CN111737916B - 一种基于大数据的道路桥梁病害分析与养护决策方法 - Google Patents
一种基于大数据的道路桥梁病害分析与养护决策方法 Download PDFInfo
- Publication number
- CN111737916B CN111737916B CN202010577374.5A CN202010577374A CN111737916B CN 111737916 B CN111737916 B CN 111737916B CN 202010577374 A CN202010577374 A CN 202010577374A CN 111737916 B CN111737916 B CN 111737916B
- Authority
- CN
- China
- Prior art keywords
- road
- maintenance
- data
- bridge
- disease
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 152
- 201000010099 disease Diseases 0.000 title claims abstract description 117
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 238000007726 management method Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000012098 association analyses Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 20
- 230000008439 repair process Effects 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000007418 data mining Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 230000008901 benefit Effects 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 7
- 230000004048 modification Effects 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013138 pruning Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 241001347978 Major minor Species 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 9
- 238000013461 design Methods 0.000 abstract description 4
- 238000007689 inspection Methods 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 3
- 238000012097 association analysis method Methods 0.000 abstract description 2
- 238000013524 data verification Methods 0.000 abstract description 2
- 230000036541 health Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000003449 preventive effect Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000005336 cracking Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 241000721047 Danaus plexippus Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- 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
- G06Q50/08—Construction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于大数据的路桥病害分析及养护决策方法，能够在复杂的建设、运营、检测检修、养护数据中发现潜在的、隐含的、未知的规则，科学、客观的确定病害成因；引入PCI/BCI、日常养护水平、交通量等各种影响因素到养护管理决策模型中，通过大数据分析方法融合道路桥梁设计、施工、运行和养护过程中产生的结构化和非结构化数据，采用大数据关联分析方法，建立道路桥梁病害等级与多因素之间的关联模型，由此建立了资金约束、人员约束条件下的PCI、机会成本最优决策模型，通过现场巡查和专业检测数据验证模型的有效性，确定影响道路桥梁健康状况的关键因素，得到最终的预测结果，进而智能推荐路桥养护决策方案，为道路桥梁的养护决策奠定基础。
Description
技术领域
本发明涉及道路桥梁病害分析与养护领域，特别涉及一种基于大数据的道路桥梁病害分析与养护决策方法。
背景技术
道路桥梁作为交通路网的重要组成部分和关键工程，其性能的好坏不仅关系到交通运营和行车安全，而且影响到经济和社会的运行效益。长期以来"重建轻养"，使我国道路桥梁的养护管理技术形成了较为落后的被动局面。由于养护资金不足、管养质量混杂不清、技能匹配度低、养护数据记录堆砌无用、信息处理手段落后等导致道路桥梁的养护缺乏具体措施或可操作性差，进而导致养护决策的计划性和科学性不足。因此，如何维护和管理好庞大的道路桥梁资源，是一个极大的挑战。
