CN111177895A - 三折线形路面技术状况的预测模型的建立方法及系统 - Google Patents
三折线形路面技术状况的预测模型的建立方法及系统 Download PDFInfo
- Publication number
- CN111177895A CN111177895A CN201911286331.5A CN201911286331A CN111177895A CN 111177895 A CN111177895 A CN 111177895A CN 201911286331 A CN201911286331 A CN 201911286331A CN 111177895 A CN111177895 A CN 111177895A
- Authority
- CN
- China
- Prior art keywords
- road
- condition
- age
- index
- road surface
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012216 screening Methods 0.000 claims abstract description 17
- 230000000630 rising effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012423 maintenance Methods 0.000 description 10
- 238000012163 sequencing technique Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- 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
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开一种三折线形路面技术状况的预测模型的建立方法及系统。该方法包括:将道路区域内的具有相同路段特征的路段的多年的路面状况指数归类到同一特征集中;对每一特征集中的路面状况指数进行筛选,得到每一标准集;将路面状况指数对应的年份转化为路龄,将每一标准集中的相同路龄对应的路面状况指数归类为同一集合,得到标准集对应的路龄特征数据集;确定每一标准集对应的路龄特征数据集的路龄路况指数,得到标准集对应的路龄路况指数标准数据集;根据标准集对应的路龄路况指数标准数据集,计算两个拐点的坐标;根据标准集对应的路龄路况指数标准数据集以及两个拐点的坐标,建立三折线形路面技术状况的预测模型。本发明局限性低,准确度高。
Description
技术领域
本发明涉及道路检测技术领域,尤其涉及一种三折线形路面技术状况的预测模型的建立方法及系统。
背景技术
道路投入使用后,其使用性能就会在各种环境因素和行车荷载作用下,随着使用年限的增长而逐渐降低,当路面的使用性能降低到一定程度时,就必须采用相应的养护和改建措施。在公路养护管理工作中,为保证良好的服务水平,需定期对路面技术状况进行检测(主要指标检测频率为1年1次)。路面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,准确地预测出路面使用性能的变化可以为路面最佳时机的选择和养护计划的制订提供可靠依据,历来是公路管理部门十分重视的问题。
目前,许多国家和地区根据各自的需要和条件已经提出了多种形式的预测模型,我国各级公路养护管理机构使用的路面管理系统(CPMS)中所使用的性能预测模型为三折线形式,此模型认为路况性能的发展变化是分阶段的,将路面发展分为三个阶段,即初期、中期和末期。假设在每一个阶段内,路况衰变是比较一致的,预测曲线为线性的形式。对于路面工程师来讲,在选用此模型进行相关的养护决策分析,需要划分路面性能的发展阶段,同时确定各阶段的相关参数,也就是每个阶段内的线段的斜率。
为建立相应的路况预测模型,目前所采取的解决方案为专家调查法,不管是公路管理部门和科研机构,都有对路面进行深入研究的专家,通过仔细设计的问卷或问询,可以将专家在路面性能方面的经验以某种方式获取并表达,进而建立起路面状况与各变量之间的关系。具体程序是在当地工程师熟悉各路面性能指标的基础上,由当地工程师确定不同路面结构在不同交通量的作用下,提出在各阶段的衰变快慢以及各阶段末期的路面性能指标的参考值。
上述技术方案存在的主要缺点如下:一是模型建立所需参数的确定主要依赖于专家的经验,针对不同的环境条件应用具有局限性,缺少规范统一的决策程序,结果受专家主观性影响较大;二是对模型建立人员的技术能力要求高,需要具备道路工程相关经验,方法的适用性不强。
发明内容
本发明实施例提供一种三折线形路面技术状况的预测模型的建立方法及系统,以解决现有技术的模型具有局限性的问题。
第一方面,提供一种三折线形路面技术状况的预测模型的建立方法,包括:
选择一道路区域;
获取所述道路区域内的每一路段的多年的路面状况指数;
将所述道路区域内的具有相同路段特征的路段的多年的路面状况指数归类到同一特征集中;
对每一所述特征集中的路面状况指数进行筛选,得到每一标准集;
将所述路面状况指数对应的年份转化为路龄,且将每一所述标准集中的相同路龄对应的路面状况指数归类为同一集合,得到所述标准集对应的路龄特征数据集;
确定每一所述标准集对应的路龄特征数据集的路龄路况指数,得到所述标准集对应的路龄路况指数标准数据集;
根据所述标准集对应的路龄路况指数标准数据集,计算两个拐点的坐标;
根据所述标准集对应的路龄路况指数标准数据集以及所述两个拐点的坐标,建立所述具有相同路段特征的路段的三折线形路面技术状况的预测模型。
第二方面,提供一种三折线形路面技术状况的预测模型的建立系统,包括:
选择模块,用于选择一道路区域;
获取模块,用于获取所述道路区域内的每一路段的多年的路面状况指数;
第一归类模块,用于将所述道路区域内的具有相同路段特征的路段的多年的路面状况指数归类到同一特征集中;
筛选模块,用于对每一所述特征集中的路面状况指数进行筛选,得到每一标准集;
第二归类模块,用于将所述路面状况指数对应的年份转化为路龄,且将每一所述标准集中的相同路龄对应的路面状况指数归类为同一集合,得到所述标准集对应的路龄特征数据集;
确定模块,用于确定每一所述标准集对应的路龄特征数据集的路龄路况指数,得到所述标准集对应的路龄路况指数标准数据集;
计算模块,用于根据所述标准集对应的路龄路况指数标准数据集,计算两个拐点的坐标;
建立模块,用于根据所述标准集对应的路龄路况指数标准数据集以及所述两个拐点的坐标,建立所述具有相同路段特征的路段的三折线形路面技术状况的预测模型。
