CN111105332A - 一种基于人工神经网络的高速公路智能预养护方法及系统 - Google Patents

一种基于人工神经网络的高速公路智能预养护方法及系统 Download PDF

Info

Publication number
CN111105332A
CN111105332A CN201911314041.7A CN201911314041A CN111105332A CN 111105332 A CN111105332 A CN 111105332A CN 201911314041 A CN201911314041 A CN 201911314041A CN 111105332 A CN111105332 A CN 111105332A
Authority
CN
China
Prior art keywords
neural network
data
layer
road
maintenance
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
Application number
CN201911314041.7A
Other languages
English (en)
Other versions
CN111105332B (zh
Inventor
李家乐
殷国辉
闫卫喜
马国伟
王雪菲
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.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
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 Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN201911314041.7A priority Critical patent/CN111105332B/zh
Publication of CN111105332A publication Critical patent/CN111105332A/zh
Application granted granted Critical
Publication of CN111105332B publication Critical patent/CN111105332B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于人工神经网络的高速公路智能预养护方法，包括以下步骤：步骤1、采集第一层人工神经网络的输入特征和输出特征；步骤2、建立第一层人工神经网络，训练得到道路状况数据和道路破坏数据之间的因果关系的神经网络模型；步骤3、建立第二层决策树模型；步骤4、对从道路状况数据到养护决策有时间序列的两层神经网络模型构成的算法进行优化；步骤5、根据步骤4的优化算法，得到从路面损坏参数到道路预养护决策之间的规范。本发明能够提高预测精度和预测效率以及预测的前瞻性。