目前进行道路桥梁病害成因分析和确定的方法主要有病害类比分析法、层次分析法、灰色系统评估法、模糊理论评估法、决策支持系统法等，其主要思想是根据道路桥梁的破损状况，利用专家经验、知识库或者数学模型进行类比分析，从而推断道路桥梁病害的成因。这些分析方法的主要依据是当前的道路桥梁状态，分析过程简单、直接，但难以达到全面预防性养护和最优决策的效果。根据我国《公路养护技术规范JTJ 073—96》的道路状况指数PCI、桥梁状况指数BCI，美国《国家桥梁结构调查与评价的记录和编码指南》的SR指数，都是利用一个数学模型(或者几个公式)，根据各构件的评分计算出道路桥梁的总体评分，从而确定道路桥梁总体状况等级。也有少量方法是在丰富的历史数据基础上，建立路桥特征和退化情况的关系，预测在既有的养护水平下未来一段时间内的状况程度，但分析预测不够全面，不能得到最优的养护方案。
发明内容
本发明的目的是提供一种基于大数据的道路桥梁病害分析与养护决策方法，基于大数据的挖掘分析方法，结合道路桥梁养护找出道路桥梁病害成因，并基于历史道路桥梁巡查与检修养护数据进行验证，以期发现其中的规律；揭示道路桥梁养护数据蕴含的病害时空分布特征及其影响因素，预测道路桥梁潜在养护等级、范围和时间，并结合预期养护目标与成本约束等制定养护决策优化模型，得到路桥病害预防性养护的最优方案提前作为资金预算和养护计划。
为了实现上述任务，本发明采用以下技术方案：
一种基于大数据的道路桥梁病害分析与养护决策方法，包括以下步骤：
采集与道路桥梁性能有关的数据并进行预处理，根据预处理后的数据，划分病害类型，确定主要病害类型以及病害的主要影响因素，基于此得到数据挖掘中所有事务数据的集合；
进行关联分析并建立关联分析数据集，包括统计项集频次、生成候选项集、产生关联规则并生成关联分析数据集；当某些道路发生病害时，根据检测得到的病因，设置相应的支持度和置信度，从关联分析数据集查看到相应的关联规则，根据关联规则可以确定病害的养护措施；
进行道路桥梁养护时，确定道路桥梁的养护决策类型和养护优先顺序，以路网整体技术状况最优、机会成本最小为目标，同时考虑路段养护费用以及它所带来的经济效益，将资金总额和日常养护工作量作为决策约束条件，对路段养护排序进行决策校验，完成实际工作中的养护资金需求测算以及养护资金分配。
进一步地，所述采集与道路桥梁性能有关的数据并进行预处理，包括：
所述与道路桥梁性能有关的数据包括本信息数据、历年养护数据、历年检测检修数据、历年运营数据、历年气象数据和历年流量数据；所述预处理包括：空数据项处理、异常值处理、连续数据离散化、数据规范化和数据分段处理，其中数据分段处理中，对道路数据按里程长度进行分段，桥梁数据按具体桥梁名称进行划分。
进一步地，所述确定主要病害类型以及病害的主要影响因素，包括：
根据《城镇道路养护技术规范CJJ36-2016》对路面病害进行分类；根据《城市桥梁养护技术规范CJJ99-2003》对桥梁的病害进行分类；
按照预处理过程中的数据分段处理的划分结果，分段针对每一类病害现象，从历年检测检修数据中统计引起该病害现象的病因；将病害类型和程度、影响因素进行分类，利用关联分析技术进行病害类别、严重程度与影响因素类别关联的支持度计数，根据支持度、置信度指标发现病害程度与某个或某些影响因素之间的关联度大小，关联度大的影响因素就作为病害的主要影响因素。
进一步地，所述数据挖掘中所有事务数据的集合的确定方法包括：
对经过数据分段处理划分的段号为k的某个病害r进行成因分析时，设Dr为该路段的病害现象数据集，由于病害和段号有对应的关系，可将其表示为Dr＝{(k,r)|r∈R}，其中R为该病害的类型R＝{r1,r2,..,rn}，n表示病害的种类；
设Ds为病因数据集，所有病因可以直接与段号进行对应或者转换；因此病因数据集表示为Ds＝{(k,q1,q2,…,qm)|qi∈Q}，其中m为病因个数，qi为第i个影响因素的类别集，Q为类别集的集合；
合并病害数据集与病因数据集得到事务数据集合D，D＝{(k,r,q1,q2,…,qm)|qi∈Q，r∈R}，即数据挖掘中的所有事务数据的集合。
进一步地，所述进行关联分析并建立关联分析数据集，包括：
首先读取事务数据集合D，其中的事务数据会分为N个分段，在映射阶段每一个分段的每一行事务数据被映射为<项集，1>中间键值对，在归约阶段键值相同的项集将会被规约到一起，并写入HBase数据库中，方便下一阶段剪枝操作；这一阶段产生数据结果：所有项集频次表D1；
再次读取事务数据集合D，在生成候选项集前先进行剪枝操作，读取HBase中项集频数，去除频数小于支持度的项集；这里利用性质：非频繁项集的超集也是非频繁的，再使用循环和递归函数生成候选项集，并写入HBase中，输出结果为包含候选项集频次表D2的候选项集频次文件out2；
将候选项集频次文件out2作为输入文件，多个任务并行处理，来挖掘候选项集之间的关联规则；结合HBase中存储的候选项集频次表D2计算，去除小于最小置信度分支，减少冗余运算；计算关联规则：在数据集D中找出支持度sx不小于支持度阈值smin并且置信度σx不小于置信度阈值σmin的所有规则，记为建立关联分析数据集Dx，即Dx＝{x|sx≥smin，σx≥σmin}。
进一步地，所述确定道路桥梁的养护决策类型，包括：
设定道路桥梁进行养护决策的类型，包括日常养护、小修、中修、大修、改建；选择PCI/BCI作为道路桥梁技术状况的主要指标，将道路桥梁典型养护标准对应的PCI/BCI划分为四个区段，分别为70～100、55～69、40～54、0～39；如果PCI/BCI大于70，表明处于良好的状态，则对应的养护措施以日常养护为主，并对一些小规模的路面病害进行处理；如果PCI/BCI值介于55～69之间，表明路面局部出现了一些小规模的病害，此时路面的需要及时进行病害处理，以小修为主；如果PCI/BCI值介于40～54之间，表明路面破损状况较为严重，需要及时采取中修；如果PCI/BCI小于40，则说明路面状况破损严重，需进行大修或改建。
进一步地，所述确定道路桥梁的养护优先顺序，包括：
将路/桥现状D1、路/桥面损坏状况变化率D2、交通量D3、日常管理水平D4、重要性D5、养护能力D6作为主要决策因素；
其中将路/桥现状D1包括两部分，即PCI/BCI和主要病害成因；PCI/BCI决定是否需要小修、中修、大修或改建；主要病害成因将决定采取何种预处理措施；路/桥面损坏状况变化率D2表示道路桥梁在未来年与决策年之间路/桥面PCI/BCI的变化速度，反映了路/桥面破坏的快慢程度，k越大，说明破坏速度越快；交通量D3是路面承受的直接外部荷载，交通量越大的路段，受到的关注程度越高，对路面养护的要求也越高，同等损坏条件下，交通量大的路段应优先进行养护；日常管理水平D4，日常管理水平高的区域内的路段应优先考虑；重要性D5，在同等的技术状况下，重要性高的路段应优先安排；
