CN111461413A - 一种公路路面使用性能检测系统 - Google Patents
一种公路路面使用性能检测系统 Download PDFInfo
- Publication number
- CN111461413A CN111461413A CN202010201102.5A CN202010201102A CN111461413A CN 111461413 A CN111461413 A CN 111461413A CN 202010201102 A CN202010201102 A CN 202010201102A CN 111461413 A CN111461413 A CN 111461413A
- Authority
- CN
- China
- Prior art keywords
- neural network
- temperature
- output
- model
- interval number
- 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
- 238000001514 detection method Methods 0.000 claims abstract description 90
- 238000013528 artificial neural network Methods 0.000 claims description 226
- 238000003062 neural network model Methods 0.000 claims description 52
- 206010039203 Road traffic accident Diseases 0.000 claims description 32
- 238000012423 maintenance Methods 0.000 claims description 24
- 238000012544 monitoring process Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 12
- 230000000306 recurrent effect Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 abstract description 5
- 239000010410 layer Substances 0.000 description 100
- 210000002569 neuron Anatomy 0.000 description 23
- 230000006870 function Effects 0.000 description 21
- 238000000034 method Methods 0.000 description 19
- 238000013461 design Methods 0.000 description 17
- 230000015654 memory Effects 0.000 description 12
- 230000006872 improvement Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012886 linear function Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001373 regressive effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明公开了一种公路路面使用性能检测系统,所述检测系统由基于CAN总线的路面气象环境参数采集平台和公路路面使用性能等级分类系统两部分组成,基于CAN总线的路面气象环境参数采集平台实现对路面气象环境因子参数进行检测和调节,公路路面使用性能等级分类系统实现对公路路面使用性能等级的预测和分类;本发明有效解决了现有公路路面评价系统没有根据路面气象环境参数变化的非线性、大滞后和气象环境参数变化复杂等特点,对路面气象环境参数进行精确检测,从而极大的影响路面路面使用性能的综合评价。
Description
技术领域
本发明涉及公路路面性能评价自动化装备的技术领域,具体涉及一种公路路面使用性能检测系统。
背景技术
随着社会经济的迅猛发展,交通运输在我国社会经济发展中的角色越来越重,高速公路因其运速快和效率高在运输业中起到举足轻重的作用。公路的维护费用、交通量和交通事故从不同侧面反应公路路面运行性能的重要参数,然而,高速公路路面使用性能受气象环境的影响,通常灾害性天气条件下公路交通事故频发,单位时间内灾害性天气引发的交通事故次数是晴天的好几倍甚至几十倍,且多为重大和恶性事故。近年来,我国高速公路交通事故死亡人数平均每年约12万人,其中近70%是由灾害性天气造成的。因此,提高公路路面使用性能对保障高速公路运输系统的安全、效率以及经济效益有重要意义。本专利分析了公路气象因素对公路路面使用性能的影响和结合公路的公路的维护费用、交通量和交通事故历史事故数发明了一种公路路面使用性能检测系统。
发明内容
本发明提供了一种公路路面使用性能检测系统,本发明有效解决了现有公路路面评价系统没有根据路面气象环境参数变化的非线性、大滞后和气象环境参数变化复杂等特点,对路面气象环境参数进行精确检测,从而极大的影响路面路面使用性能的综合评价。
本发明通过以下技术方案实现:
一种公路路面使用性能检测系统,所述检测系统由基于CAN总线的路面气象环境参数采集平台和公路路面使用性能等级分类系统两部分组成,基于CAN总线的路面气象环境参数采集平台实现对路面气象环境因子参数进行检测和调节,公路路面使用性能等级分类系统实现对公路路面使用性能等级的预测和分类,公路路面使用性能等级分类系统由温度检测模块、雨雪检测模块、结冰检测模块、费用预测模块、交通量预测模块、交通事故预测模块和区间数DRNN神经网络公路路面使用性能等级分类器组成;温度检测模块、雨雪检测模块、结冰检测模块、费用预测模块、交通量预测模块和交通事故预测模块的输出作为区间数DRNN神经网络公路路面使用性能等级分类器的输入,区间数DRNN神经网络公路路面使用性能等级分类器的输出为代表被检测公路公路路面使用性能等级的区间数;雨雪检测模块与结冰检测模块和温度检测模块有相似特征,交通量预测模块与交通事故预测模块和费用预测模块有相似特征。
本发明进一步技术改进方案是:
所述温度检测模块由温度区间数神经网络模型、2个温度减法聚类分类器、2组多个小波神经网络温度预测模型、2个NARX神经网络温度模型和2个LSTM神经网络温度残差预测模型组成,多个检测点温度传感器的输出作为区间数神经网络模型的输入,温度区间数神经网络模型输出的温度区间数的上下限值分别为对应的2个温度减法聚类分类器的输入,2个温度减法聚类分类器输出的2组多个类型的温度区间数的上下限值历史数据分别作为对应的2组多个小波神经网络温度预测模型的输入,2组多个小波神经网络温度预测模型的输出分别作为对应的2个NARX神经网络温度模型的输入,温度区间数神经网络模型输出的温度区间数的上下限值与对应的2个NARX神经网络温度模型输出的差作分别作为对应的2个LSTM神经网络温度残差预测模型的输入,2个NARX神经网络温度模型输出分别与对应的2个LSTM神经网络温度残差预测模型输出的和构成的区间数作为温度检测模块的输出和区间数DRNN神经网络公路路面使用性能等级分类器的输入;