这样,本发明实施例,基于实际路况检测数据,易于获取且客观,受主观因素影响小,局限性低,模型的准确度高,降低了模型建立的技术门槛,使缺少经验的工程师同样能完成模型建立工作,可基于计算机实现自动计算,使效率大幅提升。
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是本发明实施例的三折线形路面技术状况的预测模型的建立方法的流程图;
图2是本发明实施例三折线形路面技术状况的预测模型的示意图;
图3是本发明实施例的三折线形路面技术状况的预测模型的建立系统的结构框图。
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三折线形路面技术状况的预测模型的建立方法。如图1所示,该建立方法包括如下的步骤:
步骤S101:选择一道路区域。
道路区域可以包含至少一个路段。选择的道路区域越大,包含的路段越多,则采集的样本数据可以越多,建立的预测模型更准。
步骤S102:获取道路区域内的每一路段的多年的路面状况指数。
路面状况指数可以是如下的一种:路面技术状况指数PQI、路面行驶质量指数RQI等等。应当理解的是,本发明实施例的路面状况指数并不以上述举例为限,还可以是其他指数。具体可根据实际需求选择一种路面状况指数。在本发明一具体的实施例中,选择PQI进行相关说明。
路面技术状况指数PQI指的是道路路面在预定设计年限内,在规定的气候条件下,达到预期功能要求,实现和保障各类车辆安全、经济、舒适和快速行驶的能力与属性,是对路面使用性能的总体评价指标。
路面行驶质量指数RQI是车辆行驶的舒适性评价指标,也是道路使用者对公共服务水平的主观感受,同时直接影响行车安全性和汽车油耗、机械磨损、行驶速度等,是对路面使用性能的分项评价指标。
一般的,相关部门会记录路段每年的路面状况指数(如PQI、RQI等等),通过查阅相关记录可以获取所需的路面状况指数。
应当理解的是,为更准确反应路段的情况,应获取最近数年的路面状况指数。获取的年份数可根据实际情况及经验确定。例如,可以获取至少12年的路面状况指数。
还应当理解的是,并不要求获取的每一路段的多年的路面状况指数的数量相同,也不要求必须是相同年份的路面状况指数,具体根据实际情况确定。例如,路段1可以获取2008-2015年路面状况指数,路段2可以获取2008-2014年的路面状况指数。
步骤S103:将道路区域内的具有相同路段特征的路段的多年的路面状况指数归类到同一特征集中。
其中,路段特征包括如下的至少一种:路面类型、技术等级、交通量。应当理解的是,路段特征并不以此为限,还可以根据实际需求选择其他的路段特征。本发明一优选的实施例中,路段特征为路面类型和技术等级,则一个特征集中的路面状况指数对应的路段具有相同的路面类型和技术等级。例如,路面类型可以是沥青路面、水泥路面等等,技术等级可以是一级公路、二级公路、三级公路等等。
步骤S104:对每一特征集中的路面状况指数进行筛选,得到每一标准集。
具体的,该步骤通过如下的过程实现:
一、判断特征集中的每一路段的路面状况指数是否逐年降低。
二、若特征集中的一路段的路面状况指数逐年降低,则将特征集中的一路段的路面状况指数归类到特征集对应的标准集中。
例如,对于起点桩号为3473的路段,通过步骤S102获取了2008~2012年的路面状况指数如表1所示,其路面状况指数逐年降低,则起点桩号为3473的路段的路面状况指数归类到特征集对应的标准集中。
表1标准集中的路面状况指数
三、若特征集中的一路段的路面状况指数不是逐年降低,则将特征集中的一路段的路面状况指数归类到特征集对应的疑集中。
例如,对于起点桩号为2307的路段,通过步骤S102获取了2008~2018年的路面状况指数如表2所示,其路面状况指数并没有逐年降低,而是有升有降,则起点桩号为2307的路段的路面状况指数归类到特征集对应的疑集中。
表2疑集中的路面状况指数
四、对特征集对应的疑集中的每一路段的路面状况指数进行筛选,将筛选后的每一路段的路面状况指数归类到特征集对应的标准集中。
具体的,该筛选的过程如下:
(1)将特征集对应的疑集中的每一路段的路面状况指数按照时间轴排序,得到每一路段的时间序列。
即对于一路段,按照年份从小到大排列该路段的路面状况指数。
(2)根据一路段的时间序列中存在的路面状况指数逐年上升的次数,将一路段的时间序列划分为至少一个疑集组。
具体的,可以有如下两种情况:
A、若一路段的时间序列中存在的路面状况指数逐年上升的次数为一次,则将一路段的时间序列作为一个疑集组。
例如,如表3所示的一个疑集中的两个路段的路面状况指数的数据。起点桩号K10的路段中,只有2009到2012年的路面状况指数逐年上升。起点桩号K20的路段中,只有2009到2014年的路面状况指数逐年上升。因此,这两个路段的路面状况指数逐年上升的次数为一次。这两个路段的所有路面状况指数各作为各自的一个疑集组。
表3一路段的时间序列作为一个疑集组的示例
B、若一路段的时间序列中存在的路面状况指数逐年上升的次数为至少两次,则将一路段的时间序列划分为至少两个疑集组。
应当理解的是,每个疑集组中的路面状况指数只存在一次逐年上升的情况。相邻两个疑集组之间的作为第二分界点的路面状况指数不小于第二分界点之前的路面状况指数,且大于第二分界点之后的路面状况指数。第二分界点位于相邻两个疑集组中的前一疑集组中。
例如,如表4所示的一个疑集中的一路段的路面状况指数的数据。起点桩号K30的路段中,2001到2006年的路面状况指数逐年上升,2008到2011年的路面状况指数逐年上升,2014到2019年的路面状况指数逐年上升。因此,这一路段的路面状况指数逐年上升的次数为三次。这一路段的所有路面状况指数按前述的划分标准可划分为三个疑集组。该三个疑集组分别为:
第一疑集组(2000-2006):95.4、94.8、95.0、95.2、95.4、95.6、95.8。
第二疑集组(2007-2011):95.4、95.0、95.2、95.4、95.6。
第三疑集组(2012-2019):95.0、94.8、94.6、94.8、95.0、95.2、95.4、95.6。
表4一路段的时间序列划分为至少两个个疑集组的示例
(3)按照疑集组的排序,依次判断一路段的每一疑集组中的路面状况指数是否满足一路段对应的第一条件和第二条件。
应当理解的是,有多个疑集组的情况下,疑集组的顺序是按照时间轴排列的。
具体的,该步骤包括如下的过程:
①将特征集对应的标准集中的每一路段的路面状况指数按照时间轴排序。
应当理解的是,本发明的技术方案针对的情况是特征集中至少有一个路段的路面状况指数是逐年下降的,因此,必然可以通过这至少一个路段帮助进行疑集的数据的筛选。即对于一路段,按照年份从小到大排列该路段的路面状况指数,如表5所示。
表5标准集中的每一路段的路面状况指数按照时间轴排列的示例