确定路网中各条线路养护管理的先后顺序，排序结果可以反映路面养护的迫切性和综合重要程度；其中排序的规则如下表：
设置6个方案因素的权值矩阵W＝(w1,w2,w3,w4,w5,w6)，决策的排序结果为R＝w1×D1+w2×D2+w3×D3+w4×D4+w5×D5+w6×D6。
进一步地，所述以路网整体技术状况最优、机会成本最小为目标，同时考虑路段养护费用以及它所带来的经济效益，将资金总额和日常养护工作量作为决策约束条件，表示为：
将机会成本最小min z1和路网整体技术状况最优min z2作为决策目标，将资金总额和日常养护工作量作为决策约束条件，建立的决策模型的目标为：
min z1＝a1x1+a2x2+...+anxn
min z2＝b1x1+b2x2+...+bnxn
约束条件为：
m1x1+m2x2+...+mnxn≤M
t1x1+t2x2+...+tnxn≤T
上式中，xi∈{0,1}，i＝1,2,…,n；当xi＝1时表示第i条桥梁或者路段优先进行养护，ai表示养护第i条桥梁或者路段机会成本，bi表示养护第i条桥梁或者路段后的使用价值，mi表示养护第i条桥梁或者路段成本，ti表示养护第i条桥梁或者路段所需人力成本，M表示养护资金总额，T表示养护人员总数；其中，机会成本和路网整体技术状况的具体值利用大数据提取，辅助采取专家打分结合的方法得到。
进一步地，所述决策模型的目标的求解方法为：
构造以下求解问题：
min Z＝λ1z1-λ2z2
具体求解过程为：
a.初始化参数，设置种群规模大小NP，最大迭代次数Maxgen，调整率BAR，迁徙期peri和两个子群比率p；
b.令当前迭代数t＝0；
c.随机初始化种群Pt＝{r1，r2，…，ri，…rNP}，个体下标i＝1,2,…,NP；并且个体ri＝{x1，x2，…，xn}，表示具体的一个解；
d.计算种群中每个个体的适应值，根据每只帝王蝶的位置计算各自的适应度值，并保存种群中的最优个体
e.根据适应度值对种群进行排序；将种群分成两个子群，分别为子群1和子群2，两个子群的大小分别为NP1＝ceil(p*NP)，NP2＝NP-NP1，公式中ceil(x)表示向上取大于或等于x的整数；
f.对子群1进行迁移操作，具体步骤如下：
在第t次迭代中子群1中每一个个体ri中第k(0≤k<D)维元素采用如下公式进行下一次迭代的位置更新：
上式中r＝rand×peri，rand为[0,1]中的随机数。r1，r2分别为从子群1和子群2中随机选出；
g.对子群2进行调整操作，具体步骤如下：
在第t次迭代中子群2中每一个个体rj中第k(0≤k<D)维元素采用如下公式进行下一次迭代的位置更新：
上式中为当前迭代t中，最好个体xbest中第k维的元素；r3是从子群2中随机选出，r3∈[0，NP2)；∝为权重因子，dxk为个体j的步长，Smax为最大步长，Levy为分布函数；dxk和∝的计算公式如下：∝＝Smax/t2，/>
h.将两个新子群合并成一个新的种群，根据更新的位置重新计算每个个体的适应度值；
i.令当前迭代次数t＝t+1；
j.保存种群Pt中最优个体
k.重复步骤e-j，直至当前迭代次数达到Maxgen后结束，将执行过程中得到的最优个体即为最终所求问题的解。
与现有技术相比，本发明具有以下技术特点：
本发明提供的基于大数据的路桥病害分析及养护决策方法，能够在复杂的建设、运营、检测检修、养护数据中发现潜在的、隐含的、未知的规则，科学、客观的确定病害成因。引入PCI/BCI、日常养护水平、交通量等各种影响因素到养护管理决策模型中，通过大数据分析方法融合道路桥梁设计、施工、运行和养护过程中产生的结构化和非结构化数据，采用大数据关联分析方法，建立道路桥梁病害等级与多因素之间的关联模型，由此建立了资金约束、人员约束条件下的PCI、机会成本最优决策模型，通过现场巡查和专业检测数据验证模型的有效性，确定影响道路桥梁健康状况的关键因素，得到最终的预测结果，进而智能推荐路桥养护决策方案，为道路桥梁的养护决策奠定基础。
附图说明
图1为基于大数据的路桥病害分析与养护决策支持流程图；
图2为进行关联分析并生成关联规则的流程示意图。
具体实施方式
近年来，由于数字化公路桥梁已经逐步建立，设计、施工、运行、养护过程中产生大量的数据得以保存，检测数据信号总量也达到TB级别，这些均为道路桥梁病害成因分析和预防性养护提供了数据基础。基于大数据的挖掘分析技术，通过大数据分析的手段找出道路桥梁病害的成因(影响因素的关联规则)，并基于现有道路桥梁检测与检修数据进行验证，以期发现其中的规律。这些规则可能会揭示道路桥梁养护数据蕴含的病害时空分布特征及其影响因素，预测道路桥梁潜在养护等级、范围和时间，并结合预期养护目标与成本约束等制定养护决策优化模型，得到路桥病害预防性养护的最优方案提前作为资金预算和养护计划。本发明利用Apriori算法对桥梁病害成因进行关联分析，在面对海量的数据时，借助Hadoop分布式计算平台，采用MapReduce计算框架和HBase数据库来优化算法性能。
本发明的一种基于大数据的道路桥梁病害分析与养护决策方法，包括以下步骤：
步骤1，采集与道路桥梁性能有关的数据并进行预处理
如图1所示，本方案中主要采集六类与道路性能有关的数据，包括基本信息数据、历年养护数据、历年检测检修数据、历年运营数据、历年气象数据和历年流量数据。这些数据既包含了结构化的数据，也包含一些非结构化的数据，并且这部分数据占很大比例。为了使得分析得出的结果更完整，采用Hadoop中的HBase进行数据存储。
采集数据后首先对数据进行预处理。由于检测方法、记录方法、格式等不同，桥梁建设和养护数据是零散的、非对应的，无法进行数据挖掘，因此需要对数据的存储进行重新设计与处理。包括以下内容：
1)空数据项处理。对于检测频度较低的指标，会产生空数据项，这些数据可以使用邻近检测点的均值进行填充。
2)异常值处理。方差异常的数据会影响离散化时的数据分段，应以数据的较大值或较小值进行替代，并对异常值进行标记。
3)连续数据离散化。对于检测值为连续数据时，需要根据数据的分布，按照一定的间隔对其进行离散化，取各段中值作为该检测数据的代表值。
4)数据规范化。不同项目管理系统的数据格式不同，需要按照中国交通部的标准进行格式统一，或者转换为标准值。
5)数据分段处理。道路数据按里程长度进行分段，桥梁数据按具体桥梁名称进行划分。
步骤2，确定主要病害类型