所述费用预测模块由费用减法聚类分类器、多个小波神经网络费用预测模型、NARX神经网络费用模型、LSTM神经网络费用残差预测模型和区间数GMDH神经网络费用模型组成,公路维护费用的历史数据作为费用减法聚类分类器的输入,费用减法聚类分类器输出的每个类型公路维护费用的历史数据作为对应的多个小波神经网络费用预测模型的输入,多个小波神经网络费用预测模型的输出作为NARX神经网络费用模型的输入,公路维护费用的历史数据与NARX神经网络费用模型输出的差作为LSTM神经网络费用残差预测模型的输入,NARX神经网络费用模型的输出和LSTM神经网络费用残差预测模型的输出作为区间数GMDH神经网络费用模型的输入,区间数GMDH神经网络费用模型输出的区间数分别作为公路维护费用的历史数据的区间数预测值、费用预测模块的输出和区间数DRNN神经网络公路路面使用性能等级分类器的输入;
所述区间数DRNN神经网络公路路面使用性能等级分类器的输入为影响公路路面使用性能的温度、雨雪和结冰的气象区间数预测值、交通量区间数预测值、交通事故区间数预测值、公路维护费用区间数预测值和输出为代表被检测公路路面使用性能等级的区间数,温度检测模块、雨雪检测模块、结冰检测模块、费用预测模块、交通量预测模块和交通事故预测模块的输出为区间数DRNN神经网络公路路面使用性能等级分类器的输入,区间数DRNN神经网络公路路面使用性能等级分类器的输出为代表被检测公路公路路面使用性能等级的区间数;根据影响公路路面使用性能的气象参数、公路路面的维护费用、交通量和交通事故的工程实践和《公路路面等级与面层类型》(GB/T 920-2002)》,区间数DRNN神经网络公路路面使用性能等级分类器构建公路路面使用性能的5种等级与5个区间数对应关系表,公路路面使用性能的5种等级分别为正常状态、较好、好、较差和很差,计算区间数DRNN神经网络公路路面使用性能等级分类器输出的区间数与代表5种公路路面使用性能不同等级的5个区间数的相似度,其中相似度最大的区间数对应的公路路面使用性能等级确定为该公路路面使用性能等级。
本发明进一步技术改进方案是:
所述温度区间数神经网络模型由多个RR时间递归神经网络、温度区间数Elman神经网络模型和2个按拍延迟线TDL组成,温度区间数神经网络模型把一段时间公路多个温度传感器感知被测量公路温度值转换为公路温度的动态区间数值,每个检测点温度传感器的输出为对应的每个RR时间递归神经网络的输入,多个RR时间递归神经网络的输出为温度区间数Elman神经网络模型的输入,2个按拍延迟线TDL的输出为温度区间数Elman神经网络模型的输入,温度区间数Elman神经网络模型的输出为代表一段时间内公路温度区间数和温度区间数神经网络模型的输出,温度区间数Elman神经网络模型输出区间数的上下限值分别作为对应的2个按拍延迟线TDL的输入。
本发明进一步技术改进方案是:
所述雨雪检测模块由雨雪区间数神经网络模型、2个雨雪减法聚类分类器、2组多个小波神经网络雨雪预测模型、2个NARX神经网络雨雪模型和2个LSTM神经网络雨雪残差预测模型组成,多个检测点雨雪传感器的输出作为雨雪区间数神经网络模型的输入,雨雪检测模块的输出作为区间数DRNN神经网络公路路面使用性能等级分类器的输入,雨雪检测模块与温度检测模块有类似结构功能特征。
本发明进一步技术改进方案是:
所述结冰检测模块由结冰区间数神经网络模型、2个结冰减法聚类分类器、2组多个小波神经网络结冰预测模型、2个NARX神经网络结冰模型和2个LSTM神经网络结冰残差预测模型组成,多个检测点结冰传感器的输出作为结冰区间数神经网络模型的输入,结冰检测模块的输出作为区间数DRNN神经网络公路路面使用性能等级分类器的输入,结冰检测模块与温度检测模块有类似结构功能特征。
本发明进一步技术改进方案是:
所述事故预测模块由事故减法聚类分类器、多个小波神经网络事故预测模型、NARX神经网络事故模型、LSTM神经网络事故残差预测模型和区间数GMDH神经网络事故模型组成组成,交通事故预测模块实现对交通事故历史数据进行区间数预测,交通事故预测模块与费用预测模块具有相似的结构功能特征。
本发明进一步技术改进方案是:
所述交费量预测模块由交通减法聚类分类器、多个小波神经网络交通预测模型NARX神经网络交通模型、LSTM神经网络交通残差预测模型和区间数GMDH神经网络交通模型组成组成,交费量预测模块实现对交通量历史数据进行区间数预测,交通量预测模块与费用预测模块具有相似的结构功能特征。
本发明进一步技术改进方案是:
所述基于CAN总线的路面气象环境参数采集平台由检测节点、控制节点和现场监控端组成,通过CAN总线实现检测节点、控制节点和现场监控端之间的通信,检测节点分别由传感器组模块、单片机和通信接口组成,传感器组模块负责检测路面气象环境的温度、结冰、雨雪和风速的路面气象环境参数,由单片机控制采样间隔并通过通信模块发送给现场监控端;控制节点实现对路面气象环境参数的调节设备进行控制;现场监控端由一台工业控制计算机和RS232/CAN通信模块组成,实现对路面气象环境参数进行管理和对公路路面使用性能等级分类。
本发明与现有技术相比,具有以下明显优点:
一、本发明针对公路温度、雨雪和结冰参数测量过程中,传感器精度误差、干扰和测量沉降量异常等问题存在的不确定性和随机性,本发明专利将公路温度、雨雪和结冰传感器测量的参数值通过区间数神经网络模型转化为区间数形式表示,有效地处理了公路沉温度、雨雪和结冰传感器测量参数的模糊性、动态性和不确定性,提高了公路沉温度、雨雪和结冰传感器传感器值检测参数的客观性和可信度。
二、本发明RNN时间递归神经网络是一种用于处理公路温度、雨雪和结冰的时序数据的神经网络。在该网络中,循环结构会保留公路温度、雨雪和结冰当前时刻隐藏神经元的状态值,并将其作为下一次循环输入的一部分公路温度、雨雪和结冰输入信号输入到下一时刻的隐藏层神经元中。RNN的输入信号采取的是公路温度、雨雪和结冰时序输入,每输入一步,每一层都共享网络权重和偏置,大大减少了网络中需要学习的参数,降低了网络的复杂度。
三、本发明RNN时间递归神经网络充分利用基于公路温度、雨雪和结冰的时间序列数据之间的相关性,是一种在隐含层内部加入了定向循环结构的神经网络,其特殊的结构能够较好地处理基于时间序列公路温度、雨雪和结冰数据的连续问题,通过表征输入公路温度、雨雪和结冰大小数据的分布式表示,展现出较强的学习公路温度、雨雪和结冰大小数据集的本质特征的能力,实现复杂函数的逼近,更好地刻画出公路温度、雨雪和结冰大小数据的丰富内在信息,具有较强的泛化能力,提高计算公路温度、雨雪和结冰大小的准确性和可靠性。
四、本发明RNN时间递归神经网络是一种引入了“时序”概念的神经网络,其具有反馈机制,广泛应用于时间序列数据建模。RNN可以使学习到的信息在网络内储存,使模型能够学习到当前时刻与过去公路温度、雨雪和结冰的时序数据信息的依赖关系。给定一输入序列,RNN时间递归神经网络在任意时刻t,的隐藏层状态ht均是基于当前时刻的公路温度、雨雪和结冰大小输入Xt以及过去时刻的隐藏层状态ht-1映射得到的,且RNN时间递归神经网络可以将每个时刻的隐藏层状态输出传入下一时刻;最终RNN时间递归神经网络通过输出层将一段时间公路温度、雨雪和结冰大小映射得到公路温度、雨雪和结冰的时序数据大小的输出量。