Description

一种基于人工神经网络的高速公路智能预养护方法及系统
技术领域
本发明属于公路养护技术领域，涉及高速公路智能养护方法，尤其是一种基于人工神经网络的高速公路智能预养护方法及系统。
背景技术
为了维修养护公路路面，我国路面养护管理部门不但耗费了很多人力而且还耗费了很多财力，因此在保证路面正常运行时，除了进行路面养护、路面管理体制的改革，增加路面养护资金外，还要对以往路面养护方法进行调整，由以前的路面损坏后进行修复的养护方法转变为路面的预防性养护，减缓路面的破损程度，减少路面养护的人力及资金的浪费。
对于传统的高速公路养护，还没有成为体系，在对于每年的道路例行监测和特殊路段的监测，再次进行图片分析，指标计算评估，往往具有滞后性；对于记录的数据分开存储，没有专门的系统的有条理的数据储存平台，年代久远的数据易丢失，导出数据难度大；分析数据方法传统，精确度不高，考虑因素单一，没有适合当地的精确的预养护规范遵循参照。
发明内容
本发明的目的在于克服现有技术的不足，提出一种设计合理、实用性强、预测精度和预测效率高的基于人工神经网络的高速公路智能预养护方法及系统
本发明解决其现实问题是采取以下技术方案实现的：
一种基于人工神经网络的高速公路智能预养护方法，包括以下步骤：
步骤1、采集第一层人工神经网络的输入特征和输出特征，其输入特征为道路状况数据，输出特征为道路破坏数据；
步骤2、根据步骤1采集的数据信息建立第一层人工神经网络，训练得到道路状况数据和道路破坏数据之间的因果关系的神经网络模型；
步骤3、建立第二层决策树模型，根据步骤2得到的第一层人工神经网络模型预测的道路破坏数据，预测是否需要对破坏道路进行预养护决策；
步骤4、对从道路状况数据到养护决策有时间序列的两层神经网络模型构成的算法进行优化；
步骤5、根据步骤4的优化算法，得到从路面损坏参数到道路预养护决策之间的规范。
而且，所述步骤1的输入特征为每日气温、每日降雨量、累计轴载次数和路龄；所述道路破坏数据为：路面损坏状况PCI、路面行驶质量RQI、路面车辙RDI、路面抗滑性能SRI和路面结构强度PSSI。
而且，所述步骤2的具体步骤包括：
(1)设定第一层神经网络的两层误差限并对特征值进行标准化处理，其中，第一层误差限用于监督训练集训练第一层神经网络过程，第二层误差限监督神经网络的泛化效果；
(2)设定超参数，利用训练集训练第一层神经网络，直到满足第一误差限；
(3)利用测试集测试神经网络，修改超参数直到满足第二误差限；
(4)保存神经网络模型，并导出可视化视图进行分析。
而且，所述步骤2第(1)步的具体步骤包括：
①纵向划分步骤1采集的道路状况数据和道路破坏数据，将道路状况数据作为特征值，道路破坏数据作为目标值；再横向分割道路状况数据和道路破坏数据为训练集和测试集；
②训练神经网络，初始化初始权重矩阵和阈值：
按照positive_unitball初始化的方法初始化权重矩阵和阈值，首先给权值赋值为在(0，1)之间的均匀分布，然后每一个权值再除以它们的和：
Pi＝range(0，1)[f(x)＝1]；Pj＝range(0，1)[f(x)＝10]
Figure BDA0002325322720000031
Figure BDA0002325322720000032
其中：P为中间变量；f(x)为密度函数；W为每相邻神经元之间的权值；m为神经元连接线的条数；b为各个神经元的阈值；n为神经元个数。
③设立神经网络的评价指标和误差限：
采用非常客观的均方根误差占比来表示：
Figure BDA0002325322720000033
其中：γ为均方根误差占比；
Figure BDA0002325322720000034
为估计样本目标值的均值；a为估计样本数目；yi为第i组数据的真实值；zi为第i组数据的预测值。
④对特征值和目标值进行标准化处理
Figure BDA0002325322720000036
上式中，x′为特征值处理后的特征值数值；x为处理前的特征值数据；μ为某一特征值在本列数据的均值；σ为某一特征值在本列数据的标准差。
而且，所述步骤2第(2)步的具体步骤包括：
①设立代价函数：
Figure BDA0002325322720000035
其中：L(a，y)为代价函数；a为真实值；y为估计值。
②激活函数使用符号σ表示，因此，第l层中第j个神经元的激活为：
Figure BDA0002325322720000041
其中：
Figure BDA0002325322720000042
为第l层中第j个神经元的输出；
Figure BDA0002325322720000043
为对应的权值；
Figure BDA0002325322720000044
为第l层中第j个神经元的阈值(偏置)；k为序列；
③利用链式求导法计算输出层误差计算结果为：
Figure BDA0002325322720000045
其中：
Figure BDA0002325322720000046
为输出层中第j个神经元的误差；V为网络层数；L为代价函数；σ′为激活函数的导函数；
Figure BDA0002325322720000047
为输出层第j个神经元的输出；
Figure BDA0002325322720000048
为输出层第j个神经元的输入。
④同理隐含层误差计算结果为：
Figure BDA0002325322720000049
其中：
Figure BDA00023253227200000410
为第l层中第j个神经元的误差；
Figure BDA00023253227200000411
为l+1层的第j个神经元的权值，δ为误差。
⑤权值和阈值的变化率计算结果为：
Figure BDA00023253227200000412
Figure BDA00023253227200000413
其中：
Figure BDA00023253227200000414
为代价函数对各个阈值的梯度；
Figure BDA00023253227200000415
为代价函数对各个权值的梯度。
⑥根据梯度下降法原理，朝着梯度的反方向更新参数：
Figure BDA0002325322720000051
Figure BDA0002325322720000052
其中：前面的
Figure BDA0002325322720000053
和后面的分别是每次迭代前后的阈值；前面和后面的
Figure BDA0002325322720000054
分别是每次迭代前后的权值；α为训练学习率，也就是每次迭代的大小程度。
每次数据训练迭代，都将计算一次均方根误差占比，若占比超过第一误差限的要求，则按照设定学习率和梯度最快的方式进行迭代权重矩阵和阈值矩阵，不断循环，直至精度满足第一误差限的要求。
而且，所述步骤2第(3)步的具体方法为：
