路状况指标等级划分标准中的数据作为测试集；所述沥青路面的性能数据包括SRI、RDI、RQI、PCI、PSSI、PBI和PWI；
步骤2，根据n个公路状况指标等级划分标准，确定训练标签，并在训练标签对应的每个公路状况指标的不同等级中随机选取m个随机数，得到m×n的一个矩阵作为训练集；
其中训练集及训练标签确定方法如下：
训练集：采用公路技术状况分项指标等级划分标准，具体方法为：将优、良、中、次、差五个等级中的SRI、RDI、RQI、PCI、PSSI、PBI、PWI等指标，运用MATLAB中rand()函数在其对应的区间中产生10个随机数；训练集train_date其为一个m×n的矩阵，m为训练集的数目，n为维数；
训练标签：评价为优的标签为1，良的标签为2，中的标签为3，次的标签为4，差的标签为5；训练标签，train_label其为一个m×1矩阵，m为标签样本数；
测试集：测试集为所要评价路段SRI、RDI、RQI、PCI、PSSI、PBI、PWI等指标数据；测试集test_date其为M×n矩阵，M为测试集的个数，n为维数；
步骤3，采用核函数将训练集中的数据由低维空间升维至高维空间进行内积运算，在高维空间下将训练集和训练标签数据通过交叉验证得到最佳的惩罚参数c及核函数参数g，从而得到对应的约束条件和核函数；其中，采用MATLAB中的libsvm3.20工具包中SVMcgForRegress函数中进行计算，输入训练集及训练标签，得出最佳参数；
所述核函数为：
K(xi,xj)＝exp(-g||xi-xj||2),g＞0
式中：xi，xj分别为输入的第i，j训练集样本；
所述交叉验证方法为：将高维空间中的原始数据平均分为K组，将每组数据分别一次作为验证集，其余K-1组数据作为训练集，得到K个核函数模型，然后用着K个核函数模型最终验证集的分类准确率的平均数作为核函数模型的性能指标，从而得到最佳惩罚参数c及核函数参数g；
步骤4，根据约束条件求得决策函数参数ai，根据核函数、训练集和训练标签求得决策函数参数b，从而根据决策函数参数ai及b建立决策函数如下；
其中，l为训练集的数量，xi为输入的训练集样本，yi为训练标签，x为输入的测试集样本；采用MATLAB中的libsvm3.20工具包中svmtrain函数进行计算，输入训练集数据，训练标签，以及最佳惩罚参数c及核函数参数g；
在约束条件下，为获得ai值，对二次优化方程求解；
由得出b的值；
其中，l为训练集的数量，xi，xi为输入的训练集样本，K(xi·xj)为核函数，yi,yj为训练标签；
步骤5，根据步骤4中的决策函数，分别建立针对训练标签的分类器，将测试集中的数据输入到对应的分类器中，使用支持向量机对对应的每个公路状况进行评价，得到沥青路面综合性能的评价标签；其中，采用MATLAB中的libsvm3.20工具包中svmpredict函数进行计算，输入测试集数据和决策函数，最终得到预测的沥青路面综合性能的评价标签。
2.根据权利要求1所述的一种沥青路面综合性能的评价方法，其特征在于，所述步骤1中还包括对采集到的数据进行可视化，绘制箱式图，剔除采集数据中的异常值。
CN201911420814.XA 2019-12-31 2019-12-31 一种沥青路面综合性能的评价方法 Active CN111062648B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911420814.XA CN111062648B (zh) 2019-12-31 2019-12-31 一种沥青路面综合性能的评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911420814.XA CN111062648B (zh) 2019-12-31 2019-12-31 一种沥青路面综合性能的评价方法

Publications (2)

Publication Number Publication Date
CN111062648A CN111062648A (zh) 2020-04-24
CN111062648B true CN111062648B (zh) 2023-10-27