五、本发明所采用的温度、雨雪和结冰区间数Elman神经网络模型实现对被检测点的一段时间内公路路面温度、雨雪和结冰参数由多个传感器值转换为区间数值,该区间数Elman神经网络一般分为4层:输入层、中间层(隐含层)、承接层和输出层,其输入层、隐含层和输出层的连接类似于前馈网络,输入层的单元仅起信号传输作用,输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数,承接层又称为上下文层或状态层,它用来记忆隐含层单元前一时刻的输出值,可以认为是一个一次延时算子。区间数Elman神经网络的特点是隐含层的输出通过承接层的延迟与存储,自联到隐含层的输入,这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,从而达到了动态建模的目的。区间数Elman神经网络回归神经元网络的特点是隐层的输出通过结构单元的延迟、存储自联到隐层的输入,这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,有利于动态过程的建模;该神经网络利用关联层动态神经元的反馈连接,将未来预测网络和过去预测网络的信息进行融合,使网络对时间序列特征信息的记忆得到加强,从而提高被检测公路气象参数的精确度。
六、本发明温度检测模块由温度区间数神经网络模型、2个温度减法聚类分类器、2组多个小波神经网络温度预测模型、2个NARX神经网络温度模型和2个LSTM神经网络温度残差预测模型组成,根据温度区间数的上下限值进行分类预测和分别补偿残差预测,提高温度预测的精确度。费用预测模块由费用减法聚类分类器、多个小波神经网络费用预测模型、NARX神经网络费用模型、LSTM神经网络费用残差预测模型和区间数GMDH神经网络费用模型组成,把费用历史数据通过分类和残差补偿预测费用的区间数,提高费用预测的动态性和鲁棒性。
七、本发明区间数DRNN神经网络公路路面使用性能等级分类器的科学性和可靠性,本专利的区间数DRNN神经网络公路路面使用性能等级分类器区间数DRNN神经网络公路路面使用性能等级分类器的输入为代表公路路面性能的3个气象区间数的预测值、交通量预测值、交通事故预测值、公路维护费用预测值和输出为1个区间数的DRNN神经网络,温度检测模块、雨雪检测模块、结冰检测模块、费用预测模块、交通量预测模块和交通事故预测模块的输出为区间数DRNN神经网络公路路面使用性能等级分类器的输入,区间数DRNN神经网络公路路面使用性能等级分类器的输出为代表被检测公路公路路面使用性能等级的大小的区间数;区间数DRNN神经网络公路路面使用性能等级分类器根据公路路面使用性能的气象参数、公路路面的维护费用、交通量和交通事故对公路路面使用性能的影响和《公路路面等级与面层类型》(GB/T 920-2002)》,把公路路面使用分为正常状态、较好、好、较差和很差的5种等级对应5个不同的区间数,构建5个区间数与公路路面使用性能的5种等级的对应关系表,实现对路面使用性能等级等级分类的动态性能和科学分类。
附图说明
图1为本发明基于CAN总线的公路气象环境参数采集平台;
图2为本发明公路路面使用性能等级分类系统;
图3为本发明检测节点功能图;
图4为本发明控制节点功能图;
图5为本发明现场监控端软件功能图;
图6为本发明公路温度区间数神经网络模型。
具体实施方式
结合附图1-6,对本发明技术方案作进一步描述:
1、系统总体功能的设计
本发明实现对公路气象环境因子参数进行检测、预测和公路路面使用性能进行分类,该系统由基于CAN总线的公路气象环境参数采集平台和公路路面使用性能等级分类系统2部分组成。基于CAN总线的公路气象环境参数采集平台包括公路气象环境参数的检测节点1和调节公路气象环境参数的控制节点2,通过CAN总线方式构建成测控网络来实现检测节点1、控制节点2和现场监控端3之间的现场通信;检测节点1将检测的公路气象环境参数发送给现场监控端3并对传感器数据进行初步处理;现场监控端3把控制信息传输到检测节点1和控制节点2。基于CAN总线的公路气象环境参数采集平台见图1所示。
2、检测节点的设计
本发明采用基于CAN总线的检测节点1作为公路气象环境参数感知终端,检测节点1和控制节点2通过CAN总线方式实现与现场监控端3之间的信息相互交互。检测节点1包括采集公路气象环境温度、雨雪、结冰和风速参数的传感器和对应的信号调理电路以及C8051F040微处理器;检测节点的软件主要实现现场总线通信和公路气象环境参数的采集与预处理。软件采用C语言程序设计,兼容程度高,大大提高了软件设计开发的工作效率,增强了程序代码的可靠性、可读性和可移植性。检测节点结构见图3。
3、控制节点
控制节点2在输出通路设计了4路D/A转换电路实现对温度、雨雪、风速和结冰的调节输出量的数模转换、C8051F040微处理器和CAN总线通信模块接口,实现对公路气象环境控制设备进行控制,控制节点见图4。
4、现场监控端软件
现场监控端3是一台工业控制计算机,现场监控端3主要实现对公路气象环境参数进行采集和公路气象环境温度、结冰和雨雪预测,实现与检测节点1与控制节点2的信息交互,现场监控端3主要功能为通信参数设置、数据分析与数据管理、公路气象环境多点温度、结冰和雨雪融合与预测。公路路面使用性能等级分类系统由温度检测模块、雨雪检测模块、结冰检测模块、费用预测模块、交通量预测模块、交通事故预测模块和区间数DRNN神经网络公路路面使用性能等级分类器组成;温度检测模块、雨雪检测模块、结冰检测模块、费用预测模块、交通量预测模块和交通事故预测模块的输出作为区间数DRNN神经网络公路路面使用性能等级分类器的输入,区间数DRNN神经网络公路路面使用性能等级分类器的输出为代表被检测公路公路路面使用性能等级的区间数,公路路面使用性能等级分类器实现对公路公路路面使用性能等级的检测、预测和预警。该管理软件选择了Microsoft Visual++6.0作为开发工具,调用系统的Mscomm通信控件来设计通讯程序,现场监控端软件功能见图5,雨雪检测模块和结冰检测模块的设计方法参照温度检测模块相同设计方法,交通量预测模块和交通事故预测模块参照费用预测模块相同设计方法,公路路面使用性能等级分类系统的设计如下:
(1)、温度检测模块设计
温度检测模块由温度区间数神经网络模型、2个温度减法聚类分类器、2组多个小波神经网络温度预测模型、2个NARX神经网络温度模型和2个LSTM神经网络温度残差预测模型组成,设计过程如下:
A、温度区间数神经网络模型由多个RR时间递归神经网络、温度区间数Elman神经网络模型和2个按拍延迟线TDL(Tapped Delay Line)组成,区间数神经网络模型把一段时间公路多个温度传感器感知被测量公路温度值转换为公路温度的动态区间数值,每个检测点温度传感器的输出为对应的RR时间递归神经网络的输入,RR时间递归神经网络模型的输出为温度区间数Elman神经网络模型的输入,2个按拍延迟线TDL的输出为温度区间数Elman神经网络模型的输入,温度区间数Elman神经网络的输出为代表一段时间内公路温度大小的上下限值构成的区间数,公路温度大小区间数的上下限值分别作为对应的2个按拍延迟线TDL的输入;温度区间数Elman神经网络的输出为u1(k)和u2(k),u1(k)和u2(k)分别作为对应的按拍延迟线TDL的输入,u1(k)和u2(k)分别代表检测点温度区间数值神经网络模型输出的上限值和下限值,构成公路温度传感器在一段时间内被检测温度的输出区间数值为[u2,u1],公路温度区间数神经网络模型如图6所示,X(1),X(2),…,X(n)为RR时间递归神经网络输出的多个温度传感器预测数据,U1(k-1),…,U1(k–d)为公路温度区间数神经网络模型输出值的上限值的历史数据,U2(k-1),…,U2(k–d)为公路温度区间数值神经网络模型输出值的下限值的历史数据,u1(k)和u2(k)为温度区间数Elman神经网络的输出值代表公路温度区间数值神经网络模型的输出,k表示当前时刻,d分别表示U的滞后点。公路温度区间数神经网络模型可以描述为:
U(k)=[u2(k),u1(k)]=F[X(1),X(2),…,X(n);u1(k),…,u1(k-d);u2(k),…,u2(k-d)] (1)
RNN时间递归神经网络可以处理公路温度大小的顺序信息,RNN时间递归神经网络使用公路温度大小的前一状态的输出作为预测后一温度大小输入的一部分,具备一般意义上的“记忆”公路温度大小的功能。RNN时间递归神经网络可以保留前一序列公路温度作为输出,下一序列的公路温度输入和保留的前一序列温度输出共同计算得到下一序列的公路温度输出。xt是t时刻的输入,st表示网络的记忆单元t时刻的状态,st通过前一步的状态st-1以及当前时刻的输入xt共同计算得到:
st=f(Uxt+Wst-1) (2)
激励函数f是RNN神经网络中非线性函数tanh,通常第一个隐藏状态st-1的值会用0进行初始化,但实际使用极小值进行初始化会使梯度下降的更快。ot是t时刻的输出,通常是由归一化指数函数计算出的概率向量:
ot=softmax(Vst) (3)
温度区间数Elman神经网络可以看作是一个具有局部记忆单元和局部反馈连接的前向神经网络,除了隐层外,还有一个特别的关联层;关联层从隐层接收反馈信号,每一个隐层节点都有一个与之对应的关联层节点连接。关联层将上一时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入,相当于状态反馈。隐层的传递函数一般为Sigmoid函数,输出层为线性函数,关联层也为线性函数。设计一种温度区间数Elman神经网络的输入层、输出层、隐层的个数分别为m,n和r;w1,w2,w3和w4分别表示结构层单元到隐层、输入层到隐层、隐层到输出层、结构层到输出层的连接权矩阵,则温度区间数Elman神经网络的隐含层、关联层和输出层的表达式分别为:
cp(k)=xp(k-1) (5)
一段时间RNN时间递归神经网络的输出作为区间数Elman神经网络的输入,温度区间数Elman神经网络的输出为公路温度大小的区间数值为[u2,u1]。
B、2个温度减法聚类分类器设计
温度区间数神经网络模型输出的温度区间数的上下限值分别为2个温度减法聚类分类器的输入,2个温度减法聚类分类器输出的2组多个每个类型的温度区间数的上下限值历史数据作为对应的2组多个小波神经网络预测模型的输入。温度区间数的上下限值的减法聚类与其他聚类方法相比,不需要预先确定聚类数,仅根据温度区间数的上下限值的样本数据密度即可快速确定温度区间数的上下限值聚类中心的位置和聚类数,而它把每一个温度区间值的上下限数据点作为一个潜在的聚类中心的特性,使得温度区间数的上下限值聚类的结果与问题的维数无关。因此,温度区间数的上下限值减法聚类算法是一种适合基于温度区间数的上下限值的数据建模的规则自动提取方法。设定m维空间中的N个温度区间数的上下限的数据点(X1,X2,…XN),每个数据点Xi=(xi,1,xi,1,…,xi,m)都是聚类中心的候选者,i=1,2,…,N,数据点Xi的密度函数定义为:
式中,半径ra是一个正数,ra定义了该点的一个影响邻域,半径以外的数据点对该点的密度指标贡献非常小,一般忽略不计。计算每一点Xi的密度值,选择具有最高密度指标Dc1的数据点作为第一个聚类中心Xc1;然后修正密度值,消除前面已有聚类中心的影响。按下式修正密度值:
其中,Dc1是初始聚类中心对应的最高密度值,修正半径rb的设定是为了避免第二个聚类中心点离前一个中心点太近,一般设定为rb=ηra,1.25≤η≤1.5。修正每个数据点的密度指标后,当Dck与Dc1满足下式时,该密度指标对应的聚类中心即为第K个聚类中心。不断重复这个过程,直到新的聚类中心Xck的相应的密度指标Dck与Dc1满足下式时终止聚类:
Dck/Dc1<δ (9)
式中,δ是根据实际情况提前设定的阈值。本发明提出的在线聚类方法基本思想如下:如果一个温度区间数的上下限数据点到一个组的中心的距离小于聚类半径ra,那么该点属于此组,当获得新的数据时,组和组的中心做相应的变化。随着输入温度区间数的上下限数空间数据的不断增加,本发明算法通过实时动态的调整温度区间数的上下限数聚类中心与聚类个数获得更好的输入空间划分。
C、2组多个小波神经网络温度预测模型设计
多个小波神经网络温度预测模型实现对经过温度区间数的减法聚类分类器划归不同类上下限值进行分别预测来提高公路温度温度区间数上下限值的预测精度,小波神经网络温度预测模型基于小波神经网络WNN(WaveletNeuralNetworks)理论基础构建的温度区间数的上下限值的预测模型,小波神经网络以小波函数为神经元的激励函数并结合人工神经网络提出的一种前馈型网络。小波神经网络温度预测模型中小波的伸缩、平移因子以及连接权重在对误差能量函数的优化过程中被自适应调整。设小波神经网络温度预测模型的输入信号可以表示为一个公路温度区间数的上下限输入的一维向量xi(i=1,2,…,n),输出信号表示为yk(k=1,2,…,m),公路温度区间数的上下限小波神经网络预测模型输出层预测值的计算公式为:
公式中ωij输入层i节点和隐含层j节点间的连接权值,为小波基函数,bj为小波基函数的平移因子,aj小波基函数的伸缩因子,ωjk为隐含层j节点和输出层k节点间的连接权值。本专利中的小波神经网络温度预测模型的权值和阈值的修正算法采用梯度修正法来更新网络权值和小波基函数参数,从而使小波神经网络温度预测模型输出不断逼近期望输出。
D、2个NARX神经网络温度模型设计
2组多个小波神经网络温度预测模型的输出分别作为对应的2个NARX神经网络温度模型的输入,NARX神经网络温度模型的输出为温度区间数的上下限值的预测值。NARX神经网络温度模型(Nonlinear Auto-Regression with External input neural network)是一种动态的前馈神经网络,NARX神经网络是一个有着外部输入的非线性自回归网络,它有一个多步时延的动态特性,并通过反馈连接封闭网络的若干层,NARX回归神经网络是非线性动态系统中应用最广泛的一种动态神经网络,其性能普遍优于全回归神经网络。典型的NARX回归神经网络主要由输入层、隐层、输出层及输入和输出延时构成,在应用前一般要事先确定输入和输出的延时阶数、隐层神经元个数,NARX神经网络温度模型的当时输出不仅取决于过去的输出y(t-n),还取决于当时的输入温度向量X(t)以及输入温度向量的延迟阶数等,其中输入温度信号通过时延层传递给隐层,隐层对输入的温度信号进行处理后传递到输出层,输出层将隐层输出信号做线性加权获得最终的神经网络输出信号,时延层将网络反馈的信号和输入层输出的信号进行延时,然后输送到隐层。NARX神经网络温度模型具有非线性映射能力、良好的鲁棒性和自适应性等特点,适宜对公路环境温度进行预测。x(t)表示神经网络温度模型的外部输入,即公路环境多个小波神经网络温度预测值;m表示外部输入的延迟阶数;y(t)是神经网络的输出,即下一时段的公路环境温度预测值;n是输出延迟阶数;s为隐含层神经元的个数;由此可以得到第j个隐含单元的输出为:
上式中,wji为第i个输入与第j个隐含神经元之间的连接权值,bj是第j个隐含神经元的偏置值,网络的输出y(t+1)的值为:
y(t+1)=f[y(t),y(t-1),…,y(t-n),x(t),x(t-1),…,x(t-m+1);W] (12)
E、2个LSTM神经网络温度残差预测模型设计
温度区间数神经网络模型输出的温度区间数的上下限值与2个对应的NARX神经网络温度模型输出的差作分别作为2个对应的LSTM神经网络温度残差预测模型的输入,2个NARX神经网络温度模型的输出分别与2个对应的LSTM神经网络温度残差预测模型输出的和分别作为温度检测模块的输出得温度区间数的预测值。LSTM神经网络温度残差预测模型由长短期记忆(LSTM)单元组成的时间递归神经网络(RNN)称为LSTM时间递归神经网络,通常也被称为LSTM网络。LSTM神经网络温度残差预测模型引入了记忆单元(Memory Cell)和隐藏层状态(Cell State)的机制来控制隐藏层之间的信息传递。一个LSTM神经网络的记忆单元内有3个门(Gates)计算结构分别是输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate)。其中,输入门能控制新信息的加入或滤出;遗忘门能忘记需要丢掉的信息以及保留过去有用的信息;输出门能使记忆单元只输出与当前时间步相关的信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算,使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(LSTM)结构单元由单元(Cell),输入门(Input Gate),输出门(Output Gate)和忘记门(Forget Gate)组成。单元负责在任意时间间隔内记住值,三个门均可以被认为是传统的人工神经元,用于计算激活函数的加权总和。LSTM神经网络温度残差预测模型是可以持续较长时间短期记忆的模型,适合用于分类,预测时间序列等工作,LSTM有效防止了RNN训练时的梯度消失,长短期记忆(LSTM)网络是一种特殊的RNN。该模型可以学习长期的依赖信息,同时避免梯度消失问题。LSTM在神经元内部结构RNN的隐藏层的神经节点中,增加了一种被称为记忆单元(Memory Cell)的结构用来记忆过去的信息,并增加了三种门(Input、Forget、Output)结构来控制历史信息的使用。设输入公路温度区间数的上下限值的残差序列为(x1,x2,…,xT),隐含层状态为(h1,h2,…,hT),则t时刻有:
it=sigmoid(Whiht-1+WxiXt) (13)
ft=sigmoid(Whfht-1+WhfXt) (14)
ct=ft⊙ct-1+it⊙tanh(Whcht-1+WxcXt) (15)
ot=sigmoid(Whoht-1+WhxXt+Wcoct) (16)
ht=ot⊙tanh(ct) (17)
其中it、ft、ot代表input门、forget门和output门,ct代表cell单元,Wh代表递归连接的权重,Wx代表输入层到隐含层的权重,sigmoid与tanh为两种激活函数。使用长短期记忆的LSTM神经网络模型来对公路温度上下限值预测值的残差进行预测,该方法首先建立LSTM神经网络模型,利用预处理的公路温度上下限值数预测值的残差数据建立训练集并对模型进行训练,LSTM神经网络温度残差预测模型考虑了公路温度区间数的上下限值预测值的残差数据的时序性和非线性,具有较高的预测精度。
(2)费用预测模块设计
费用预测模块由费用减法聚类分类器、多个小波神经网络费用预测模型、NARX神经网络费用模型、LSTM神经网络费用残差预测模型和区间数GMDH神经网络费用模型组成,公路维护费用的历史数据作为费用减法聚类分类器的输入,费用减法聚类分类器输出的每一类公路维护费用的历史数据输入各自对应的费用小波神经网络预测模型,多个小波神经网络费用预测模型的输出作为NARX神经网络费用模型的输入,公路维护费用的历史数据与NARX神经网络费用模型的输出的差作为LSTM神经网络费用残差预测模型的输入,NARX神经网络费用模型的输出和LSTM神经网络费用残差预测模型的输出作为区间数GMDH神经网络费用模型的输入,区间数GMDH神经网络费用模型输出的区间数为公路维护费用的历史数据的区间数预测值;区间数GMDH神经网络费用模型设计如下:区间数GMDH神经网络(GMDH)是一种自组织数据挖掘的算法,若该网络有m个输入变量x1,x2,…,xm和输出为Y。GMDH的目的就是要建立起输入与输出关系的系数待定和形式已知的函数关系f,可以通过应用用volterra级数展开的多项式去逼近f:
GMDH主要用于处理小样本数据,通过自动寻找样本中各变量之间的相关性构建预测模型。首先根据参考函数的初始模型产生第一代中间候选模型,然后从第一代中间候选模型中筛选出若干项加上计算法则生成第二代中间候选模型,重复此过程直得出最优预测模型为止,因此GMDH模型能够根据自变量自适应的建立一个对因变量有解释能力的高阶多项式模型。设Rj为第j层最大神经元数量,xkl为第l个输入样本的第k维,yjkl为网络第j层中第k个神经元对第l个输入样本额预测值,为网络第j层中第k个神经元的阀值均方根,Y为网络的预测值。GMDH网络采用自适应多层迭代的方法构建网络结构,通过最小偏差准则选择网络最优模型,并构建出基于Kolmogorov-Gabor多项式的输入和输出之间非线性映射。数据预处理,将数据集划分为训练集和测试集;对输入量配对,并辨识得出局部多项式模型,从而生成竞争模型集,计算选择准则值作为下一层输入,直至选出最优复杂度模型为止。网络的学习进化过程如下:①设定网络各层最大神经元数量Rj和网络的初始变量个数d0,选择网络最小偏差准则。②根据输入数据维数构建只包含第1层神经元的初始网络。③依次计算每个神经元的阀值均方根对于网络第j层,从大到小排序取前Rj个做为被选中神经元加以保留,其余做为未被选中的神经元。对于被选中的神经元,找出最小并与上一层最小进行比较,如果小于则执行步骤④,否则执行步骤⑤。④根据当前被选中的神经元产生下一层神经元。⑤网络构建完毕。NARX神经网络费用模型的输出和LSTM神经网络费用残差预测模型的输出作为区间数GMDH神经网络费用模型的输入,区间数GMDH神经网络费用模型输出的区间数为公路维护费用的历史数据的区间数预测值。费用预测模块的费用减法聚类分类器、多个小波神经网络费用预测模型、NARX神经网络费用模型和LSTM神经网络费用残差预测模型的设计参照本专利的温度检测模块中的对应部分设计方法。
(3)、区间数DRNN神经网络公路路面使用性能等级分类器设计