神经网络满足第一误差限之后，保存神经网络权重矩阵和阈值矩阵，将测试集的数据输入生成神经网络进行计算，得到精度如果满足要求则输出神经网络；若精度不满足第二误差限，则通过修改超参数的方式直至测试集精度满足要求；通过手动修改上述的超参数预设值，运用控制变量法，控制两个超参数固定，变化第三个超参数观察测试集的均方根误差占比，找到最低值时的超参数；分别控制三组来降低测试集的误差直至低于第二误差限。
而且，所述步骤3的建立第二层决策树模型的具体步骤包括：
(1)计算确定养护方案的总信息熵:
Figure BDA0002325322720000055
其中：H(D)为养护方案的总信息熵；k为总养护方案数；Ck为实行该养护方案的样本数；D为样本总数；b为超参数，在后面的优化方法中会得到取值。
(2)计算每种养护方案在每一个破坏参数下的条件熵:
Figure BDA0002325322720000061
其中：H(D|A)为在破坏参数A下的养护条件熵；Di破坏参数A的在范围下的样本数；D为样本总数。
(3)计算每个破坏参数的信息增益，即减少养护决策的不确定因素；
g(D|A)＝H(D)-H(D|A)
其中：g(D|A)为每一种破坏参数的信息增益。
(4)根据每一个样本重复计算，按照每一个破坏参数的信息增益，训练得到破坏参数到养护方案之间的分类权重，直到测试集满足预设精度。
(5)生成可视化决策树神经网络，用于分析各种破坏参数对养护决策的影响。
而且，所述步骤4的的具体方法为：通过网格搜索或更新的数据对从道路状况数据到养护决策有时间序列的两层神经网络模型构成的算法进行优化。
一种基于人工神经网络的高速公路智能预养护系统，包括：电子档案模块、预测算法模块和养护决策模块；
所述电子档案模块用于采集第一层人工神经网络的输入特征和输出特征，其输入特征为道路状况数据，输出特征为道路破坏数据；
所述预测算法模块用于根据所采集的数据信息建立第一层人工神经网络，训练得到道路状况数据和道路破坏数据之间的因果关系的神经网络模型；建立第二层决策树模型，根据得到的第一层人工神经网络模型预测的道路破坏数据，预测是否需要对破坏道路进行预养护决策；对从道路状况数据到养护决策有时间序列的两层神经网络模型构成的算法进行优化；
所述养护决策模块用于根据优化算法，得到从路面损坏参数到道路预养护决策之间的规范。
本发明的优点和有益效果：
1、传统的人工神经网络预测总是预测道路破坏，即从道路数据出发预测破坏，或者是预测养护决策，即从破坏出发预测养护决策。而本发明建立了两层神经网络，第一层是从道路数据到破坏的人工神经网络，第二层是从破坏到养护决策的决策树神经网络，从而建立起了道路参数到养护决策的一整套预测系统，分层预测，多数据监督能提高养护决策的准确性，两层神经网络连接起来，有极大的实用性。
2、本发明将时间节点作为人工神经网络的输入，从该神经网络能直接得到未来具体时刻的破坏从而得到具体的养护方案，提高预测精度，提高预测效率，也提高了预测的前瞻性。
3、本发明建立以预测算法为核心的道路智能养护系统，有效的利用数据，并且建立数据、算法和养护之间的关系，相互影响，相互反馈，减少了人为主观性，增加了智能养护系统的客观性。
附图说明
图1是本发明的构建第一次神经网络模型的处理流程图；
图2是本发明的建立第二层决策树模型的处理流程图；
图3是本发明的基于人工神经网络的高速公路智能预养护系统的构成图。
具体实施方式
以下结合附图对本发明实施例作进一步详述：
一种基于人工神经网络的高速公路智能预养护方法，如图1所示，包括以下步骤：
步骤1、采集第一层人工神经网络的输入特征和输出特征，其输入特征为道路状况数据，输出特征为道路破坏数据；
在本实施例中，需要采集的数据为第一层人工神经网络(后面简称神经网络)的输入特征和输出特征。输入特征为每日气温；每日降雨量；累计轴载次数和路龄。其中气温，降雨量和路龄统一采集，而累计轴载次数需要按照道路的桩号分别采集。本发明将这些输入特征统称为道路状况数据。这里的路龄一方面是道路数据，另一方面表征一个时间节点，是本发明进行预测养护决策的一个决策指标。输出特征为道路各桩号的破坏状况，本发明采用道路破坏的五大评价指标来代表道路的破坏状况，分别为路面损坏状况(PCI)；路面行驶质量(RQI)；路面车辙(RDI)；路面抗滑性能(SRI)；路面结构强度(PSSI)。同样这些数据需要按照道路的桩号分别采集，我们称这些输出特征为破坏数据。
将这些这些数据按照预测要求的时间节点的方式进行存储，存储为excel文件格式。如养护方案需要精确到月份，则行索引为月份，列索引为月平均气温，月平均降雨量，累计轴载次数，当月路龄(单位为月)。不同桩号和不同时间节点都为不同的数据。存储的Excel文件称为源文件，源文件里的数据称为原始数据。
本发明通过步骤1得到可被神经网络训练的原始数据，并且以神经网络可以接受的格式存储。
步骤2、根据步骤1采集的数据信息建立第一层人工神经网络，训练得到道路状况数据和道路破坏数据之间的因果关系的神经网络模型；
在本实施例中，这一部分是将步骤1的数据作为输入和输出，训练得到道路状况数据和道路破坏数据之间的因果关系，即能够由未来某一时间节点的某一桩号道路数据能预测该桩号的破坏状况。
如图1所示，所述步骤2的具体步骤包括：
(1)设定第一层神经网络的两层误差限并对特征值进行标准化处理，其中，第一层误差限用于监督训练集训练第一层神经网络过程，第二层误差限监督神经网络的泛化效果；
所述步骤2第(1)步的具体步骤包括：
①纵向划分步骤1采集的道路状况数据和道路破坏数据，将道路状况数据作为特征值，道路破坏数据作为目标值；再横向分割道路状况数据和道路破坏数据为训练集和测试集；
在本实施例中，首先竖向分割原始数据，将原始数据按照列分为特征值和目标值，特征值即神经网络对的输入，为原始数据中的道路参数。目标值即神经网络的输出，为原始数据中的破坏；再横向分割原始数据，将数据按行的0.8：0.2的比例划分为训练集和测试集，训练集用来训练神经网络，一般较多，测试集用来测试生成的神经网络的精确度，反映神经网络的泛化能力，防止过拟合，一般较少。
②训练神经网络，初始化初始权重矩阵和阈值：
在本实施例中，权重是各个神经元之间的连接系数因子，在训练之前，需要先初步确定系数因子和激活函数的阈值，才能利用划分好的数据训练神经网络。又因为激活函数的存在，需要较小的权重和阈值。
按照positive_unitball初始化的方法初始化权重矩阵和阈值，首先给权值赋值为在(0，1)之间的均匀分布，然后每一个权值再除以它们的和：
Pi＝range(0，1)[f(x)＝1]；Pj＝range(0，1)[f(x)＝10]
Figure BDA0002325322720000091
Figure BDA0002325322720000092
其中：P为中间变量；f(x)为密度函数；W为每相邻神经元之间的权值；m为神经元连接线的条数；b为各个神经元的阈值；n为神经元个数。
③设立神经网络的评价指标和误差限：
神经网络的评价指标作用是用来评判神经网络拟合优劣，在神经网络的训练中可以利用误差限与评价指标进行对比来监督神经网络的各个步骤的质量。在神经网络建立结束，训练完成后，需要通过评价指标来对神经网络进行评估。同时神经网络的优化的程度也是通过对照评价指标的变化情况来评判的。本发明采用了非常客观的均方根误差占比来表示：