路段起点桩号 | 2008 | 2009 | 2010 | 2011 | 2012 | 2013 | 2014 |
K1 | 98.3 | 98.0 | 97.6 | 97.4 | 97.2 | 96.9 | 96.5 |
K2 | 97.8 | 97.5 | 97.2 | 96.8 | 96.4 | 96.0 | 95.8 |
②计算特征集对应的标准集中的每一路段的排序后的相邻两个路面状况指数的第一斜率以及相邻两个路面状况指数的第一距离。
其中,Xi+1和Xi表示标准集中相邻两个路面状况指数的年份,Yi+1和Yi表示标准集中相邻两个路面状况指数。应当理解的是,本发明实施例所述的“第一”、“第二”……,仅仅是为了区分,没有实际意义。
例如,K1路段,计算的第一斜率和第一距离如下:
对于(2008年,98.3)和(2009年,98.0),第一斜率为-0.3,第一距离为1.044。
对于(2009年,98.0)和(2010年,97.6),第一斜率为-0.4,第一距离为1.077。
对于(2010年,97.6)和(2011年,97.4),第一斜率为-0.2,第一距离为1.02。
对于(2011年,97.4)和(2012年,97.2),第一斜率为-0.2,第一距离为1.02。
对于(2012年,97.2)和(2013年,96.9),第一斜率为-0.3,第一距离为1.044。
对于(2013年,96.9)和(2014年,96.5),第一斜率为-0.4,第一距离为1.077。
K2路段,计算的斜率如下:
对于(2008年,97.8)和(2009年,97.5),第一斜率为-0.3,第一距离为1.044。
对于(2009年,97.5)和(2010年,97.2),第一斜率为-0.3,第一距离为1.044。
对于(2010年,97.2)和(2011年,96.8),第一斜率为-0.4,第一距离为1.077。
对于(2011年,96.8)和(2012年,96.4)),第一斜率为-0.4,第一距离为1.077。
对于(2012年,96.4)和(2013年,96.0),第一斜率为-0.4,第一距离为1.077。
对于(2013年,96.0)和(2014年,95.8),第一斜率为-0.2,第一距离为1.02。
③选择绝对值最小的第一斜率和绝对值最大的第一斜率作为第一区间的下限和上限,以及,最小的第一距离和最大的第一距离作为第二区间的下限和上限。
例如,对于上述的K1和K2路段的标准集,绝对值最小的第一斜率为0.2,绝对值最大的第一斜率为0.4,则第一区间为[0.2,0.4]。最小的第一距离为1.02,最大的第一距离为1.077,则第二区间为[1.02,1.077]。
④计算一路段的一疑集组中的连续M年上升的路面状况指数对应的第二斜率。
其中,Ymin表示连续M年上升的路面状况指数的最小值,Ymax表示连续M年上升的路面状况指数的最大值。应当理解的是,本发明实施例所述的连续M年的数量M指的是一组逐年上升的路面状况指数的数量,即从上升的最小值到上升的最大值的总数量。
⑤计算一路段的一疑集组中的连续M年上升的相邻两个路面状况指数对应的第二距离。
其中,XM,j+1和XM,j表示连续M年上升的相邻两个路面状况指数的年份,YM,j+1和YM,j表示连续M年上升的相邻两个路面状况指数。
例如,对于上述的K10路段的疑集组,(2009年,94.8)和(2010年,95.0)的第二距离(2010年,95.0)和(2011年,95.2)的第二距离(2011年,95.2)和(2012年,95.4)的第二距离
同样的,对于上述的K20路段的疑集组,相应的第二距离分别为:1.02、1.02、1.02、1.02、1.02。
同样的,对于上述的K30路段的第一疑集组,相应的第二距离分别为:1.02、1.02、1.02、1.02、1.02。
同样的,对于上述的K30路段的第二疑集组,相应的第二距离分别为:1.02、1.02、1.02。
同样的,对于上述的K30路段的第三疑集组,相应的第二距离分别为:1.02、1.02、1.02、1.02、1.02。
⑥判断第一斜率是否位于第一区间内,以及,第二距离是否均位于第二区间内。
⑦若第一斜率位于第一区间内,以及,第二距离均位于第二区间内,则确定一路段的一疑集组中的路面状况指数满足第一条件和第二条件。
例如,对于上述的K10路段的疑集组,第一斜率位于第一区间内,第二距离均位于第二区间内,K10路段的疑集组的路面状况指数满足第一条件和第二条件。
对于上述的K20路段的疑集组,第一斜率位于第一区间内,第二距离均位于第二区间内,K20路段的疑集组的路面状况指数满足第一条件和第二条件。
对于上述的K30路段的第一疑集组,第一斜率位于第一区间内,第二距离均位于第二区间内,K30路段的第一疑集组的路面状况指数满足第一条件和第二条件。
对于上述的K30路段的第二疑集组,第一斜率位于第一区间内,第二距离均位于第二区间内,K30路段的第二疑集组的路面状况指数满足第一条件和第二条件。
对于上述的K30路段的第三疑集组,第一斜率位于第一区间内,第二距离均位于第二区间内,K30路段的第三疑集组的路面状况指数满足第一条件和第二条件。
(4)若判断到一疑集组中的路面状况指数不满足第一条件和/或第二条件,则停止判断。
例如,对于上述的K30路段的第一疑集组、第二疑集组和第三疑集组。若判断到第一疑集组不满足第一条件和/或第二条件,则停止判断;若第一疑集组满足第一条件和第二条件,则判断第二疑集组,若第二疑集组不满足第一条件和/或第二条件,则停止判断;以此类推。应当理解的是,对于只有一个疑集组的情况下,若该疑集组不满足第一条件和第二条件,则判断结束。
(5)对于停止判断前得到的满足第一条件和第二条件的疑集组,若疑集组中的逐年上升的路面状况指数的数量不大于预设数量,则将每一疑集组中的路面状况指数归类到特征集对应的标准集中。
预设年数可根据经验选择。应当理解的是,本发明实施例所述的逐年上升的路面状况指数的数量指的是一组逐年上升的路面状况指数的数量,即从上升的最小值到上升的最大值的总数量。例如,预设年数为4年。
对于上述的K10路段的疑集组,逐年上升的路面状况指数的数量为4年,不大于预设年数,则K10路段的疑集组中的路面状况指数全部归类到特征集对应的标准集中。
对于上述的K20路段的第二疑集组,逐年上升的路面状况指数的数量为4年,不大于预设年数,则K20路段的第二疑集组中的路面状况指数全部归类到特征集对应的标准集中。
(6)对于停止判断前得到的满足第一条件和第二条件的疑集组,若疑集组中的逐年上升的路面状况指数的数量大于预设数量,则以疑集组中的路面状况指数逐年上升的第三年的路面状况指数为第一分界点,将疑集组中第一分界点以前的所有路面状况指数归类到特征集对应的标准集中。
应当理解的是,第一分界点以前包括第一分界点。