区间数DRNN神经网络公路路面使用性能等级分类器的输入为代表公路路面性能的3个气象区间数的预测值、交通量预测值、交通事故预测值、公路维护费用预测值和输出为1个区间数的DRNN神经网络,温度检测模块、雨雪检测模块、结冰检测模块、费用预测模块、交通量预测模块和交通事故预测模块的输出为区间数DRNN神经网络公路路面使用性能等级分类器的输入,区间数DRNN神经网络公路路面使用性能等级分类器的输出为代表被检测公路公路路面使用性能等级的区间数;根据公路路面使用性能的气象参数、公路路面的维护费用、交通量和交通事故对公路路面使用性能的影响的工程实践和《公路路面等级与面层类型》(GB/T 920-2002)》,区间数DRNN神经网络公路路面使用性能等级分类器构建公路路面使用性能的5种等级与5个区间数的对应关系表1,5种等级分别为正常状态、较好、好、较差和很差,计算区间数DRNN神经网络公路路面使用性能等级分类器输出的区间数与代表5种公路路面使用性能不同等级的5个区间数的相似度,其中相似度最大的区间数对应的公路路面使用性能等级确定为该公路路面使用性能等级。区间数DRNN神经网络公路路面使用性能等级分类器是一种具有反馈的动态回归神经网络和适应时变特性的能力,该网络能够更直接生动地反映公路路面使用性能等级的动态变化性能,可以精确分类公路路面使用性能等级,每个DRNN网络12-21-2的3层网络结构,其隐层为回归层。设I=[I1(t),I2(t),…,In(t)]为DRNN神经网络输入向量,其中Ii(t)为区间数DRNN神经网络公路路面使用性能等级分类器输入层第i个神经元t时刻的输入,回归层第j个神经元的输出为Xj(t),Sj(t)为第j个回归神经元输入总和,f(·)为S的函数,则O(t)为DRNN网络的输出。则区间数DRNN神经网络公路路面使用性能等级分类器的输出层输出为:
本专利每个DRNN神经网络公路路面使用性能分类的输入层、输出层、隐层的个数分别为12,2和21,该模型的输入为影响公路路面性能的气象参数、维护费用、交通量和事故数的区间数,输出为代表被检测公路公路路面使用性能等级的区间数,实现公路路面使用性能等级的大小的区间数的分类预测,提高分类精确度。
表1公路路面使用性能等级与区间数数对应关系表
序号 | 公路路面使用性能等级 | 区间数 |
1 | 正常状态 | [0.00,0.20] |
2 | 较好 | [0.20,0.40] |
3 | 好 | [0.40,0.60] |
4 | 较差 | [0.60,0.80] |
5 | 很差 | [0.80,1.0] |
5、公路路面使用性能评价系统的设计举例
根据公路路面环境的状况,系统设计了检测节点1和控制节点2和现场监控端3的平面布置安装图,其中检测节点1均衡布置在被检测公路路面环境中,通过该系统实现对公路路面环境参数的采集与公路路面使用性能进行预测和分类。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种公路路面使用性能检测系统,其特征在于:所述检测系统由基于CAN总线的路面气象环境参数采集平台和公路路面使用性能等级分类系统两部分组成,基于CAN总线的路面气象环境参数采集平台实现对路面气象环境因子参数进行检测和调节,公路路面使用性能等级分类系统实现对公路路面使用性能等级的预测和分类,公路路面使用性能等级分类系统由温度检测模块、雨雪检测模块、结冰检测模块、费用预测模块、交通量预测模块、交通事故预测模块和区间数DRNN神经网络公路路面使用性能等级分类器组成;温度检测模块、雨雪检测模块、结冰检测模块、费用预测模块、交通量预测模块和交通事故预测模块的输出作为区间数DRNN神经网络公路路面使用性能等级分类器的输入,区间数DRNN神经网络公路路面使用性能等级分类器的输出为代表被检测公路公路路面使用性能等级的区间数;
所述温度检测模块由温度区间数神经网络模型、2个温度减法聚类分类器、2组多个小波神经网络温度预测模型、2个NARX神经网络温度模型和2个LSTM神经网络温度残差预测模型组成,多个检测点温度传感器的输出作为区间数神经网络模型的输入,温度区间数神经网络模型输出的温度区间数的上下限值分别为对应的2个温度减法聚类分类器的输入,2个温度减法聚类分类器输出的2组多个类型的温度区间数的上下限值历史数据分别作为对应的2组多个小波神经网络温度预测模型的输入,2组多个小波神经网络温度预测模型的输出分别作为对应的2个NARX神经网络温度模型的输入,温度区间数神经网络模型输出的温度区间数的上下限值与对应的2个NARX神经网络温度模型输出的差作分别作为对应的2个LSTM神经网络温度残差预测模型的输入,2个NARX神经网络温度模型输出分别与对应的2个LSTM神经网络温度残差预测模型输出的和构成的区间数作为温度检测模块的输出和区间数DRNN神经网络公路路面使用性能等级分类器的输入;
所述费用预测模块由费用减法聚类分类器、多个小波神经网络费用预测模型、NARX神经网络费用模型、LSTM神经网络费用残差预测模型和区间数GMDH神经网络费用模型组成,公路维护费用的历史数据作为费用减法聚类分类器的输入,费用减法聚类分类器输出的每个类型公路维护费用的历史数据作为对应的多个小波神经网络费用预测模型的输入,多个小波神经网络费用预测模型的输出作为NARX神经网络费用模型的输入,公路维护费用的历史数据与NARX神经网络费用模型输出的差作为LSTM神经网络费用残差预测模型的输入,NARX神经网络费用模型的输出和LSTM神经网络费用残差预测模型的输出作为区间数GMDH神经网络费用模型的输入,区间数GMDH神经网络费用模型输出的区间数分别作为公路维护费用的历史数据的区间数预测值、费用预测模块的输出和区间数DRNN神经网络公路路面使用性能等级分类器的输入;
所述区间数DRNN神经网络公路路面使用性能等级分类器的输入为影响公路路面使用性能的温度、雨雪和结冰的气象区间数预测值、交通量区间数预测值、交通事故区间数预测值、公路维护费用区间数预测值和输出为代表被检测公路路面使用性能等级的区间数,温度检测模块、雨雪检测模块、结冰检测模块、费用预测模块、交通量预测模块和交通事故预测模块的输出为区间数DRNN神经网络公路路面使用性能等级分类器的输入,区间数DRNN神经网络公路路面使用性能等级分类器的输出为代表被检测公路公路路面使用性能等级的区间数;根据影响公路路面使用性能的气象参数、公路路面的维护费用、交通量和交通事故的工程实践和国家公路公路路面使用性能的认定标准,区间数DRNN神经网络公路路面使用性能等级分类器构建公路路面使用性能的5种等级与5个区间数对应关系表,公路路面使用性能的5种等级分别为正常状态、较好、好、较差和很差,计算区间数DRNN神经网络公路路面使用性能等级分类器输出的区间数与代表5种公路路面使用性能不同等级的5个区间数的相似度,其中相似度最大的区间数对应的公路路面使用性能等级确定为该公路路面使用性能等级。
2.根据权利要求1所述的一种公路路面使用性能检测系统,其特征在于:所述温度区间数神经网络模型由多个RR时间递归神经网络、温度区间数Elman神经网络模型和2个按拍延迟线TDL组成,温度区间数神经网络模型把一段时间公路多个温度传感器感知被测量公路温度值转换为公路温度的动态区间数值,每个检测点温度传感器的输出为对应的每个RR时间递归神经网络的输入,多个RR时间递归神经网络的输出为温度区间数Elman神经网络模型的输入,2个按拍延迟线TDL的输出为温度区间数Elman神经网络模型的输入,温度区间数Elman神经网络模型的输出为代表一段时间内公路温度区间数和温度区间数神经网络模型的输出,温度区间数Elman神经网络模型输出区间数的上下限值分别作为对应的2个按拍延迟线TDL的输入。
3.根据权利要求1所述的一种公路路面使用性能检测系统,其特征在于:所述雨雪检测模块由雨雪区间数神经网络模型、2个雨雪减法聚类分类器、2组多个小波神经网络雨雪预测模型、2个NARX神经网络雨雪模型和2个LSTM神经网络雨雪残差预测模型组成,多个检测点雨雪传感器的输出作为雨雪区间数神经网络模型的输入,雨雪检测模块的输出作为区间数DRNN神经网络公路路面使用性能等级分类器的输入。