Figure BDA0002325322720000101
其中：γ为均方根误差占比；
Figure BDA0002325322720000102
为估计样本目标值的均值；a为估计样本数目；yi为第i组数据的真实值；zi为第i组数据的预测值。
设定两层误差限来监督训练过程，这里误差限的值就是利用均方根误差占比算出的评价指标，后面称之为精度。第一层误差限监督训练集训练神经网络过程，即超过误差限继续训练，在误差限之内完成训练集训练过程；第一层误差限的对象样本是测试集的数据，即上式当中的
Figure BDA0002325322720000104
a，yi和zi都来源于训练集，误差要求高，误差限应较小，设为5％；第二层误差限监督神经网络的泛化效果，超过误差限需要优化神经网络(具体的优化步骤在后面给出)，在误差限之内就完成了测试，神经网络建立完成。第二层误差限的对象样本是测试集的数据，即上式当中的
Figure BDA0002325322720000103
a，yi和zi都来源于测试集，误差要求相对较低，设为8％。
④对特征值和目标值进行标准化处理
由于特征值之间和目标值之间的不平衡，累计轴载次数数量级大，而平均降雨，平均温度等数量级较小，需要排除量纲对神经网络训练的影响。同时由于在采集数据时会存在一些特别大或者特别小的数据，称之为噪声数据，如果按照归一化方法处理特征值和目标值，效果会很不好，因此为了排除数据量纲和噪声数据对结果的影响，对特征值和目标值进行标准化处理，将数据映射在0附近的较小值，方法如下：
Figure BDA0002325322720000117
x′为特征值处理后的特征值数值；x为处理前的特征值数据；μ为某一特征值在本列数据的均值；σ为某一特征值在本列数据的标准差。
(2)设定超参数，利用训练集训练第一层神经网络，直到满足第一误差限：
①设立代价函数
代价函数在输出层根据预测值和真实值之间的差距计算出的公式，训练的过程就是降低代价函数的过程，每一个神经元与输出之间的代价函数采用均方误差损失：
Figure BDA0002325322720000111
其中：L(a，y)为代价函数；a为真实值；y为估计值。
②激活函数使用符号σ表示，因此，第l层中第j个神经元的激活为：
Figure BDA0002325322720000112
其中：
Figure BDA0002325322720000113
为第l层中第j个神经元的输出；
Figure BDA0002325322720000114
为对应的权值；
Figure BDA0002325322720000115
为第l层中第j个神经元的阈值(偏置)；k为序列。
③利用链式求导法计算输出层误差计算结果为：
Figure BDA0002325322720000116
其中：
Figure BDA0002325322720000121
为输出层中第j个神经元的误差；V为网络层数；L为代价函数；σ′为激活函数的导函数；
Figure BDA0002325322720000122
为输出层第j个神经元的输出；
Figure BDA0002325322720000123
为输出层第j个神经元的输入。
④同理隐含层误差计算结果为：
Figure BDA0002325322720000124
其中：
Figure BDA0002325322720000125
为第l层中第j个神经元的误差；
Figure BDA0002325322720000126
为l+1层的第j个神经元的权值，δ为误差。
⑤权值和阈值的变化率计算结果为：
Figure BDA0002325322720000127
Figure BDA0002325322720000128
其中：
Figure BDA0002325322720000129
为代价函数对各个阈值的梯度；
Figure BDA00023253227200001210
为代价函数对各个权值的梯度。
⑥根据梯度下降法原理，朝着梯度的反方向更新参数：
Figure BDA00023253227200001211
Figure BDA00023253227200001212
其中：前面的
Figure BDA00023253227200001213
和后面的分别是每次迭代前后的阈值；前面和后面的
Figure BDA00023253227200001214
分别是每次迭代前后的权值；α为训练学习率，也就是每次迭代的大小程度。在以上过程中，需要自己设定的超参数为：学习率大小，预取0.01；迭代次数，预取2000次；批处理数据大小(batch_size),预取72(每次迭代处理的数据数量)。
每次数据训练迭代，都将计算一次均方根误差占比，若占比超过第一误差限的要求，则按照设定学习率和梯度最快的方式进行迭代权重矩阵和阈值矩阵，不断循环，直至精度满足第一误差限的要求。
(3)利用测试集测试神经网络，修改超参数直到满足第二误差限：神经网络满足第一误差限之后，保存神经网络权重矩阵和阈值矩阵。将测试集的数据输入生成神经网络进行计算，得到精度如果满足要求则输出神经网络；若精度不满足第二误差限，则通过修改超参数的方式直至测试集精度满足要求。通过手动修改上述的超参数预设值，运用控制变量法，控制两个超参数固定，变化第三个超参数观察测试集的均方根误差占比，找到最低值时的超参数。分别控制三组来降低测试集的误差直至低于第二误差限。
(4)保存神经网络模型，并导出可视化视图进行分析；
保存神经网络，存于内地，便于加载。通过与tensorflow(高级API)链接，导出可视化结构图，便于分析神经网络。
步骤3、建立第二层决策树模型，根据步骤2得到的第一层人工神经网络模型预测的道路破坏数据，预测是否需要对破坏道路进行预养护决策；
第一层人工神经网络得到了道路破坏的预测，第二层决策树模型则是得到破坏到养护决策的预测。具体是利用第一层神经网络输出的结果，也就是破坏的五大路面评价参数作为特征值，采取的养护决策为目标值，得到从五大评价参数到养护措施的决策树函数，按一定比例划分训练集和测试集，训练模型并控制最后的误差。第一层人工神经网络和第二层决策树联系的养护预测系统的思路结构如图2所示。
决策树是用python的机器学习实现，仍然是需要划分数据集，训练分类权重，得到满足精度的养护决策树。
所述步骤3的建立第二层决策树模型的具体步骤包括：
(1)计算确定养护方案的总信息熵:
Figure BDA0002325322720000141
其中：H(D)为养护方案的总信息熵；k为总养护方案数；Ck为实行该养护方案的样本数；D为样本总数；b为超参数，在后面的优化方法中会得到取值。
(2)计算每种养护方案在每一个破坏参数(人工神经网络预测出的五大参数)下的条件熵:
Figure BDA0002325322720000142
其中：H(D|A)为在破坏参数A下的养护条件熵；Di破坏参数A的在范围下的样本数；D为样本总数。