对于上述的K20路段的疑集组,逐年上升的路面状况指数的数量为6年,大于预设年数,则逐年上升的第三年为2011年(2009-2014逐年上升),第一分界点为95.2,K20路段的疑集组中的2008-2011年的路面状况指数95.4、94.8、95.0和95.2归类到特征集对应的标准集中。
对于上述的K30路段的第一疑集组,逐年上升的路面状况指数的数量为6年,大于预设年数,则逐年上升的第三年为2003年(2001-2006逐年上升),第一分界点为95.2,K30路段的第一疑集组中的2000-2003年的路面状况指数95.4、94.8、95.0、95.2归类到特征集对应的标准集中。
对于上述的K30路段的第三疑集组,逐年上升的路面状况指数的数量为6年,大于预设年数,则逐年上升的第三年为2016年(2014-2019逐年上升),第一分界点为95.0,K30路段的第三疑集组中的2012-2016年的路面状况指数95.0、94.8、94.6、94.8、95.0归类到特征集对应的标准集中。
通过上述的过程,最终得到了每一特征集对应的一个标准集,因此,每一标准集里的路段也是具有相同路段特征的路段。
步骤S105:将路面状况指数对应的年份转化为路龄,且将每一标准集中的相同路龄对应的路面状况指数归类为同一集合,得到标准集对应的路龄特征数据集。
具体的,该步骤包括如下的过程:
(1)将标准集中的路面状况指数按照对应的年份划分为每一年份的子集。
例如,表6所示的标准集中,可以划分的每一年份的子集如下:
2008年:95.4、95.2、95.0、94.9、94.8。
2009年:94.8、94.6、94.5、94.2、94.1。
2010年:95.0、94.8、94.0、93.8、93.7。
2011年:95.2、95.0、93.5、93.0、92.9。
表6一特征集对应的标准集示例
(2)将标准集的最小年份的子集中的路面状况指数按照从大到小的顺序排序后,计算前N个路面状况指数的平均值,得到参考阈值。
例如,N为4。应当理解的是,最小年份的子集中的路面状况指数是大于N的。例如,标准集的最小年份为2008年,N为4时,则计算前四个路面状况指数95.4、95.2、95.0、94.9的平均值为95.125。
(3)比较标准集的除最小年份的子集以外的其他年份的子集中的每一路面状况指数与参考阈值的大小关系。
(4)若其他年份的子集中的一路面状况指数不小于参考阈值,则将该路面状况指数转入最小年份的子集中。
应当理解的是,该路面状况指数转入最小年份的子集中,相应的也从原来的子集中删除。
例如,2011年的路面状况指数中的95.2大于95.125,则将2011年的子集中的95.2转入2008年的子集中,并在2011年的子集中删除95.2。
(5)以标准集的最小年份的子集的路龄为0,设置标准集的每一其他年份的子集对应的路龄为该子集对应的年份与最小年份的差。
例如,2008年对应的路龄为0,则2009年对应的路龄为1,2010年对应的路龄为2,2011年对应的路龄为3。
(6)将每一路龄对应的子集中的路面状况指数按照从大到小的顺序排列,得到标准集对应的每一路龄特征数据集。
例如,路龄为0的路龄特征数据集包括2008年的路面状况指数和转入的2011年的路面状况指数,按从大到小的顺序排列,即:95.4、95.2、95.2、95.0、94.9、94.8。
路龄为1的路龄特征数据集包括2009年的路面状况指数。按从大到小的顺序排列,即:94.8、94.6、94.5、94.2、94.1。
路龄为2的路龄特征数据集包括2010年的路面状况指数,按从大到小的顺序排列,即:95.0、94.8、94.0、93.8、93.7。
路龄为3的路龄特征数据集包括2011年的除已转入2008年的95.2以外的其他路面状况指数,按从大到小的顺序排列,即:95.0、93.5、93.0、92.9。
通过上述的过程,最终得到了每一标准集对应的路龄特征数据集,因此,每一标准集对应的路龄特征数据集的路段也是具有相同路段特征的路段。
步骤S106:确定每一标准集对应的路龄特征数据集的路龄路况指数,得到标准集对应的路龄路况指数标准数据集。
具体的,该步骤包括如下的过程:
(1)选择标准集对应的一路龄特征数据集中的第一四分位数到第三四分位数之间的路面状况指数作为路龄特征数据集对应的路龄路况代表集。
此处引入了四分位数的概念,其是公知概念,在此不再赘述。四分位数的确定方法采用了《统计学》第四版(贾俊平等著,中国人民大学出版社2009年11月第4版)90页公式4.3规定的计算方法。
例如,对于一路龄特征数据集:98.7、98.3、97.8、97.2,第一四分位数为98.7,第三四分位数为97.8,则路龄路况代表集为98.7、98.3、97.8。
(2)计算路龄路况代表集中的除排序第一的路面状况指数以外的其他所有路面状况指数的平均值,得到路龄路况指数。
例如,路龄路况代表集为98.7、98.3、97.8,其路龄路况指数为(98.3+97.8)/2=98.05。
(3)按照路龄路况指数对应的路龄从小到大的顺序,排列路龄路况指数,得到标准集对应的路龄路况指数标准数据集。
例如,表7示出了标准集对应的路龄路况指数标准数据集。
通过上述的过程,最终得到了每一标准集对应的路龄路况指数标准数据集,因此,每一标准集对应的路龄路况指数标准数据集的路段也是具有相同路段特征的路段。
步骤S107:根据标准集对应的路龄路况指数标准数据集,计算两个拐点的坐标。
具体的,该步骤可以通过如下的过程实现:
(1)获取标准集对应的路龄路况指数标准数据集中作为第三分界点的路龄路况指数的序号。
例如,C为8,则第三分界点对应的序号为4。例如,表7中,C为11,则第三分界点对应的序号为6。
(2)计算路龄路况指数标准数据集中第三分界点以前的相邻两个路龄路况指数之间的第三斜率。
应当理解的是,第三分界点以前包括第三分界点。
其中,Intk+1和Intk表示第三分界点以前的相邻两个路龄路况指数,Tk+1和Tk表示第三分界点以前的相邻两个路龄路况指数对应的路龄。
例如,计算的第三斜率如表7所示。
(3)将绝对值最大的第三斜率对应的相邻两个路龄路况指数中较小的路龄及较小的路龄对应的路龄路况指数分别作为第一拐点的横坐标和纵坐标。
如表7所示,路龄路况指数为94.35(路龄为1)和路龄路况指数为90.06(路龄为2),这两个路龄路况指数之间的第三斜率的绝对值为4.29,该第三绝对值最大,因此第一拐点A1的坐标为(1,94.35)。
(4)计算路龄路况指数标准数据集中第一拐点对应的路龄路况指数以后的相邻两个路龄路况指数之间的第四斜率。
应当理解的是,第一拐点对应的路龄路况指数以后包括第一拐点对应的路龄路况指数。
其中,Inth+1和Inth表示第一拐点对应的路龄路况指数以后的相邻两个路龄路况指数,Th+1和Th表示第一拐点对应的路龄路况指数以后的相邻两个路龄路况指数对应的路龄。