预处理后，对历年养护数据进行统计分析，按照一定方式划分病害类型，比如根据《城镇道路养护技术规范CJJ36-2016》，可以将路面病害现象分成了四大类，即裂缝类，变形类，松散类和其他类，并根据病害程度的不同分成了30个小类，主要坑槽、沉陷、车辙、裂缝、桥面推移、水损坏、泛油等种类；根据《城市桥梁养护技术规范CJJ99-2003》将桥梁的病害现象分为桥面结构，上部结构和下部结构病害。主要包括桥梁砼病害、钢筋病害、支座、伸缩缝、梁体开裂变形、墩台开裂沉陷等。或者直接从现有数据中进行统计。按照预处理过程中的5)数据分段处理的划分结果，分段针对每一类病害现象，从历年检测检修数据中统计引起该病害现象的病因，最后这些数据构成数据挖掘中所有事务的集合。
步骤3，确定病害的主要影响因素
由于病因数量众多，关系复杂，人工判断存在较大难度，因此，可以将数据合理分段，将病害类型和程度、影响因素进行分类，利用关联分析技术进行病害类别、严重程度与影响因素类别关联的支持度计数，根据支持度、置信度等指标发现病害程度与某个(些)影响因素之间的关联度大小，关联度大的影响因素就是最可能的病害影响因素。
示例性地，对经过数据分段处理划分的段号为k的某个病害r进行成因分析时，设Dr为该路段的病害现象数据集，由于病害和段号有对应的关系，因此，可将其表示为Dr＝{(k,r)|r∈R}，其中R为该病害的类型R＝{r1,r2,..,rn}，n表示病害的种类。
设Ds为病因数据集，同理，所有病因可以直接与段号进行对应或者转换；因此病因数据集表示为Ds＝{(k,q1,q2,…,qm)|qi∈Q}其中m为病因个数，qi为第i个影响因素的类别集，Q为类别集的集合。
合并病害数据集与病因数据集得到事务数据集合D，D＝{(k,r,q1,q2,…,qm)|qi∈Q，r∈R}，即数据挖掘中的所有事务数据的集合。
步骤4，关联分析并建立关联分析数据集
通常在做关联规则发现的时候都会设定支持度和置信度阈值最小支持度和最小置信度，而关联规则发现则是发现那些支持度大于等于最小支持度并且置信度大于最小置信度的所有规则。支持度和置信度的意义在于，支持度是一个重要的度量，如果支持度很低，代表这个规则其实只是偶然出现，基本没有意义。因此，支持度通常用来删除那些无意义的规则。而置信度则是通过规则进行推理具有可靠性。
基于Hadoop平台实现Apriori算法的基本思想是：先并行产生局部频繁项集，再规约为全局频繁项集。Apriori算法实现的总体可分为三个过程：统计项集频次、生成候选项集、产生关联规则。这3个阶段分别由MapReduce的3个job来完成。
首先读取事务数据集合D，其中的事务数据会分为N个分段partitions，在映射map阶段每一个分段partitions的每一行事务数据被映射为<项集，1>中间键值对，在归约reduce阶段键值相同的项集将会被规约到一起，并写入HBase数据库中，方便下一阶段剪枝操作；这一阶段产生数据结果：所有项集频次表D1。
第二阶段中，再次读取事务数据集合D，在生成候选项集前先进行剪枝操作，读取HBase中项集频数，去除频数小于支持度的项集。这里利用性质：非频繁项集的超集也是非频繁的，再使用循环和递归函数生成候选项集，并写入HBase中，输出结果为包含候选项集频次表D2的候选项集频次文件out2。
在最后的阶段，生成关联规则，建立关联分析数据集。将第二阶段中输出候选项集频次文件out2作为输入文件，多个任务task并行处理，来挖掘候选项集之间的关联规则。结合HBase中存储的候选项集频次表D2计算，去除小于最小置信度分支，减少冗余运算。计算关联规则：在数据集D中找出支持度sx不小于支持度阈值smin并且置信度σx不小于置信度阈值σmin的所有规则，记为建立关联分析数据集Dx，即Dx＝{x|sx≥smin，σx≥σmin}。
针对建立起的关联分析数据集Dx，当某些道路发生病害时，根据检测得到的病因，设置相应的支持度和置信度，就可以直接从Dx查看到相应的关联规则，根据关联规则可以确定病害的养护措施，并且也可以知，由此病因是否可能会引发其它病害的概率是多少，由此提供一个精准的养护方案。
步骤5，决策支持
考虑到道路桥梁养护资金有限，为了使有限的养护资金发挥最大的效益，本发明首先计算道路桥梁的PCI/BCI值，确定道路桥梁的养护决策类型，应用技术性能、机会成本等最优为目标，同时考虑路段养护费用以及它所带来的经济效益等多项约束条件，对路段养护排序进行O-1决策校验，完成实际工作中的养护资金需求测算，以及养护资金分配。具体步骤如下：
步骤5.1，确定养护决策类型
道路桥梁进行养护决策主要包括日常养护、小修、中修、大修、改建等。其中，小修主要是进行预防性养护，不能提升PCI/BCI的等级，只是维持目前的使用水平；中修是以修复道路的功能性能和结构性能为主，可以将PCI/BCI提高两级；大修将全面恢复道路的使用性能，可以使所有指标恢复到最优水平；改建不仅可以全面恢复道路的使用性能，甚至可以提高道路等级。
本发明中选择PCI/BCI作为道路桥梁技术状况的主要指标，因而在决策树中采用PCI/BCI作为确定养护标准和养护对策的主要因素。根据相关的养护技术规范，结合道路桥梁养护管理工作经验，将道路桥梁典型养护标准对应的PCI/BCI划分为四个区段，分别为70～100、55～69、40～54、0～39。如果PCI/BCI大于70，表明处于良好的状态，则对应的养护措施以日常养护为主，并对一些小规模的路面病害进行处理；如果PCI/BCI值介于55～69之间，表明路面局部出现了一些小规模的病害，此时路面的需要及时进行病害处理，以小修为主；如果PCI/BCI值介于40～54之间，表明路面破损状况较为严重，需要及时采取中修，以免路面破损状况进一步恶化；如果PCI/BCI小于40，则说明路面状况破损严重，需进行大修或改建。
步骤5.2，确定养护优先顺序
决策模型的合理与否是道路桥梁养护管理决策成败的关键。为使道路桥梁养护管理决策结果能够适应当地经济发展的需要，在进行决策时需要考虑多种因素，包括使用材料、设计、施工等工程实际因素，同时还包括路桥等级、类型、破损状况、使用年限、交通量、养护资金、养护能力、气候条件、政策因素以及所要求达到的服务水平等因素，在本发明中，主要考虑以下几个决策因素：
D1路/桥(PCI/BCI)现状：包括两部分，即PCI/BCI和主要病害成因。PCI/BCI决定是否需要小修、中修、大修或改建。主要病害成因将决定采取何种预处理措施。即使PCI/BCI相同，若主要病害成因不同，所采用的对策也可能不同。
D2路/桥面损坏状况变化率(k)：表示道路桥梁在未来年与决策年之间路/桥面PCI/BCI的变化速度，反映了路/桥面破坏的快慢程度，k越大，说明破坏速度越快，养护部门应该及时采取养护措施。