(3)计算每个破坏参数的信息增益，即减少养护决策的不确定因素；
g(D|A)＝H(D)-H(D|A)
其中：g(D|A)为每一种破坏参数的信息增益。
(4)根据每一个样本重复计算，按照每一个破坏参数的信息增益，训练得到破坏参数到养护方案之间的分类权重。直到测试集满足预设精度。(这里的预设精度是决策准确度，设为90％)
(5)生成可视化决策树神经网络，用于分析各种破坏参数对养护决策的影响。
利用sklearn中的模块tree.expert_graphvilz()来可视化决策树神经网络，以此来分析各种破坏参数对养护决策的影响。
步骤4、对从道路状况数据到养护决策有时间序列的两层神经网络模型构成的算法进行优化；
在本实施例中，通过步骤2和步骤3得到了从道路数据到养护决策有时间序列的多层次的模型，这里我们称为算法，再对算法进行可视化，直观地分析算法流程。对于得到的神经网络可以不断优化，优化方法如下：
所述步骤4的的具体方法为：通过网格搜索或更新的数据对从道路状况数据到养护决策有时间序列的两层神经网络模型构成的算法进行优化。
其中，(1)通过网格搜索直接优化算法的方法为：
算法的优化是通过特定方法修改人工设定的超参数，从而达到误差最低的目的，这里的误差最低也是通过均方误差占比来评估(前面公式已经给出)。对神经网络设定几种超参数组合(超参数的种类前面已经给出)，每组参数都通过交叉验证的方式来进行评估，即以折数的方式划分训练集，得到多组精确度，取平均数得到这一组合的超参数下算法的精度，最终选择误差最小的一组超参数。
(3)通过更新的数据直接优化算法的方法为：
生成算法在大数据背景下，与数据和养护决策形成系统平台(具体后面给出解释)，会随着得到新的数据，生成算法的材料：道路数据发生变化，不断训练算法，会不断自我优化和更新。
步骤5、根据步骤4的优化算法，得到从路面损坏参数到道路预养护决策之间的规范。
在本实施例中，对建立的人工神经网络算法进行灵敏度分析，针对不同特征值下的路面损坏系数进行分析，找到破坏阈值，在阈值对应的时间节点进行预养护，会得到最大收益。
反复训练神经网络，得到特征值与阈值之间的关系，再综合预测的人工神经网络算法，得到最终的预养护体系。在这个过程中可以建立具体详细的从路面损坏参数到预养护各项决策之间的规范，这样的规范是建立在特定环境下的，具有当地特色的预养护标准。
本发明的基于人工神经网络的高速公路智能预养护系统，如图3所示，包括：电子档案模块、预测算法模块和养护决策模块；
所述电子档案模块用于采集第一层人工神经网络的输入特征和输出特征，其输入特征为道路状况数据，输出特征为道路破坏数据；
所述预测算法模块用于根据所采集的数据信息建立第一层人工神经网络，训练得到道路状况数据和道路破坏数据之间的因果关系的神经网络模型；建立第二层决策树模型，根据得到的第一层人工神经网络模型预测的道路破坏数据，预测是否需要对破坏道路进行预养护决策；对从道路状况数据到养护决策有时间序列的两层神经网络模型构成的算法进行优化；
所述养护决策模块用于根据优化算法，得到从路面损坏参数到道路预养护决策之间的规范。
在本实施例中，建立根据形成算法为核心的人工神经网络的高速公路智能预养护系统，构建数据可视化窗口，可实时观察分析可用数据库。
其中，电子档案模块的作用是存储数据。记录的数据种类包含建设期根数据和实时数据，建设期根数据包含了道路数据和施工数据；实时数据需要与传感器衔接，实时写入，包含的数据种类有：交通数据，水文数据和养护数据。存储的数据按照序列存储，分层次存储。第一层是时间层，按照时间顺序，记录道路的各种相关数据。不同数据对时间节点的要求不同，分别存储；第二层是桩号层，按照桩号序列记录各种数据。某些数据如水文数据对桩号序列不敏感，就统一标号处理。这里的电子档案对应的是步骤1中的数据采集，替代了数据采集的工作，可直接调出数据作为预测算法的原始数据。
其中，预测算法模块是一个主要以计算为主的，可短时存储的部分。可以短期存储输入数据源，自动对数据进行特征值处理，包括无量纲化，PCA降维，数据增强，数据清洗等，将记录的数据直接转化为能被神经网络识别并计算的模式，即为标准n维矩阵。将数据进行神经网络算法处理后，直接得到养护决策方案，将输出结果记录，并且可视化预测过程，可直接根据可视化结果对养护进行分析。并且这一部分是支持优化，监测神经网络计算，对于不合精度要求部分进行优化计算。这里的预测算法对应的是步骤2和步骤3的算法以及步骤4的算法优化，将电子档案中的数据转化为养护决策，为下一部分的养护提供支持。
通过算法结果的养护决策对道路进行定点定桩的特定方法养护。此过程还包含了养护成本的预估，养护细化方案的生成，养护具体安排。这一部分也会同时将养护过程中的各种数据记录，便于分析。这一部分根据步骤5中的分析结果和预养护标准，将预测算法的结果细化为具有时间，空间的具体方案，并将养护的数据再次存储在电子档案。
电子档案有两个接口，一个是记录数据接口，一个是导出接口。记录数据接口包含了源数据的记录和反馈数据的记录。反馈数据即养护系统的养护实施过程的各种数据。可执行实时存储功能；导出接口联系预测算法部分，建立函数直接调用机制，预测算法可对电子档案执行实时调用功能；预测算法的某些特征工程可对电子档案执行实时修改功能，当然源文件也会备份，这样的特征工程包括数据清洗；同时自身也具备计算前可视化功能，可视化通过图表展示，函数分析等。
预测算法将电子档案导入的数据计算，一方面修改电子档案数据，一方面产生养护决策传递给养护层，同时预测算法层还具有分析养护现状和制定养护规范的作用。根据预测结果，对道路基本参数，破坏和养护进行灵敏度分析：分析道路各层数据对破坏的影响，分析各种破坏对养护方案制定和实施的影响，从数据层到养护决策层的一系列规范的修改。
养护层对养护过程进行数据记录，反馈给电子档案，同时根据养护结果长期记录，也会反馈给预测算法，根据养护效果的优劣对养护算法进行各种参数的调整。最终形成了整个高速公路的养护系统，为行业质量管理提供标准化、信息化管理基础。
本发明的基于人工神经网络的高速公路智能预养护系统的搭建过程为：
1.建立大数据数据管理平台，本发明的预养护系统是以神经网络预测算法以及决策养护为核心的，因此我们的数据管理平台从数据收集，写入，分类，存储，调用各方面都是以神经网络需要为方向，并与神经网络的编程算法对接，即神经网络训练时可简易便捷得调用存储的数据。大数据管理平台时可实时存储，实时修改，实时训练。
所建立的预养护规范和高速公路大数据平台，对预养护系统的发展有重要意义。
2.进行神经网络环境搭建。搭建适应高速公路数据训练的神经网络环境，利用现有数据，不断的优化，提高处理数据的效果和精度，得到各个因素和养护间的相互关系，定性定量的分析输出结果。建立适应不同数据条件下的预测模块包，在不同场景下直接用程序导出。
3.在对往年数据进行深入挖掘，评估往年维护的恢复效果，利用大数据制定一套决策和评估的规范。
需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (9)