(5)将绝对值最大的第四斜率对应的相邻两个路龄路况指数中较小的路龄及较小的路龄对应的路龄路况指数分别作为第二拐点的横坐标和纵坐标。
如表7所示,路龄路况指数为83.28(路龄为7)和路龄路况指数为77.75(路龄为8),这两个路龄路况指数之间的第四斜率的绝对值为5.53,该第四绝对值最大,因此第二拐点A2的坐标为(7,83.28)。
表7路龄路况指数标准数据集的示例
步骤S108:根据标准集对应的路龄路况指数标准数据集以及两个拐点的坐标,建立具有相同路段特征的路段的三折线形路面技术状况的预测模型。
具体的,该步骤包括如下的过程:
(1)将标准集对应的路龄路况指数标准数据集中排序第一的路龄路况指数及对应的路龄分别作为三折线形路面技术状况的预测模型的三折线的第一点的纵坐标和横坐标。
例如,表7中的0作为第一点B1的横坐标,97.28作为第一点B1的纵坐标,即第一点B1的坐标为(0,97.28)。应当理解的是,按照三折线横坐标从小到大的顺序依次为第一折线、第二折线和第三折线。第一拐点是第一折线和第二折线的拐点,第二拐点是第二折线和第三折线的拐点。该第一点位于三折线中的第一折线上。
(2)将标准集对应的路龄路况指数标准数据集中排序最后的路龄路况指数及对应的路龄分别作为三折线形路面技术状况的预测模型的三折线的第二点的纵坐标和横坐标。
例如,表7中的10作为第二点B2的横坐标,74.86作为第二点B2的纵坐标,即第二点B2的坐标为(10,74.86)。第二点位于三折线的第三折线上。
(3)分别计算三折线形路面技术状况的预测模型的第一直线的斜率和截距,第二直线的斜率和截距,以及,第三直线的斜率和截距,建立具有相同路段特征的路段的三折线形路面技术状况的预测模型。
三折线形路面技术状况的预测模型为:
其中, (x1,y1)表示三折线的第一点B1的横坐标和纵坐标,(x2,y2)表示第一拐点A1的横坐标和纵坐标,(x3,y3)表示第二拐点A2的横坐标和纵坐标,(x4,y4)表示三折线的第二点B2的横坐标和纵坐标。应当理解的是,ax+b代表第一折线,cx+d代表第二折线,ex+f代表第三折线。
例如,根据表7,有如下计算结果:
因此,最终得到的三折线形路面技术状况的预测模型为:
得到三折线形路面技术状况的预测模型的示意图如图2所示。
应当理解的是,通过上述的过程,最终得到了道路区域的具有相同路段特征的路段的三折线形路面技术状况的预测模型。若该道路区域具有不同路段特征的路段,则不同路段特征的路段对应不同的三折线形路面技术状况的预测模型。
采用该模型进行路面技术状况的预测时,输入待预测年份的路龄。一般的,路段都会有一个建设年份(维修年份),则预测时,预测年份的路段的路龄为预测年份减去建设年份的差。例如,路段于2019年修建,那么预测2023年的数据,2023年的路龄为4,将4代入与该路段具有相同路段特征的路段的三折线形路面技术状况的预测模型,即可进行计算,预测2023年的路面状况指数。
综上,本发明实施例的三折线形路面技术状况的预测模型的建立方法,基于实际路况检测数据,易于获取且客观,受主观因素影响小,局限性低,模型的准确度高,降低了模型建立的技术门槛,使缺少经验的工程师同样能完成模型建立工作,可基于计算机实现自动计算,使效率大幅提升。
本发明实施例还公开了一种三折线形路面技术状况的预测模型的建立系统。如图3所示,该建立系统包括如下的模块:
选择模块301,用于选择一道路区域。
获取模块302,用于获取道路区域内的每一路段的多年的路面状况指数。
第一归类模块303,用于将道路区域内的具有相同路段特征的路段的多年的路面状况指数归类到同一特征集中。
筛选模块304,用于对每一特征集中的路面状况指数进行筛选,得到每一标准集。
第二归类模块305,用于将路面状况指数对应的年份转化为路龄,且将每一标准集中的相同路龄对应的路面状况指数归类为同一集合,得到标准集对应的路龄特征数据集。
确定模块306,用于确定每一标准集对应的路龄特征数据集的路龄路况指数,得到标准集对应的路龄路况指数标准数据集。
计算模块307,用于根据标准集对应的路龄路况指数标准数据集,计算两个拐点的坐标。
建立模块308,用于根据标准集对应的路龄路况指数标准数据集以及两个拐点的坐标,建立具有相同路段特征的路段的三折线形路面技术状况的预测模型。
优选的,筛选模块304包括:
判断子模块,用于判断特征集中的每一路段的路面状况指数是否逐年降低。
第一归类子模块,用于若特征集中的一路段的路面状况指数逐年降低,则将特征集中的一路段的路面状况指数归类到特征集对应的标准集中。
第二归类子模块,用于若特征集中的一路段的路面状况指数不是逐年降低,则将特征集中的一路段的路面状况指数归类到特征集对应的疑集中。
第三归类子模块,用于对特征集对应的疑集中的每一路段的路面状况指数进行筛选,将筛选后的每一路段的路面状况指数归类到特征集对应的标准集中。
优选的,第三归类子模块包括:
排序单元,用于将特征集对应的疑集中的每一路段的路面状况指数按照时间轴排序,得到每一路段的时间序列。
划分单元,用于根据一路段的时间序列中存在的路面状况指数逐年上升的次数,将一路段的时间序列划分为至少一个疑集组。
判断单元,用于按照疑集组的排序,依次判断一路段的每一疑集组中的路面状况指数是否满足一路段对应的第一条件和第二条件。
停止单元,用于若判断到一疑集组中的路面状况指数不满足第一条件和/或第二条件,则停止判断。
第一归类单元,用于对于停止判断前得到的满足第一条件和第二条件的疑集组,若疑集组中的逐年上升的路面状况指数的数量不大于预设数量,则将每一疑集组中的路面状况指数归类到特征集对应的标准集中。
第二归类单元,用于对于停止判断前得到的满足第一条件和第二条件的疑集组,若疑集组中的逐年上升的路面状况指数的数量大于预设数量,则以疑集组中的路面状况指数逐年上升的第三年的路面状况指数为第一分界点,将疑集组中第一分界点以前的所有路面状况指数归类到特征集对应的标准集中。
优选的,划分单元包括:
第一疑集子单元,用于若一路段的时间序列中存在的路面状况指数逐年上升的次数为一次,则将一路段的时间序列作为一个疑集组。
第二疑集子单元,用于若一路段的时间序列中存在的路面状况指数逐年上升的次数为至少两次,则将一路段的时间序列划分为至少两个疑集组。
其中,每个疑集组中的路面状况指数只存在一次逐年上升的情况,相邻两个疑集组之间的作为第二分界点的路面状况指数不小于第二分界点之前的路面状况指数,且大于第二分界点之后的路面状况指数,第二分界点位于相邻两个疑集组中的前一疑集组中。
优选的,判断单元包括:
排序子单元,用于将特征集对应的标准集中的每一路段的路面状况指数按照时间轴排序。
第一计算子单元,用于计算特征集对应的标准集中的每一路段的排序后的相邻两个路面状况指数的第一斜率以及相邻两个路面状况指数的第一距离。