4.根据权利要求1所述的一种公路路面使用性能检测系统,其特征在于:所述结冰检测模块由结冰区间数神经网络模型、2个结冰减法聚类分类器、2组多个小波神经网络结冰预测模型、2个NARX神经网络结冰模型和2个LSTM神经网络结冰残差预测模型组成,多个检测点结冰传感器的输出作为结冰区间数神经网络模型的输入,结冰检测模块的输出作为区间数DRNN神经网络公路路面使用性能等级分类器的输入。
5.根据权利要求1所述的一种公路路面使用性能检测系统,其特征在于:所述事故预测模块由事故减法聚类分类器、多个小波神经网络事故预测模型、NARX神经网络事故模型、LSTM神经网络事故残差预测模型和区间数GMDH神经网络事故模型组成组成,交通事故预测模块实现对交通事故历史数据进行区间数预测。
6.根据权利要求1所述的一种公路路面使用性能检测系统,其特征在于:所述交费量预测模块由交通减法聚类分类器、多个小波神经网络交通预测模型NARX神经网络交通模型、LSTM神经网络交通残差预测模型和区间数GMDH神经网络交通模型组成组成,交费量预测模块实现对交通量历史数据进行区间数预测。
7.根据权利要求1所述的一种公路路面使用性能检测系统,其特征在于:所述基于CAN总线的路面气象环境参数采集平台由检测节点、控制节点和现场监控端组成,通过CAN总线实现检测节点、控制节点和现场监控端之间的通信,检测节点分别由传感器组模块、单片机和通信接口组成,传感器组模块负责检测路面气象环境的温度、结冰、雨雪和风速的路面气象环境参数,由单片机控制采样间隔并通过通信模块发送给现场监控端。
8.根据权利要求7所述的一种公路路面使用性能检测系统,其特征在于:所述控制节点实现对路面气象环境参数的调节设备进行控制;现场监控端由一台工业控制计算机和RS232/CAN通信模块组成,实现对路面气象环境参数进行管理和对公路路面使用性能等级分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010201102.5A CN111461413B (zh) | 2020-03-20 | 2020-03-20 | 一种公路路面使用性能检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010201102.5A CN111461413B (zh) | 2020-03-20 | 2020-03-20 | 一种公路路面使用性能检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461413A true CN111461413A (zh) | 2020-07-28 |
CN111461413B CN111461413B (zh) | 2024-04-19 |
Family
ID=71685655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010201102.5A Active CN111461413B (zh) | 2020-03-20 | 2020-03-20 | 一种公路路面使用性能检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461413B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132260A (zh) * | 2020-09-03 | 2020-12-25 | 深圳索信达数据技术有限公司 | 神经网络模型的训练方法、调用方法、设备及存储介质 |
CN112580257A (zh) * | 2020-12-10 | 2021-03-30 | 东北大学 | 基于深度学习的复杂工业系统预报模型构建方法、装置、设备及存储介质 |
CN113218598A (zh) * | 2021-05-07 | 2021-08-06 | 淮阴工学院 | 一种气密性检测系统 |
CN113281465A (zh) * | 2021-05-07 | 2021-08-20 | 淮阴工学院 | 一种畜禽舍养殖环境有害气体检测系统 |
CN113379187A (zh) * | 2021-04-29 | 2021-09-10 | 武汉理工大学 | 一种交通气象灾害评估方法、装置及计算机可读存储介质 |
CN114562944A (zh) * | 2022-01-24 | 2022-05-31 | 西南交通大学 | 一种模拟路面结冰的试验系统及方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09166666A (ja) * | 1995-12-19 | 1997-06-24 | Hitachi Cable Ltd | 路面凍結予測方法 |
JP2002048878A (ja) * | 2000-08-02 | 2002-02-15 | Nagoya Electric Works Co Ltd | 路面温度または路面状態の予測方法およびその装置 |
JP2004191276A (ja) * | 2002-12-13 | 2004-07-08 | Koito Ind Ltd | 路面状態判別装置 |
GB201804954D0 (en) * | 2018-03-27 | 2018-05-09 | Points Protector Ltd | Driving monitoring |
CN109697852A (zh) * | 2019-01-23 | 2019-04-30 | 吉林大学 | 基于时序交通事件的城市道路拥堵程度预测方法 |
CN110084417A (zh) * | 2019-04-19 | 2019-08-02 | 淮阴工学院 | 一种基于grnn神经网络的草莓温室环境参数智能监测系统 |
CN110109193A (zh) * | 2019-04-19 | 2019-08-09 | 淮阴工学院 | 一种基于drnn神经网络的茄子温室温度智能化检测装置 |
CN110516846A (zh) * | 2019-07-26 | 2019-11-29 | 浙江工业大学 | 基于lstm神经网络的道路交叉口转向比预测方法 |
CN110647979A (zh) * | 2019-09-10 | 2020-01-03 | 淮阴工学院 | 一种基于物联网的温室环境多参数智能化监测系统 |
CN110705757A (zh) * | 2019-09-10 | 2020-01-17 | 淮阴工学院 | 一种基于现场总线网络的多点温度传感器智能监测系统 |
CN110716012A (zh) * | 2019-09-10 | 2020-01-21 | 淮阴工学院 | 一种基于现场总线网络的油气浓度智能监测系统 |
-
2020
- 2020-03-20 CN CN202010201102.5A patent/CN111461413B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09166666A (ja) * | 1995-12-19 | 1997-06-24 | Hitachi Cable Ltd | 路面凍結予測方法 |
JP2002048878A (ja) * | 2000-08-02 | 2002-02-15 | Nagoya Electric Works Co Ltd | 路面温度または路面状態の予測方法およびその装置 |
JP2004191276A (ja) * | 2002-12-13 | 2004-07-08 | Koito Ind Ltd | 路面状態判別装置 |