1.一种基于人工神经网络的高速公路智能预养护方法，其特征在于：包括以下步骤：
步骤1、采集第一层人工神经网络的输入特征和输出特征，其输入特征为道路状况数据，输出特征为道路破坏数据；
步骤2、根据步骤1采集的数据信息建立第一层人工神经网络，训练得到道路状况数据和道路破坏数据之间的因果关系的神经网络模型；
步骤3、建立第二层决策树模型，根据步骤2得到的第一层人工神经网络模型预测的道路破坏数据，预测是否需要对破坏道路进行预养护决策；
步骤4、对从道路状况数据到养护决策有时间序列的两层神经网络模型构成的算法进行优化；
步骤5、根据步骤4的优化算法，得到从路面损坏参数到道路预养护决策之间的规范。
2.根据权利要求1所述的一种基于人工神经网络的高速公路智能预养护方法，其特征在于：所述步骤1的输入特征为每日气温、每日降雨量、累计轴载次数和路龄；所述道路破坏数据为：路面损坏状况PCI、路面行驶质量RQI、路面车辙RDI、路面抗滑性能SRI和路面结构强度PSSI。
3.根据权利要求1所述的一种基于人工神经网络的高速公路智能预养护方法，其特征在于：所述步骤2的具体步骤包括：
(1)设定第一层神经网络的两层误差限并对特征值进行标准化处理，其中，第一层误差限用于监督训练集训练第一层神经网络过程，第二层误差限监督神经网络的泛化效果；
(2)设定超参数，利用训练集训练第一层神经网络，直到满足第一误差限；
(3)利用测试集测试神经网络，修改超参数直到满足第二误差限；
(4)保存神经网络模型，并导出可视化视图进行分析。
4.根据权利要求3所述的一种基于人工神经网络的高速公路智能预养护方法，其特征在于：所述步骤2第(1)步的具体步骤包括：
①纵向划分步骤1采集的道路状况数据和道路破坏数据，将道路状况数据作为特征值，道路破坏数据作为目标值；再横向分割道路状况数据和道路破坏数据为训练集和测试集；
②训练神经网络，初始化初始权重矩阵和阈值：
初始化权重矩阵和阈值，首先给权值赋值为在(0，1)之间的均匀分布，然后每一个权值再除以它们的和：
Pi＝range(0，1)[f(x)＝1]；Pj＝range(0，1)[f(x)＝10]
Figure FDA0002325322710000021
Figure FDA0002325322710000022
其中：P为中间变量；f(x)为密度函数；W为每相邻神经元之间的权值；m为神经元连接线的条数；b为各个神经元的阈值；n为神经元个数。
③设立神经网络的评价指标和误差限：
采用非常客观的均方根误差占比来表示：
Figure FDA0002325322710000023
其中：γ为均方根误差占比；
Figure FDA0002325322710000024
为估计样本目标值的均值；a为估计样本数目；yi为第i组数据的真实值；zi为第i组数据的预测值。
④对特征值和目标值进行标准化处理
Figure FDA0002325322710000025
上式中，x′为特征值处理后的特征值数值；x为处理前的特征值数据；μ为某一特征值在本列数据的均值；σ为某一特征值在本列数据的标准差。
5.根据权利要求3所述的一种基于人工神经网络的高速公路智能预养护方法，其特征在于：所述步骤2第(2)步的具体步骤包括：
①设立代价函数：
Figure FDA0002325322710000031
其中：L(a，y)为代价函数；a为真实值；y为估计值。
②激活函数使用符号σ表示，因此，第l层中第j个神经元的激活为：
Figure FDA0002325322710000032
其中：
Figure FDA0002325322710000033
为第l层中第j个神经元的输出；
Figure FDA0002325322710000034
为对应的权值；
Figure FDA0002325322710000035
为第l层中第j个神经元的阈值(偏置)；k为序列；
③利用链式求导法计算输出层误差计算结果为：
Figure FDA0002325322710000036
其中：
Figure FDA0002325322710000037
为输出层中第j个神经元的误差；V为网络层数；L为代价函数；σ′为激活函数的导函数；
Figure FDA0002325322710000038
为输出层第j个神经元的输出；
Figure FDA0002325322710000039
为输出层第j个神经元的输入。
④同理隐含层误差计算结果为：
Figure FDA00023253227100000310
其中：
Figure FDA00023253227100000311
为第l层中第j个神经元的误差；
Figure FDA00023253227100000312
为l+1层的第j个神经元的权值，δ为误差。
⑤权值和阈值的变化率计算结果为：
Figure FDA0002325322710000041
Figure FDA0002325322710000042
其中：
Figure FDA0002325322710000043
为代价函数对各个阈值的梯度；
Figure FDA0002325322710000044
为代价函数对各个权值的梯度。
⑥根据梯度下降法原理，朝着梯度的反方向更新参数：
Figure FDA0002325322710000045
Figure FDA0002325322710000046
其中：前面的
Figure FDA0002325322710000047
和后面的分别是每次迭代前后的阈值；前面和后面的
Figure FDA0002325322710000048
分别是每次迭代前后的权值；α为训练学习率，也就是每次迭代的大小程度。
每次数据训练迭代，都将计算一次均方根误差占比，若占比超过第一误差限的要求，则按照设定学习率和梯度最快的方式进行迭代权重矩阵和阈值矩阵，不断循环，直至精度满足第一误差限的要求。
6.根据权利要求3所述的一种基于人工神经网络的高速公路智能预养护方法，其特征在于：所述步骤2第(3)步的具体方法为：
神经网络满足第一误差限之后，保存神经网络权重矩阵和阈值矩阵，将测试集的数据输入生成神经网络进行计算，得到精度如果满足要求则输出神经网络；若精度不满足第二误差限，则通过修改超参数的方式直至测试集精度满足要求；通过手动修改上述的超参数预设值，运用控制变量法，控制两个超参数固定，变化第三个超参数观察测试集的均方根误差占比，找到最低值时的超参数；分别控制三组来降低测试集的误差直至低于第二误差限。
7.根据权利要求1所述的一种基于人工神经网络的高速公路智能预养护方法，其特征在于：所述步骤3的建立第二层决策树模型的具体步骤包括：
(1)计算确定养护方案的总信息熵:
Figure FDA0002325322710000051
其中：H(D)为养护方案的总信息熵；k为总养护方案数；Ck为实行该养护方案的样本数；D为样本总数；b为超参数，在后面的优化方法中会得到取值。
(2)计算每种养护方案在每一个破坏参数下的条件熵:
Figure FDA0002325322710000052
其中：H(D|A)为在破坏参数A下的养护条件熵；Di破坏参数A的在范围下的样本数；D为样本总数。
(3)计算每个破坏参数的信息增益，即减少养护决策的不确定因素；
g(D|A)＝H(D)-H(D|A)
其中：g(D|A)为每一种破坏参数的信息增益。
(4)根据每一个样本重复计算，按照每一个破坏参数的信息增益，训练得到破坏参数到养护方案之间的分类权重，直到测试集满足预设精度。
(5)生成可视化决策树神经网络，用于分析各种破坏参数对养护决策的影响。
8.根据权利要求1所述的一种基于人工神经网络的高速公路智能预养护方法，其特征在于：所述步骤4的的具体方法为：通过网格搜索或更新的数据对从道路状况数据到养护决策有时间序列的两层神经网络模型构成的算法进行优化。
9.如权利要求1至8任一权利要求所述的一种基于人工神经网络的高速公路智能预养护系统，其特征在于：包括：电子档案模块、预测算法模块和养护决策模块；
所述电子档案模块用于采集第一层人工神经网络的输入特征和输出特征，其输入特征为道路状况数据，输出特征为道路破坏数据；
所述预测算法模块用于根据所采集的数据信息建立第一层人工神经网络，训练得到道路状况数据和道路破坏数据之间的因果关系的神经网络模型；建立第二层决策树模型，根据得到的第一层人工神经网络模型预测的道路破坏数据，预测是否需要对破坏道路进行预养护决策；对从道路状况数据到养护决策有时间序列的两层神经网络模型构成的算法进行优化；
所述养护决策模块用于根据优化算法，得到从路面损坏参数到道路预养护决策之间的规范。
CN201911314041.7A 2019-12-19 2019-12-19 一种基于人工神经网络的高速公路智能预养护方法及系统 Active CN111105332B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911314041.7A CN111105332B (zh) 2019-12-19 2019-12-19 一种基于人工神经网络的高速公路智能预养护方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911314041.7A CN111105332B (zh) 2019-12-19 2019-12-19 一种基于人工神经网络的高速公路智能预养护方法及系统