D3交通量：交通量是路面承受的直接外部荷载，是造成路面破坏的主要外部因素。在进行养护决策时，交通量越大的路段，受到的关注程度越高，对路面养护的要求也越高，同等损坏条件下，交通量大的路段应优先进行养护。
D4日常管理水平：日常管理水平的高低与养护效果的好坏有直接关系，并且从提高养护管理部门积极性的角度出发，在其他条件相同的情况下，日常管理水平高的区域内的路段应优先考虑。
D5重要性：路段/桥梁在路网中的重要性越大，受到的关注程度越高，对养护的要求也越高，在同等的技术状况下，重要性高的路段应优先安排。
D6养护能力：当地的养护技术、人员、施工装备等也是影响养护对策选择的因素，主要是影响维修周期。
在养护管理中通常受到资金的限制，不可能满足所有道路桥梁的养护需求，在这种情况下，需要按照一定标准确定路网中各条线路养护管理的先后顺序，排序结果可以反映路面养护的迫切性和综合重要程度。本发明选用的排序规则如下表所示。
表1 影响决策方案的因素和排序规则
设置6个方案因素的权值矩阵W＝(w1,w2,w3,w4,w5,w6)，决策的排序结果为R＝w1×D1+w2×D2+w3×D3+w4×D4+w5×D5+w6×D6。
由所述的养护决策类型、养护优先顺序构成养护决策方案。
步骤5.3，检验确定养护决策方案
根据上述确定的决策方案，本发明将机会成本最小min z1和路网整体技术状况最优min z2作为决策目标，将资金总额和日常养护工作量作为决策约束条件，建立的决策模型的目标为：
min z1＝a1x1+a2x2+...+anxn
min z2＝b1x1+b2x2+...+bnxn
约束条件为：
m1x1+m2x2+...+mnxn≤M
t1x1+t2x2+...+tnxn≤T
上式中，xi∈{0,1}，i＝1,2,…,n；当xi＝1时表示第i条桥梁或者路段优先进行养护，ai表示养护第i条桥梁或者路段机会成本，bi表示养护第i条桥梁或者路段后的使用价值，mi表示养护第i条桥梁或者路段成本，ti表示养护第i条桥梁或者路段所需人力成本，M表示养护资金总额，T表示养护人员总数。其中，机会成本和路网整体技术状况的具体值可以根据利用大数据提取，辅助采取专家打分结合的方法得到。
由上可知，决策目标是一个多目标函数求解，为了方便求解，我们通过一组系统，将其转化为单目标规划问题。构造以下求解问题：
min Z＝λ1z1-λ2z2
其中，λ1和λ2为z1和z2的构造系数。
为了求解上述问题，本发明采用帝王蝶优化算法(Monarch ButterflyOptimization，MBO)对问题进行求解，具体求解过程为：
a.用户初始化参数，设置种群规模大小NP，最大迭代次数Maxgen，调整率BAR，迁徙期peri和两个子群比率p；
b.令当前迭代数t＝0；
c.随机初始化种群Pt＝{r1，r2，…，ri，…rNP}，个体下标i＝1,2,…,NP；并且个体ri＝{x1，x2，…，xn}，表示具体的一个解；
d.计算种群中每个个体的适应值，根据每只帝王蝶的位置计算各自的适应度值，并保存种群中的最优个体
e.根据适应度值对种群进行排序；将种群分成两个子群，分别为子群1和子群2，两个子群的大小分别为NP1＝ceil(p*NP)，NP2＝NP-NP1，公式中ceil(x)表示向上取大于或等于x的整数；
f.对子群1进行迁移操作，具体步骤如下：
在第t次迭代中子群1中每一个个体ri中第k(0≤k<D)维元素采用如下公式进行下一次迭代的位置更新：
上式中r＝rand×peri，rand为[0,1]中的随机数。r1，r2分别为从子群1和子群2中随机选出。
g.对子群2进行调整操作，具体步骤如下：
在第t次迭代中子群2中每一个个体rj中第k(0≤k<D)维元素采用如下公式进行下一次迭代的位置更新：
上式中为当前迭代t中，最好个体xbest中第k维的元素；r3是从子群2中随机选出，r3∈[0，NP2)；∝为权重因子，dxk为个体j的步长，Smax为最大步长，Levy为分布函数。dxk和∝的计算公式如下：∝＝Smax/t2，/>
h.将两个新子群合并成一个新的种群，根据更新的位置重新计算每个个体的适应度值；
i.令当前迭代次数t＝t+1；
j.保存种群Pt中最优个体
k.重复步骤e-j，直至当前迭代次数达到Maxgen后结束，将执行过程中得到的最优个体即为最终所求问题的解。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (4)
1.一种基于大数据的道路桥梁病害分析与养护决策方法，其特征在于，包括以下步骤：
采集与道路桥梁性能有关的数据并进行预处理，根据预处理后的数据，划分病害类型，确定主要病害类型以及病害的主要影响因素，基于此得到数据挖掘中所有事务数据的集合；
进行关联分析并建立关联分析数据集，包括统计项集频次、生成候选项集、产生关联规则并生成关联分析数据集；当某些道路发生病害时，根据检测得到的病因，设置相应的支持度和置信度，从关联分析数据集查看到相应的关联规则，根据关联规则确定病害的养护措施；
进行道路桥梁养护时，确定道路桥梁的养护决策类型和养护优先顺序，以路网整体技术状况最优、机会成本最小为目标，同时考虑路段养护费用以及它所带来的经济效益，将资金总额和日常养护工作量作为决策约束条件，对路段养护排序进行决策校验，完成实际工作中的养护资金需求测算以及养护资金分配；
所述进行关联分析并建立关联分析数据集，包括：
首先读取事务数据集合D，其中的事务数据会分为N个分段，在映射阶段每一个分段的每一行事务数据被映射为<项集，1>中间键值对，在归约阶段键值相同的项集将会被规约到一起，并写入HBase数据库中，方便下一阶段剪枝操作；这一阶段产生数据结果：所有项集频次表D1；
再次读取事务数据集合D，在生成候选项集前先进行剪枝操作，读取HBase中项集频数，去除频数小于支持度的项集；这里利用性质：非频繁项集的超集也是非频繁的，再使用循环和递归函数生成候选项集，并写入HBase中，输出结果为包含候选项集频次表D2的候选项集频次文件out2；
将候选项集频次文件out2作为输入文件，多个任务并行处理，来挖掘候选项集之间的关联规则；结合HBase中存储的候选项集频次表D2计算，去除小于最小置信度分支，减少冗余运算；计算关联规则：在数据集D中找出支持度sx不小于支持度阈值smin并且置信度σx不小于置信度阈值σmin的所有规则，记为建立关联分析数据集Dx，即Dx＝{x|sx≥smin，σx≥σmin}；
所述确定道路桥梁的养护决策类型，包括：