选择子单元,用于选择绝对值最小的第一斜率和绝对值最大的第一斜率作为第一区间的下限和上限,以及,最小的第一距离和最大的第一距离作为第二区间的下限和上限。
第二计算子单元,用于计算一路段的一疑集组中的连续M年上升的路面状况指数对应的第二斜率。
第三计算子单元,用于计算一路段的一疑集组中的连续M年上升的相邻两个路面状况指数对应的第二距离。
判断子单元,用于判断第一斜率是否位于第一区间内,以及,第二距离是否均位于第二区间内。
确定子单元,用于若第一斜率位于第一区间内,以及,第二距离均位于第二区间内,则确定一路段的一疑集组中的路面状况指数满足第一条件和第二条件。
优选的,第二归类模块305包括:
划分子模块,用于将标准集中的路面状况指数按照对应的年份划分为每一年份的子集。
第一计算子模块,用于将标准集的最小年份的子集中的路面状况指数按照从大到小的顺序排序后,计算前N个路面状况指数的平均值,得到参考阈值。
比较子模块,用于比较标准集的除最小年份的子集以外的其他年份的子集中的每一路面状况指数与参考阈值的大小关系。
转入子模块,用于若其他年份的子集中的一路面状况指数不小于参考阈值,则将该路面状况指数转入最小年份的子集中。
设置子模块,用于以标准集的最小年份的子集的路龄为0,设置标准集的每一其他年份的子集对应的路龄为该子集对应的年份与最小年份的差;
第一排序子模块,用于将每一路龄对应的子集中的路面状况指数按照从大到小的顺序排列,得到标准集对应的每一路龄特征数据集。
优选的,确定模块306包括:
选择子模块,用于选择标准集对应的一路龄特征数据集中的第一四分位数到第三四分位数之间的路面状况指数作为路龄特征数据集对应的路龄路况代表集。
第二计算子模块,用于计算路龄路况代表集中的除排序第一的路面状况指数以外的其他所有路面状况指数的平均值,得到路龄路况指数。
第二排序子模块,用于按照路龄路况指数对应的路龄从小到大的顺序,排列路龄路况指数,得到标准集对应的路龄路况指数标准数据集。
优选的,计算模块307包括:
获取子模块,用于获取标准集对应的路龄路况指数标准数据集中作为第三分界点的路龄路况指数的序号。
第三计算子模块,用于计算路龄路况指数标准数据集中第三分界点以前的相邻两个路龄路况指数之间的第三斜率。
第一坐标子模块,用于将绝对值最大的第三斜率对应的相邻两个路龄路况指数中较小的路龄及较小的路龄对应的路龄路况指数分别作为第一拐点的横坐标和纵坐标。
第四计算子模块,用于计算路龄路况指数标准数据集中第一拐点对应的路龄路况指数以后的相邻两个路龄路况指数之间的第四斜率。
第二坐标子模块,用于将绝对值最大的第四斜率对应的相邻两个路龄路况指数中较小的路龄及较小的路龄对应的路龄路况指数分别作为第二拐点的横坐标和纵坐标。
优选的,建立块308包括:
第三坐标子模块,用于将标准集对应的路龄路况指数标准数据集中排序第一的路龄路况指数及对应的路龄分别作为三折线形路面技术状况的预测模型的三折线的第一点的纵坐标和横坐标。
第四坐标子模块,用于将标准集对应的路龄路况指数标准数据集中排序最后的路龄路况指数及对应的路龄分别作为三折线形路面技术状况的预测模型的三折线的第二点的纵坐标和横坐标。
建立子模块,用于分别计算三折线形路面技术状况的预测模型的第一直线的斜率和截距,第二直线的斜率和截距,以及,第三直线的斜率和截距,建立具有相同路段特征的路段的三折线形路面技术状况的预测模型。
(x1,y1)表示三折线的第一点的横坐标和纵坐标,(x2,y2)表示第一拐点的横坐标和纵坐标,(x3,y3)表示第二拐点的横坐标和纵坐标,(x4,y4)表示三折线的第二点的横坐标和纵坐标。
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,本发明实施例的三折线形路面技术状况的预测模型的建立系统,基于实际路况检测数据,易于获取且客观,受主观因素影响小,局限性低,模型的准确度高,降低了模型建立的技术门槛,使缺少经验的工程师同样能完成模型建立工作,可基于计算机实现自动计算,使效率大幅提升。
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)
1.一种三折线形路面技术状况的预测模型的建立方法,其特征在于,包括:
选择一道路区域;
获取所述道路区域内的每一路段的多年的路面状况指数;
将所述道路区域内的具有相同路段特征的路段的多年的路面状况指数归类到同一特征集中;
对每一所述特征集中的路面状况指数进行筛选,得到每一标准集;
将所述路面状况指数对应的年份转化为路龄,且将每一所述标准集中的相同路龄对应的路面状况指数归类为同一集合,得到所述标准集对应的路龄特征数据集;
确定每一所述标准集对应的路龄特征数据集的路龄路况指数,得到所述标准集对应的路龄路况指数标准数据集;
根据所述标准集对应的路龄路况指数标准数据集,计算两个拐点的坐标;
根据所述标准集对应的路龄路况指数标准数据集以及所述两个拐点的坐标,建立所述具有相同路段特征的路段的三折线形路面技术状况的预测模型。
2.根据权利要求1所述的建立方法,其特征在于,所述得到每一标准集的步骤,包括:
判断所述特征集中的每一路段的路面状况指数是否逐年降低;
若所述特征集中的一路段的路面状况指数逐年降低,则将所述特征集中的一路段的路面状况指数归类到所述特征集对应的标准集中;
若所述特征集中的一路段的路面状况指数不是逐年降低,则将所述特征集中的一路段的路面状况指数归类到所述特征集对应的疑集中;
对所述特征集对应的疑集中的每一路段的路面状况指数进行筛选,将筛选后的每一路段的路面状况指数归类到所述特征集对应的标准集中。
3.根据权利要求2所述的建立方法,其特征在于,所述将筛选后的每一路段的路面状况指数归类到所述特征集对应的标准集中的步骤,包括:
将所述特征集对应的疑集中的每一路段的路面状况指数按照时间轴排序,得到每一路段的时间序列;
根据所述一路段的时间序列中存在的路面状况指数逐年上升的次数,将所述一路段的时间序列划分为至少一个疑集组;
按照所述疑集组的排序,依次判断所述一路段的每一疑集组中的路面状况指数是否满足所述一路段对应的第一条件和第二条件;
若判断到一所述疑集组中的路面状况指数不满足所述第一条件和/或所述第二条件,则停止所述判断;
对于停止所述判断前得到的满足所述第一条件和所述第二条件的疑集组,若所述疑集组中的逐年上升的路面状况指数的数量不大于预设数量,则将所述每一疑集组中的路面状况指数归类到所述特征集对应的标准集中;
对于停止所述判断前得到的满足所述第一条件和所述第二条件的疑集组,若所述疑集组中的逐年上升的路面状况指数的数量大于预设数量,则以所述疑集组中的路面状况指数逐年上升的第三年的路面状况指数为第一分界点,将所述疑集组中所述第一分界点以前的所有路面状况指数归类到所述特征集对应的标准集中。
4.根据权利要求3所述的建立方法,其特征在于,所述将所述一路段的时间序列划分为至少一个疑集组的步骤,包括:
若所述一路段的时间序列中存在的路面状况指数逐年上升的次数为一次,则将所述一路段的时间序列作为一个疑集组;
若所述一路段的时间序列中存在的路面状况指数逐年上升的次数为至少两次,则将所述一路段的时间序列划分为至少两个疑集组,其中,每个所述疑集组中的路面状况指数只存在一次逐年上升的情况,相邻两个所述疑集组之间的作为第二分界点的路面状况指数不小于所述第二分界点之前的路面状况指数,且大于所述第二分界点之后的路面状况指数,所述第二分界点位于相邻两个所述疑集组中的前一疑集组中。
5.根据权利要求4所述的建立方法,其特征在于,所述依次判断所述一路段的每一疑集组中的路面状况指数是否满足所述一路段对应的第一条件和第二条件的步骤,包括:
将所述特征集对应的所述标准集中的每一路段的路面状况指数按照时间轴排序;
计算所述特征集对应的所述标准集中的每一路段的排序后的相邻两个路面状况指数的第一斜率以及相邻两个路面状况指数的第一距离,其中,第一斜率第一距离Xi+1和Xi表示标准集中相邻两个路面状况指数的年份,Yi+1和Yi表示标准集中相邻两个路面状况指数;
选择绝对值最小的第一斜率和绝对值最大的第一斜率作为第一区间的下限和上限,以及,最小的第一距离和最大的第一距离作为第二区间的下限和上限;
计算所述一路段的一疑集组中的连续M年上升的相邻两个路面状况指数对应的第二距离,其中,第二距离XM,j+1和XM,j表示连续M年上升的相邻两个路面状况指数的年份,YM,j+1和YM,j表示连续M年上升的相邻两个路面状况指数;
判断所述第一斜率是否位于所述第一区间内,以及,所述第二距离是否均位于所述第二区间内;
若所述第一斜率位于所述第一区间内,以及,所述第二距离均位于所述第二区间内,则确定所述一路段的一疑集组中的路面状况指数满足所述第一条件和所述第二条件。
6.根据权利要求1所述的建立方法,其特征在于,所述得到所述标准集对应的路龄特征数据集的步骤,包括:
将所述标准集中的路面状况指数按照对应的年份划分为每一年份的子集;
将所述标准集的最小年份的子集中的路面状况指数按照从大到小的顺序排序后,计算前N个路面状况指数的平均值,得到参考阈值;
比较所述标准集的除所述最小年份的子集以外的其他年份的子集中的每一路面状况指数与所述参考阈值的大小关系;
若所述其他年份的子集中的一路面状况指数不小于所述参考阈值,则将该路面状况指数转入所述最小年份的子集中;
以所述标准集的最小年份的子集的路龄为0,设置所述标准集的每一其他年份的子集对应的路龄为该子集对应的年份与所述最小年份的差;
将每一路龄对应的子集中的路面状况指数按照从大到小的顺序排列,得到所述标准集对应的每一路龄特征数据集。
7.根据权利要求1所述的建立方法,其特征在于,所述得到所述标准集对应的路龄路况指数标准数据集的步骤,包括:
选择所述标准集对应的一路龄特征数据集中的第一四分位数到第三四分位数之间的路面状况指数作为所述路龄特征数据集对应的路龄路况代表集;
计算所述路龄路况代表集中的除排序第一的路面状况指数以外的其他所有路面状况指数的平均值,得到路龄路况指数;
按照所述路龄路况指数对应的路龄从小到大的顺序,排列所述路龄路况指数,得到所述标准集对应的路龄路况指数标准数据集。
8.根据权利要求1所述的建立方法,其特征在于,所述计算两个拐点的坐标的步骤,包括:
计算所述路龄路况指数标准数据集中所述第三分界点以前的相邻两个所述路龄路况指数之间的第三斜率,其中,第三斜率Intk+1和Intk表示所述第三分界点以前的相邻两个所述路龄路况指数,Tk+1和Tk表示所述第三分界点以前的相邻两个所述路龄路况指数对应的路龄;
将绝对值最大的所述第三斜率对应的相邻两个所述路龄路况指数中较小的路龄及较小的路龄对应的路龄路况指数分别作为第一拐点的横坐标和纵坐标;
计算所述路龄路况指数标准数据集中所述第一拐点对应的路龄路况指数以后的相邻两个所述路龄路况指数之间的第四斜率,其中,第四斜率Inth+1和Inth表示所述第一拐点对应的路龄路况指数以后的相邻两个所述路龄路况指数,Th+1和Th表示所述第一拐点对应的路龄路况指数以后的相邻两个所述路龄路况指数对应的路龄;
将绝对值最大的所述第四斜率对应的相邻两个所述路龄路况指数中较小的路龄及较小的路龄对应的路龄路况指数分别作为第二拐点的横坐标和纵坐标。
9.根据权利要求8所述的建立方法,其特征在于,所述建立所述具有相同路段特征的路段的三折线形路面技术状况的预测模型的步骤,包括:
将所述标准集对应的路龄路况指数标准数据集中排序第一的路龄路况指数及对应的路龄分别作为所述三折线形路面技术状况的预测模型的三折线的第一点的纵坐标和横坐标;
将所述标准集对应的路龄路况指数标准数据集中排序最后的路龄路况指数及对应的路龄分别作为所述三折线形路面技术状况的预测模型的三折线的第二点的纵坐标和横坐标;
10.一种三折线形路面技术状况的预测模型的建立系统,其特征在于,包括:
选择模块,用于选择一道路区域;
获取模块,用于获取所述道路区域内的每一路段的多年的路面状况指数;
第一归类模块,用于将所述道路区域内的具有相同路段特征的路段的多年的路面状况指数归类到同一特征集中;
筛选模块,用于对每一所述特征集中的路面状况指数进行筛选,得到每一标准集;
第二归类模块,用于将所述路面状况指数对应的年份转化为路龄,且将每一所述标准集中的相同路龄对应的路面状况指数归类为同一集合,得到所述标准集对应的路龄特征数据集;
确定模块,用于确定每一所述标准集对应的路龄特征数据集的路龄路况指数,得到所述标准集对应的路龄路况指数标准数据集;
计算模块,用于根据所述标准集对应的路龄路况指数标准数据集,计算两个拐点的坐标;
建立模块,用于根据所述标准集对应的路龄路况指数标准数据集以及所述两个拐点的坐标,建立所述具有相同路段特征的路段的三折线形路面技术状况的预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911286331.5A CN111177895B (zh) | 2019-12-13 | 2019-12-13 | 三折线形路面技术状况的预测模型的建立方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911286331.5A CN111177895B (zh) | 2019-12-13 | 2019-12-13 | 三折线形路面技术状况的预测模型的建立方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111177895A true CN111177895A (zh) | 2020-05-19 |
CN111177895B CN111177895B (zh) | 2023-10-20 |
Family