Publications (2)

Publication Number Publication Date
CN111105332A true CN111105332A (zh) 2020-05-05
CN111105332B CN111105332B (zh) 2020-09-08

Family

ID=70422948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911314041.7A Active CN111105332B (zh) 2019-12-19 2019-12-19 一种基于人工神经网络的高速公路智能预养护方法及系统

Country Status (1)

Country Link
CN (1) CN111105332B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112131303A (zh) * 2020-09-18 2020-12-25 天津大学 基于神经网络模型的大规模数据沿袭方法
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
CN112252292A (zh) * 2020-10-15 2021-01-22 河北工业大学 一种基于人工神经网络的高速公路压实度实时监测方法
CN112862200A (zh) * 2021-02-20 2021-05-28 河北工业大学 一种高速公路施工质量全过程智能反馈优化方法
CN113065722A (zh) * 2021-05-08 2021-07-02 河北工业大学 一种基于深度学习的连续多步预测道路智能养护系统
CN113177611A (zh) * 2021-05-24 2021-07-27 河北工业大学 基于力学指标和人工神经网络的路面病害快速巡检方法
CN113177735A (zh) * 2021-05-25 2021-07-27 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
CN113267612A (zh) * 2021-05-17 2021-08-17 河北工业大学 土体含水率检测方法、检测系统及贯入装置
CN113918538A (zh) * 2021-10-14 2022-01-11 河北工业大学 一种基于人工神经网络的新建道路养护数据迁移系统
CN114118539A (zh) * 2021-11-11 2022-03-01 河北工业大学 一种基于微观单元性能预测的高速公路精准养护决策方法
CN115389812A (zh) * 2022-10-28 2022-11-25 国网信息通信产业集团有限公司 一种人工神经网络短路电流零点预测方法及预测终端
CN115964483A (zh) * 2022-07-20 2023-04-14 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
CN116050670A (zh) * 2023-03-31 2023-05-02 河北工业大学 一种基于数据驱动的道路养护决策方法及系统
CN116362714A (zh) * 2023-02-21 2023-06-30 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
CN116451544A (zh) * 2023-05-31 2023-07-18 南通大学 一种大功率高频变压器智能优化设计方法
CN116702069A (zh) * 2023-08-08 2023-09-05 北京中超伟业信息安全技术股份有限公司 一种基于状态感知的介质销毁的方法
CN117075549A (zh) * 2023-08-17 2023-11-17 湖南源达智能科技有限公司 基于人工神经网络的厂务控制方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
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
CN107871133A (zh) * 2017-12-27 2018-04-03 中公高科养护科技股份有限公司 边缘检测网络的优化方法、路面病害的识别方法及系统
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
CN108665093A (zh) * 2018-04-19 2018-10-16 东南大学 基于深度学习的高速公路交通事故严重度预测方法
CN109711722A (zh) * 2018-12-26 2019-05-03 江苏北极星交通产业集团有限公司 一种网级道路养护管理决策系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN107871133A (zh) * 2017-12-27 2018-04-03 中公高科养护科技股份有限公司 边缘检测网络的优化方法、路面病害的识别方法及系统
CN108665093A (zh) * 2018-04-19 2018-10-16 东南大学 基于深度学习的高速公路交通事故严重度预测方法
CN109711722A (zh) * 2018-12-26 2019-05-03 江苏北极星交通产业集团有限公司 一种网级道路养护管理决策系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谢峰: "基于GIS的高速公路路面管理智能决策模型研究", 《中国博士学位论文全文数据库 基础科学辑》 *