设定道路桥梁进行养护决策的类型，包括日常养护、小修、中修、大修、改建；选择PCI/BCI作为道路桥梁技术状况的主要指标，将道路桥梁典型养护标准对应的PCI/BCI划分为四个区段，分别为70～100、55～69、40～54、0～39；如果PCI/BCI大于70，表明处于良好的状态，则对应的养护措施以日常养护为主，并对一些小规模的路面病害进行处理；如果PCI/BCI值介于55～69之间，表明路面局部出现了一些小规模的病害，此时路面的需要及时进行病害处理，以小修为主；如果PCI/BCI值介于40～54之间，表明路面破损状况较为严重，需要及时采取中修；如果PCI/BCI小于40，则说明路面状况破损严重，需进行大修或改建；
所述确定道路桥梁的养护优先顺序，包括：
将路/桥现状D1、路/桥面损坏状况变化率D2、交通量D3、日常管理水平D4、重要性D5、养护能力D6作为主要决策因素；
其中将路/桥现状D1包括两部分，即PCI/BCI和主要病害成因；PCI/BCI决定是否需要小修、中修、大修或改建；主要病害成因将决定采取何种预处理措施；路/桥面损坏状况变化率D2表示道路桥梁在未来年与决策年之间路/桥面PCI/BCI的变化速度，反映了路/桥面破坏的快慢程度，D2越大，说明破坏速度越快；交通量D3是路面承受的直接外部荷载，交通量越大的路段，受到的关注程度越高，对路面养护的要求也越高，同等损坏条件下，交通量大的路段应优先进行养护；日常管理水平D4，日常管理水平高的区域内的路段应优先考虑；重要性D5，在同等的技术状况下，重要性高的路段应优先安排；
确定路网中各条线路养护管理的先后顺序，排序结果反映路面养护的迫切性和综合重要程度；其中排序的规则如下表：
设置6个方案因素的权值矩阵W＝(w1,w2,w3,w4,w5,w6)，决策的排序结果为R＝w1×D1+w2×D2+w3×D3+w4×D4+w5×D5+w6×D6；
所述以路网整体技术状况最优、机会成本最小为目标，同时考虑路段养护费用以及它所带来的经济效益，将资金总额和日常养护工作量作为决策约束条件，表示为：
将机会成本最小minz1和路网整体技术状况最优minz2作为决策目标，将资金总额和日常养护工作量作为决策约束条件，建立的决策模型的目标为：
minz1＝a1x1+a2x2+...+anxn
minz2＝b1x1+b2x2+...+bnxn
约束条件为：
m1x1+m2x2+...+mnxn≤M
t1x1+t2x2+...+tnxn≤T
上式中，xi∈{0,1}，i＝1,2,…,n；当xi＝1时表示第i条桥梁或者路段优先进行养护，ai表示养护第i条桥梁或者路段机会成本，bi表示养护第i条桥梁或者路段后的使用价值，mi表示养护第i条桥梁或者路段成本，ti表示养护第i条桥梁或者路段所需人力成本，M表示养护资金总额，T表示养护人员总数；其中，机会成本和路网整体技术状况的具体值利用大数据提取，辅助采取专家打分结合的方法得到；
所述决策模型的目标的求解方法为：
构造以下求解问题：
minZ＝λ1z1-λ2z2
具体求解过程为：
a.初始化参数，设置种群规模大小NP，最大迭代次数Maxgen，调整率BAR，迁徙期peri和两个子群比率p；
b.令当前迭代数t＝0；
c.随机初始化种群Pt＝{r1,r2,…,ri,…rNP}，个体下标i＝1,2,…,NP；并且个体ri＝{x1,x2,…,xn}，表示具体的一个解；
d.计算种群中每个个体的适应值，根据每只帝王蝶的位置计算各自的适应度值，并保存种群中的最优个体
e.根据适应度值对种群进行排序；将种群分成两个子群，分别为子群1和子群2，两个子群的大小分别为NP1＝ceil(p*NP)，NP2＝NP-NP1，公式中ceil(x)表示向上取大于或等于x的整数；
f.对子群1进行迁移操作，具体步骤如下：
在第t次迭代中子群1中每一个个体ri中第k(0≤k<D)维元素采用如下公式进行下一次迭代的位置更新：
上式中r＝rand×peri，rand为[0,1]中的随机数；r1，r2分别为从子群1和子群2中随机选出；
g.对子群2进行调整操作，具体步骤如下：
在第t次迭代中子群2中每一个个体rj中第k(0≤k<D)维元素采用如下公式进行下一次迭代的位置更新：
上式中为当前迭代t中，最好个体xbest中第k维的元素；r3是从子群2中随机选出，r3∈[0,NP2)；∝为权重因子，dxk为个体j的步长，Smax为最大步长，Levy为分布函数；dxk和∝的计算公式如下：∝＝Smax/t2，/>
h.将两个新子群合并成一个新的种群，根据更新的位置重新计算每个个体的适应度值；
i.令当前迭代次数t＝t+1；
j.保存种群Pt中最优个体
k.重复步骤e-j，直至当前迭代次数达到Maxgen后结束，将执行过程中得到的最优个体即为最终所求问题的解。
2.根据权利要求1所述的基于大数据的道路桥梁病害分析与养护决策方法，其特征在于，所述采集与道路桥梁性能有关的数据并进行预处理，包括：
所述与道路桥梁性能有关的数据包括本信息数据、历年养护数据、历年检测检修数据、历年运营数据、历年气象数据和历年流量数据；所述预处理包括：空数据项处理、异常值处理、连续数据离散化、数据规范化和数据分段处理，其中数据分段处理中，对道路数据按里程长度进行分段，桥梁数据按具体桥梁名称进行划分。
3.根据权利要求1所述的基于大数据的道路桥梁病害分析与养护决策方法，其特征在于，所述确定主要病害类型以及病害的主要影响因素，包括：
根据《城镇道路养护技术规范CJJ36-2016》对路面病害进行分类；根据《城市桥梁养护技术规范CJJ99-2003》对桥梁的病害进行分类；
按照预处理过程中的数据分段处理的划分结果，分段针对每一类病害现象，从历年检测检修数据中统计引起该病害现象的病因；将病害类型和程度、影响因素进行分类，利用关联分析技术进行病害类别、严重程度与影响因素类别关联的支持度计数，根据支持度、置信度指标发现病害程度与某个或某些影响因素之间的关联度大小，关联度大的影响因素就作为病害的主要影响因素。
4.根据权利要求1所述的基于大数据的道路桥梁病害分析与养护决策方法，其特征在于，所述数据挖掘中所有事务数据的集合的确定方法包括：
对经过数据分段处理划分的段号为k的某个病害r进行成因分析时，设Dr为该路段的病害现象数据集，由于病害和段号有对应的关系，将其表示为Dr＝{(k,r)|r∈R}，其中R为该病害的类型R＝{r1,r2,..,rn}，n表示病害的种类；
设Ds为病因数据集，所有病因直接与段号进行对应或者转换；因此病因数据集表示为Ds＝{(k,q1,q2,…,qm)|qi∈Q}，其中m为病因个数，qi为第i个影响因素的类别集，Q为类别集的集合；