ID=70657257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911286331.5A Active CN111177895B (zh) | 2019-12-13 | 2019-12-13 | 三折线形路面技术状况的预测模型的建立方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111177895B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100235203A1 (en) * | 2007-10-17 | 2010-09-16 | Baskin Arthur B | Engineered management system particularly suited for maintenance and repair (M&R) management of structure such as pavement |
CN108090635A (zh) * | 2018-02-06 | 2018-05-29 | 东南大学 | 一种基于聚类分类的路用性能预测方法 |
CN108491957A (zh) * | 2018-02-09 | 2018-09-04 | 中公高科养护科技股份有限公司 | 一种路面性能的预测方法及系统 |
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 |
-
2019
- 2019-12-13 CN CN201911286331.5A patent/CN111177895B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100235203A1 (en) * | 2007-10-17 | 2010-09-16 | Baskin Arthur B | Engineered management system particularly suited for maintenance and repair (M&R) management of structure such as pavement |
CN108090635A (zh) * | 2018-02-06 | 2018-05-29 | 东南大学 | 一种基于聚类分类的路用性能预测方法 |
CN108491957A (zh) * | 2018-02-09 | 2018-09-04 | 中公高科养护科技股份有限公司 | 一种路面性能的预测方法及系统 |
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 |
Non-Patent Citations (2)
Title |
---|
戴洁;: "沥青路面预防性养护时机探讨", 工程建设与设计, no. 08, pages 62 - 64 * |
资建民;王海军;邓海龙;周伟;: "基于效用模型的沥青路面预防性养护研究", 公路交通科技, no. 12 * |
Also Published As
Publication number | Publication date |
---|---|
CN111177895B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108364467B (zh) | 一种基于改进型决策树算法的路况信息预测方法 | |
CN111062648B (zh) | 一种沥青路面综合性能的评价方法 | |
CN111489008B (zh) | 一种交通事故影响因素空间效应分析方法及其应用 | |
CN107679676A (zh) | 一种基于数值模拟的城市低影响开发优化配置方法 | |
CN104134080A (zh) | 一种道路路基塌陷和边坡坍塌的自动检测方法及系统 | |
CN112580864B (zh) | 结合多元数据应用价值提升的村镇生活垃圾产量预测系统 | |
CN116108998B (zh) | 一种高速公路建设项目碳排放量预测方法及系统 | |
CN104484724A (zh) | 一种基于云模型的特高压落点规划优选方法 | |
CN111861193A (zh) | 一种平原河网水环境承载力评估及预警指标体系构建方法 | |
CN114677559A (zh) | 一种改进ResNet-50网络结构的路面裂缝检测方法 | |
CN113642162B (zh) | 一种城市道路交通应急预案仿真综合分析方法 | |
He et al. | Recognizing the transformation characteristics of resource-based cities using night-time light remote sensing data: Evidence from 126 cities in China | |
CN111177895A (zh) | 三折线形路面技术状况的预测模型的建立方法及系统 | |
Meißner et al. | Strategic planning support for road safety measures based on accident data mining | |
CN104809160A (zh) | 一种基于换档行为的高油耗分析方法及设备 | |
CN112862278A (zh) | 基于DEA-Malmquist分析的城管资源投入的管理效率分析方法和系统 | |
CN116384626A (zh) | 一种红层地区地质灾害风险调查易发性评价方法 | |
CN113936481B (zh) | 一种信号控制交叉口的空间利用状况评价方法 | |
Herabat et al. | A decision support system for flexible pavement treatment selection | |
CN106096814A (zh) | 基于粗糙集理论的产品服务系统方案优选方法 | |
Vialard | Typological atlases of block and block-face | |
CN113920723B (zh) | 一种山区高速公路事故多发路段识别方法 | |
CN116434543B (zh) | 一种基于事故分布规律和事故成因的交通隐患点预警方法 | |
CN116070356B (zh) | 一种轮胎模型设计方法及系统 | |
CN115146905A (zh) | 一种绿色生态城区建设后评估方法及系统 |
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 |