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112131303A (zh) * 2020-09-18 2020-12-25 天津大学 基于神经网络模型的大规模数据沿袭方法
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
CN112252292A (zh) * 2020-10-15 2021-01-22 河北工业大学 一种基于人工神经网络的高速公路压实度实时监测方法
CN112252292B (zh) * 2020-10-15 2021-05-28 河北工业大学 一种基于人工神经网络的高速公路压实度实时监测方法
CN112862200A (zh) * 2021-02-20 2021-05-28 河北工业大学 一种高速公路施工质量全过程智能反馈优化方法
CN112862200B (zh) * 2021-02-20 2022-08-02 河北工业大学 一种高速公路施工质量全过程智能反馈优化方法
CN113065722B (zh) * 2021-05-08 2022-07-01 河北工业大学 一种基于深度学习的连续多步预测道路智能养护系统
CN113065722A (zh) * 2021-05-08 2021-07-02 河北工业大学 一种基于深度学习的连续多步预测道路智能养护系统
CN113267612A (zh) * 2021-05-17 2021-08-17 河北工业大学 土体含水率检测方法、检测系统及贯入装置
CN113177611A (zh) * 2021-05-24 2021-07-27 河北工业大学 基于力学指标和人工神经网络的路面病害快速巡检方法
CN113177611B (zh) * 2021-05-24 2022-11-01 河北工业大学 基于力学指标和人工神经网络的路面病害快速巡检方法
CN113177735A (zh) * 2021-05-25 2021-07-27 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
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
CN113918538A (zh) * 2021-10-14 2022-01-11 河北工业大学 一种基于人工神经网络的新建道路养护数据迁移系统
CN113918538B (zh) * 2021-10-14 2024-05-14 河北工业大学 一种基于人工神经网络的新建道路养护数据迁移系统
CN114118539A (zh) * 2021-11-11 2022-03-01 河北工业大学 一种基于微观单元性能预测的高速公路精准养护决策方法
CN114118539B (zh) * 2021-11-11 2024-06-04 河北工业大学 一种基于微观单元性能预测的高速公路精准养护决策方法
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
CN115964483A (zh) * 2022-07-20 2023-04-14 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
CN115389812A (zh) * 2022-10-28 2022-11-25 国网信息通信产业集团有限公司 一种人工神经网络短路电流零点预测方法及预测终端
CN116362714A (zh) * 2023-02-21 2023-06-30 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
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
CN116050670A (zh) * 2023-03-31 2023-05-02 河北工业大学 一种基于数据驱动的道路养护决策方法及系统
CN116050670B (zh) * 2023-03-31 2023-06-06 河北工业大学 一种基于数据驱动的道路养护决策方法及系统
CN116451544A (zh) * 2023-05-31 2023-07-18 南通大学 一种大功率高频变压器智能优化设计方法
CN116451544B (zh) * 2023-05-31 2023-11-07 南通大学 一种大功率高频变压器智能优化设计方法
CN116702069B (zh) * 2023-08-08 2023-11-24 北京中超伟业信息安全技术股份有限公司 一种基于状态感知的介质销毁的方法
CN116702069A (zh) * 2023-08-08 2023-09-05 北京中超伟业信息安全技术股份有限公司 一种基于状态感知的介质销毁的方法
CN117075549B (zh) * 2023-08-17 2024-03-22 湖南源达智能科技有限公司 基于人工神经网络的厂务控制方法及系统
CN117075549A (zh) * 2023-08-17 2023-11-17 湖南源达智能科技有限公司 基于人工神经网络的厂务控制方法及系统

Also Published As

Publication number Publication date
CN111105332B (zh) 2020-09-08

Similar Documents

Publication Publication Date Title
CN111105332B (zh) 一种基于人工神经网络的高速公路智能预养护方法及系统
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN110782658B (zh) 一种基于LightGBM算法的交通量预测方法
CN110571792A (zh) 一种电网调控系统运行状态的分析评估方法及系统
CN111598352A (zh) 一种基于贝叶斯网络的混凝土梁式桥综合评估方法
CN111813084A (zh) 一种基于深度学习的机械装备故障诊断方法
CN108335487B (zh) 一种基于交通状态时序性的道路交通状态预测系统
CN114969953B (zh) 基于CatBoost-NSGA-Ⅲ的盾构下穿隧道优化设计方法及设备
CN111639783A (zh) 一种基于lstm神经网络的线损预测方法及系统
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN112016755A (zh) 输变电工程施工图通用设计造价标准化技术模块构建方法
WO2024001942A1 (zh) 一种基于mi-gra与改进pso-lstm的山区边坡位移预测方法
CN114015825B (zh) 基于注意力机制的高炉热负荷异常状态监测方法
CN112329990A (zh) 一种基于lstm-bp神经网络的用户用电负荷预测方法
Hu et al. A review on empirical methods of pavement performance modeling
CN114444660A (zh) 基于注意力机制和lstm的短期电力负荷预测方法
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN113408659A (zh) 一种基于数据挖掘的建筑能耗集成分析方法
CN115948964A (zh) 一种基于ga-bp神经网络的路面平整度预测方法
CN116109039A (zh) 一种数据驱动异常检测与预警系统
CN110781206A (zh) 一种学习拆回表故障特征规则预测在运电能表是否故障的方法
CN115545473A (zh) 一种基于lstm的生活垃圾投放趋势智能预测方法
CN112132334A (zh) 一种用于城市生活垃圾产量的预测方法
CN114548494A (zh) 一种可视化造价数据预测智能分析系统
CN112819087B (zh) 一种基于模块化神经网络的出水bod传感器异常检测方法

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