合并病害数据集与病因数据集得到事务数据集合D，D＝{(k,r,q1,q2,…,qm)|qi∈Q，r∈R}，即数据挖掘中的所有事务数据的集合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010577374.5A CN111737916B (zh) | 2020-06-22 | 2020-06-22 | 一种基于大数据的道路桥梁病害分析与养护决策方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010577374.5A CN111737916B (zh) | 2020-06-22 | 2020-06-22 | 一种基于大数据的道路桥梁病害分析与养护决策方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111737916A CN111737916A (zh) | 2020-10-02 |
| CN111737916B true CN111737916B (zh) | 2023-07-18 |
Family
ID=72650495
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010577374.5A Active CN111737916B (zh) | 2020-06-22 | 2020-06-22 | 一种基于大数据的道路桥梁病害分析与养护决策方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111737916B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112487021B (zh) * | 2020-11-26 | 2024-04-30 | 中国人寿保险股份有限公司 | 业务数据的关联分析方法、装置及设备 |
| CN112668149B (zh) * | 2020-12-07 | 2022-12-30 | 山西省智慧交通研究院有限公司 | 梁式桥技术状况参数化结构建模及智能评定系统 |
| CN112686396B (zh) * | 2020-12-15 | 2024-02-23 | 中公高科养护科技股份有限公司 | 基于病害数量的路面养护性质的选取方法、介质及系统 |
| CN112982184A (zh) * | 2021-02-04 | 2021-06-18 | 罗会 | 一种基于大数据的道路桥梁病害分析与养护决策方法 |
| CN112818924B (zh) * | 2021-02-26 | 2023-07-07 | 同济大学 | 一种基于关联规则分析的道路深层病害预警方法 |
| CN113077130B (zh) * | 2021-03-19 | 2024-02-27 | 中铁大桥局集团有限公司 | 一种基于动态规划法的桥梁维修决策方法 |
| 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 |
| CN113297272B (zh) * | 2021-05-30 | 2023-01-06 | 福建中锐网络股份有限公司 | 一种桥梁监测数据关联规则挖掘及健康预警方法及系统 |
| CN115573230B (zh) * | 2022-12-09 | 2023-04-28 | 山东同陆云信息科技有限公司 | 一种基于大数据的智能养护预测系统及方法 |
| CN117273477A (zh) * | 2023-08-16 | 2023-12-22 | 湖北交投智能检测股份有限公司 | 沥青公路路面养护决策方法、装置、设备和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816250A (zh) * | 2019-01-28 | 2019-05-28 | 东北大学 | 一种确定高速公路路网内混凝土桥梁养护优先顺序的方法 |
| CN110633855A (zh) * | 2019-09-17 | 2019-12-31 | 江南大学 | 一种桥梁健康状态检测与管养决策系统及方法 |
| CN111310275A (zh) * | 2020-03-31 | 2020-06-19 | 南京智行信息科技有限公司 | 一种桥梁病害大数据分析方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106997588A (zh) * | 2017-03-24 | 2017-08-01 | 东北林业大学 | 基于计算机图像处理的公路路面、隧道病害诊断系统 |
| CN107153928B (zh) * | 2017-06-28 | 2020-09-15 | 江苏智通交通科技有限公司 | 可视化的公路养护决策系统 |
| CN107609757B (zh) * | 2017-08-28 | 2020-08-25 | 东南大学 | 一种评价路面养护长期效益的方法 |
| CN109919503B (zh) * | 2019-03-14 | 2023-08-04 | 东北大学 | 使用遗传算法确定多病害下最佳桥梁养护技术组合的方法 |
| CN111160728B (zh) * | 2019-12-09 | 2023-05-23 | 华南农业大学 | 一种路桥养护决策优化方法及装置 |
-
2020
- 2020-06-22 CN CN202010577374.5A patent/CN111737916B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816250A (zh) * | 2019-01-28 | 2019-05-28 | 东北大学 | 一种确定高速公路路网内混凝土桥梁养护优先顺序的方法 |
| CN110633855A (zh) * | 2019-09-17 | 2019-12-31 | 江南大学 | 一种桥梁健康状态检测与管养决策系统及方法 |
| CN111310275A (zh) * | 2020-03-31 | 2020-06-19 | 南京智行信息科技有限公司 | 一种桥梁病害大数据分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于关联分析的路面病害成因确定方法;张绍阳 等;《中国公路学报》;第21卷(第2期);第98-103页 * |