Family

ID=70306019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911420814.XA Active CN111062648B (zh) 2019-12-31 2019-12-31 一种沥青路面综合性能的评价方法

Country Status (1)

Country Link
CN (1) CN111062648B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639837B (zh) * 2020-04-30 2023-02-10 同济大学 路网服役性能评价方法、装置、存储介质及终端
CN111882189B (zh) * 2020-07-16 2022-07-05 武汉理工大学 一种沥青路面的非显性结构完整性评估方法
CN112529386B (zh) * 2020-12-02 2024-05-28 长沙理工大学 一种沥青路面使用性能定量确定方法
CN113052470B (zh) * 2021-03-30 2024-03-05 阜阳师范大学 沥青路面施工均匀性评价方法及系统
CN114324143B (zh) * 2021-12-14 2023-12-12 东南大学 一种沥青路面纹理三维形状特性指标的测量方法
CN115797338B (zh) * 2023-02-02 2023-05-02 河北工业大学 基于双目视觉的全景路面多性能指标计算方法及系统
CN116797102A (zh) * 2023-07-21 2023-09-22 西安科技大学 一种基于iri的路面养护决策确定方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102495939A (zh) * 2011-10-21 2012-06-13 南京航空航天大学 基于核函数优化的支持向量机太阳翼展开可靠性评估方法
CN102945324A (zh) * 2012-11-13 2013-02-27 江苏科技大学 无刷直流电机的多模型最小二乘支持向量机建模方法
CN103091480A (zh) * 2013-01-07 2013-05-08 河北工业大学 基于熵权的地下道路沥青路面使用性能评价方法
CN103123654A (zh) * 2013-03-20 2013-05-29 南京道润交通科技有限公司 路面结构数据查询方法和系统
CN104463348A (zh) * 2014-11-11 2015-03-25 辽宁省交通科学研究院 一种沥青路面改造方案决策系统及方法
CN106840049A (zh) * 2016-12-16 2017-06-13 东南大学 基于内置三轴加速传感器智能手机的路面质量评级方法
CN107818237A (zh) * 2017-09-15 2018-03-20 南京道润交通科技有限公司 沥青路面破损状况的评价方法
CN108335002A (zh) * 2017-01-20 2018-07-27 亚信蓝涛（江苏）数据科技有限公司 一种可视化的道路养护大数据分析系统
JP2019016238A (ja) * 2017-07-07 2019-01-31 Kddi株式会社 運転車両信号から個人特性を特定しやすい道路区間を推定する推定装置、車両端末、プログラム及び方法
CN109584286A (zh) * 2019-01-22 2019-04-05 东南大学 一种基于广义回归神经网络的沥青路面构造深度计算方法
CN109933942A (zh) * 2019-03-26 2019-06-25 中冶华天南京电气工程技术有限公司 一种基于支持向量机的换热站温度控制模型建模方法
CN109978412A (zh) * 2019-04-10 2019-07-05 东南大学 一种沥青路面养护路段选取有效性的评价方法
WO2019223539A1 (zh) * 2018-05-24 2019-11-28 长安大学 一种评价半刚性基层沥青路面透层油施工工艺效果的方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102495939A (zh) * 2011-10-21 2012-06-13 南京航空航天大学 基于核函数优化的支持向量机太阳翼展开可靠性评估方法
CN102945324A (zh) * 2012-11-13 2013-02-27 江苏科技大学 无刷直流电机的多模型最小二乘支持向量机建模方法
CN103091480A (zh) * 2013-01-07 2013-05-08 河北工业大学 基于熵权的地下道路沥青路面使用性能评价方法
CN103123654A (zh) * 2013-03-20 2013-05-29 南京道润交通科技有限公司 路面结构数据查询方法和系统
CN104463348A (zh) * 2014-11-11 2015-03-25 辽宁省交通科学研究院 一种沥青路面改造方案决策系统及方法
CN106840049A (zh) * 2016-12-16 2017-06-13 东南大学 基于内置三轴加速传感器智能手机的路面质量评级方法
CN108335002A (zh) * 2017-01-20 2018-07-27 亚信蓝涛（江苏）数据科技有限公司 一种可视化的道路养护大数据分析系统
JP2019016238A (ja) * 2017-07-07 2019-01-31 Kddi株式会社 運転車両信号から個人特性を特定しやすい道路区間を推定する推定装置、車両端末、プログラム及び方法
CN107818237A (zh) * 2017-09-15 2018-03-20 南京道润交通科技有限公司 沥青路面破损状况的评价方法
WO2019223539A1 (zh) * 2018-05-24 2019-11-28 长安大学 一种评价半刚性基层沥青路面透层油施工工艺效果的方法
CN109584286A (zh) * 2019-01-22 2019-04-05 东南大学 一种基于广义回归神经网络的沥青路面构造深度计算方法
CN109933942A (zh) * 2019-03-26 2019-06-25 中冶华天南京电气工程技术有限公司 一种基于支持向量机的换热站温度控制模型建模方法
CN109978412A (zh) * 2019-04-10 2019-07-05 东南大学 一种沥青路面养护路段选取有效性的评价方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于模糊综合评价法的沥青路面技术状况评价与养护决策体系研究;张敏江;董是;冷连志;;沈阳建筑大学学报(自然科学版)(01);全文 *
李巧茹 ; 郭知洋 ; 王耀军 ; 陈亮 ; .基于PCA-SVM的高速公路沥青路面使用性能评价.北京工业大学学报.2018,(02),正文第2.1部分，第2.2部分和表1-2，图2. *
陈小琳 ; .高等级公路路面综合性能检测方法评价.福建交通科技.2011,(01),全文. *