GB201804954D0 (en) * | 2018-03-27 | 2018-05-09 | Points Protector Ltd | Driving monitoring |
CN109697852A (zh) * | 2019-01-23 | 2019-04-30 | 吉林大学 | 基于时序交通事件的城市道路拥堵程度预测方法 |
CN110084417A (zh) * | 2019-04-19 | 2019-08-02 | 淮阴工学院 | 一种基于grnn神经网络的草莓温室环境参数智能监测系统 |
CN110109193A (zh) * | 2019-04-19 | 2019-08-09 | 淮阴工学院 | 一种基于drnn神经网络的茄子温室温度智能化检测装置 |
CN110516846A (zh) * | 2019-07-26 | 2019-11-29 | 浙江工业大学 | 基于lstm神经网络的道路交叉口转向比预测方法 |
CN110647979A (zh) * | 2019-09-10 | 2020-01-03 | 淮阴工学院 | 一种基于物联网的温室环境多参数智能化监测系统 |
CN110705757A (zh) * | 2019-09-10 | 2020-01-17 | 淮阴工学院 | 一种基于现场总线网络的多点温度传感器智能监测系统 |
CN110716012A (zh) * | 2019-09-10 | 2020-01-21 | 淮阴工学院 | 一种基于现场总线网络的油气浓度智能监测系统 |
Non-Patent Citations (5)
Title |
---|
孙翠梅;马俊峰;孔启亮;巫丽君;王燕;: "镇江市道路结冰影响指数分级预报方法", 气象与环境学报, no. 04, 15 August 2013 (2013-08-15) * |
康延臻;王式功;杨旭;李景鑫;徐文君;尚可政;: "高速公路交通气象监测预报服务研究进展", 干旱气象, no. 04, 15 August 2016 (2016-08-15) * |
王贵槐;李青;姜攀;: "基于路侧多传感器的低成本不利天气路况识别系统构架设计", 公路与汽运, no. 04, 25 July 2009 (2009-07-25) * |
赵复笑, 杨殿海, 陈宏: "基于神经网络的沥青混凝土路面使用性能预测", 沈阳建筑工程学院学报(自然科学版), no. 02, 20 May 2004 (2004-05-20) * |
赵志平;: "对高速公路沥青路面养护维修体系的分析", 中国标准化, no. 10, 25 May 2019 (2019-05-25) * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132260A (zh) * | 2020-09-03 | 2020-12-25 | 深圳索信达数据技术有限公司 | 神经网络模型的训练方法、调用方法、设备及存储介质 |
CN112580257A (zh) * | 2020-12-10 | 2021-03-30 | 东北大学 | 基于深度学习的复杂工业系统预报模型构建方法、装置、设备及存储介质 |
CN112580257B (zh) * | 2020-12-10 | 2022-03-29 | 东北大学 | 基于深度学习的复杂工业系统预报模型构建方法、装置、设备及存储介质 |
CN113379187A (zh) * | 2021-04-29 | 2021-09-10 | 武汉理工大学 | 一种交通气象灾害评估方法、装置及计算机可读存储介质 |
CN113379187B (zh) * | 2021-04-29 | 2023-01-10 | 武汉理工大学 | 一种交通气象灾害评估方法、装置及计算机可读存储介质 |
CN113218598A (zh) * | 2021-05-07 | 2021-08-06 | 淮阴工学院 | 一种气密性检测系统 |
CN113281465A (zh) * | 2021-05-07 | 2021-08-20 | 淮阴工学院 | 一种畜禽舍养殖环境有害气体检测系统 |
CN113218598B (zh) * | 2021-05-07 | 2022-06-03 | 淮阴工学院 | 一种气密性检测系统 |
CN114562944A (zh) * | 2022-01-24 | 2022-05-31 | 西南交通大学 | 一种模拟路面结冰的试验系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111461413B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461413B (zh) | 一种公路路面使用性能检测系统 | |
CN110580021B (zh) | 一种基于现场总线的粮仓环境安全智能监测系统 | |
CN111429718B (zh) | 一种公路交通安全智能检测系统 | |
CN110766132B (zh) | 一种基于物联网的果园产量智能预测系统 | |
CN111426344B (zh) | 一种建筑物能耗智能检测系统 | |
CN111444947B (zh) | 一种桥梁沉降智能检测系统 | |
CN111460729A (zh) | 一种桥梁变形智能检测系统 | |
CN112665656B (zh) | 一种农产品生长环境大数据检测系统 | |
CN114397043B (zh) | 多点温度智能检测系统 | |
CN111461187B (zh) | 一种建筑物沉降智能检测系统 | |
CN111476278B (zh) | 一种气体浓度智能化检测系统 | |
CN115016276B (zh) | 智能水分调节与环境参数物联网大数据系统 | |
CN113219871B (zh) | 一种养护室环境参数检测系统 | |
CN111474094B (zh) | 一种粉尘浓度智能化检测系统 | |
Mantri et al. | Weather prediction and classification using neural networks and k-nearest neighbors | |
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 | |
CN111476463A (zh) | 一种公路气象参数与路面湿滑智能化检测系统 | |
CN114386672B (zh) | 环境大数据物联网智能检测系统 | |
CN114399024B (zh) | 油气浓度大数据智能检测系统 | |
CN115062764B (zh) | 光照度智能调节与环境参数物联网大数据系统 | |
CN114358244B (zh) | 基于物联网的压力大数据智能检测系统 | |
CN114970745B (zh) | 物联网智能安防与环境大数据系统 | |
CN114390376B (zh) | 火灾大数据远程探测与预警系统 | |
CN111473768B (zh) | 一种建筑物安全智能检测系统 | |
CN115016275B (zh) | 智能化饲喂与畜禽舍大数据物联网系统 |
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 |