| 基于频繁模式树的一种关联规则挖掘算法及其在铁路隧道安全管理中的应用;徐维祥 等;《中国安全科学学报》;第17卷(第03期);25-32 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111737916A (zh) | 2020-10-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111737916B (zh) | 一种基于大数据的道路桥梁病害分析与养护决策方法 | |
| Morcous et al. | Modeling bridge deterioration using case-based reasoning | |
| Rashidi et al. | A new model for bridge management: Part A: condition assessment and priority ranking of bridges | |
| Allah Bukhsh et al. | Multi-year maintenance planning framework using multi-attribute utility theory and genetic algorithms | |
| Lu et al. | Prediction of bridge component ratings using ordinal logistic regression model | |
| CN111652520B (zh) | 一种基于大数据的路面养护智能决策系统及方法 | |
| 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 | |
| CN114912635A (zh) | 一种公路养护决策方法、系统、存储介质和电子设备 | |
| CN111859779A (zh) | 一种燃气管网防第三方施工破坏风险预警的方法及装置 | |
| Altarabsheh et al. | New multiobjective optimization approach to rehabilitate and maintain sewer networks based on whole lifecycle behavior | |
| CN116739376A (zh) | 一种基于数据挖掘的公路路面预防性养护决策方法 | |
| Rejani et al. | Upgradation of pavement deterioration models for urban roads by non-hierarchical clustering | |
| Fan | Application of the ANP and fuzzy set to develop a construction quality index: A case study of Taiwan construction inspection | |
| Nie et al. | Diagnosis of Critical Risk Sources in the Operation Safety of the Central Route Project of South‐to‐North Water Diversion Based on the Improved FMEA Method | |
| CN115375010A (zh) | 一种适用于机场道面长期养护规划的决策方法及电子设备 | |
| Chang et al. | Development of an optimized condition estimation model for bridge components using data-driven approaches | |
| Feng et al. | Study on Grey Correlation Degree Decision‐Making Model for Investment Scheme on High‐Grade Highways in Western China | |
| Moscoso et al. | Stochastic degradation model of concrete bridges using data mining tools | |
| KR101047514B1 (ko) | 도로공사비 예측방법을 수행하기 위한 프로그램이 기록된 기록매체 | |
| Stevens et al. | Analysis of data for 6,978 bridges to inform a data strategy for predictive maintenance | |
| Huang et al. | A prognostic model for newly operated highway bridges based on censored data and survival analysis | |
| Das et al. | Quantification of multi-hazard risk of existing RC bridges in Barak Valley region, India | |
| Chen et al. | Evaluation and Formulation of Assessment Criteria for Dominant Distresses in Preventive Maintenance of Cement Concrete Pavements | |
| CN117351367B (zh) | 一种公路养护巡检方法、介质以及设备 | |
| Choi et al. | Development of data-based hierarchical learning model for predicting condition rating of bridge members over time |
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 |