Also Published As

Publication number Publication date
CN111062648A (zh) 2020-04-24

Similar Documents

Publication Publication Date Title
CN111062648B (zh) 一种沥青路面综合性能的评价方法
CN112201038B (zh) 一种基于单车不良驾驶行为风险的路网风险评估方法
WO2020244288A1 (zh) 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置
CN108664715B (zh) 一种路面积水车辙三维评价与行车安全分析方法
CN107330217B (zh) 一种基于rbfnn的中观油耗预测方法
CN110796859A (zh) 基于交通流的实时交通状态辨识及事故风险预警方法
CN106297285B (zh) 基于动态权重的高速公路交通运行状态模糊综合评价方法
Lin et al. Data mining and complex network algorithms for traffic accident analysis
CN101818476B (zh) 基于Internet B/S网络架构的沥青路面智能化养护系统
CN105426646B (zh) 桥梁智慧度综合评估指标选取及量化方法
CN113470362B (zh) 基于svr-dea模型的城市路段交通拥堵时空精准判别方法
CN109002622B (zh) 一种随机车流作用下大跨径桥梁总体荷载响应估算方法
CN114783183A (zh) 一种基于交通态势算法的监控方法与系统
CN113822387B (zh) 路面损坏状况指数预测方法、系统、设备及介质
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
CN112862279A (zh) 高速公路行车道路面状况评价方法
CN106780266B (zh) 基于主成分贡献度参数的事故热点内特性分析及行车指导方法
CN108764346A (zh) 一种基于熵的混合采样集成分类器
NL2032338B1 (en) Intelligent decision-making system for pavement maintenance and repair
CN116228131A (zh) 一种基于工地bim监控辅助方法
CN111062093A (zh) 一种基于图像处理和机器学习技术的汽车轮胎寿命预测方法
CN101702172A (zh) 一种基于类-属性关系依赖度的数据离散化方法
CN112884041A (zh) 一种基于养护历史路段划分方法、系统、设备及存储介质
CN111696350B (zh) 一种基于运营监测数据的电动公交车本地工况评价方法
CN113298409A (zh) 一种基于道路管养的预警机制的养护方法

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