CN112163669A - 基于bp神经网络的路面沉陷预测方法 - Google Patents

基于bp神经网络的路面沉陷预测方法 Download PDF

Info

Publication number
CN112163669A
CN112163669A CN202011072569.0A CN202011072569A CN112163669A CN 112163669 A CN112163669 A CN 112163669A CN 202011072569 A CN202011072569 A CN 202011072569A CN 112163669 A CN112163669 A CN 112163669A
Authority
CN
China
Prior art keywords
neural network
subsidence
network
sample data
threshold
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.)
Pending
Application number
CN202011072569.0A
Other languages
English (en)
Inventor
肖敏敏
钱思博
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.)
Shanghai Institute of Technology
Original Assignee
Shanghai Institute 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 Shanghai Institute of Technology filed Critical Shanghai Institute of Technology
Priority to CN202011072569.0A priority Critical patent/CN112163669A/zh
Publication of CN112163669A publication Critical patent/CN112163669A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/20—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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种基于BP神经网络的路面沉陷预测方法，包含以下步骤：在沥青路面某路段选取一个监测点，收集该监测点在先前一段时间内的沉陷数据，作为沉陷样本数据；对样本数据进行归一化处理；确定神经网络的网络层数、各层节点数、隐含层神经元个数、学习效率以及目标误差，建立BP神经网络；初始化权值与阈值，使其均在区间[‑1,1]内，利用样本数据训练神经网络，通过迭代的方式，基于梯度下降法不断修正网络权值与阈值，当训练误差小于目标误差，符合精度要求时，停止训练；根据训练好的BP神经网络对先前的监测点的沉陷进行预测。本发明采用BP神经网络对沥青路面沉陷进行预测，对沥青路面沉陷病害的维修与养护具有指导意义。

Description

基于BP神经网络的路面沉陷预测方法
技术领域
本发明涉及一种基于BP神经网络的路面沉陷预测方法。
背景技术
沥青路面是我国主要的道路种类，随着我国城市化发展进程的加快，车辆荷载随之增加，由荷载以及其他环境因素所引起的道路病害问题也越来越得到人们的关注。沥青路面沉陷是道路的主要病害之一，准确获取沥青路面沉陷数据、把控沉陷趋势、对沉陷发展进行预测是研究并及时解决沥青路面沉陷问题的关键，更是为道路行车安全提供了保障。因此，沥青路面沉陷数据的精确预测是必不可缺的，也是意义重大的。
发明内容
本发明的目的在于提供一种基于BP神经网络的路面沉陷预测方法。
为解决上述问题，本发明提供一种基于BP神经网络的路面沉陷预测方法，包括：
步骤1：在道路被测路段选取一个监测点，收集所述监测点在先前一段时间内的沉陷数据，作为沉陷样本数据；
步骤2：利用Z-score方法对所述沉陷样本数据进行归一化，使得归一化之后的数据都集中在0附近，且方差为1，得到归一化后的沉陷样本数据；
步骤3：确定神经网络层数、各层节点数、隐含层神经元个数、学习效率以及目标误差，选用S型传递函数f(x)作为节点激励函数，并定义误差函数E，以建立BP神经网络；
步骤4：初始化所述BP神经网络的网络权值与阈值，使所述网络权值与阈值均在区间[-1,1]之内，利用归一化后的沉陷样本数据对所述BP神经网络进行训练，并基于梯度下降法不断修正所述网络权值与阈值，基于所述误差函数E，当训练误差小于所述目标误差，并符合预设精度要求时，停止对所述BP神经网络进行训练，以得到训练好的BP神经网络；
步骤5：利用训练好的BP神经网络对所述监测点的沉陷进行预测。
进一步的，在上述方法中，所述步骤2中利用Z-score方法对所述沉陷样本数据进行归一化的公式如下：
Figure BDA0002715527870000021
式(1)中，x'为沉陷样本数据x归一化之后的值，μ为均值，σ为标准差。
进一步的，在上述方法中，所述步骤3中，所述S型传递函数f(x)的公式如下：
S型传递函数
Figure BDA0002715527870000022
其中，e表示自然对数的底。
进一步的，在上述方法中，所述步骤3中，所述误差函数E的公式为：
Figure BDA0002715527870000023
其中，Ok为期望输出，Yk为网络计算的实际输出，k表示第k个神经元节点。
进一步的，在上述方法中，所述步骤4中，初始化所述BP神经网络的网络权值与阈值，使所述网络权值与阈值均在区间[-1,1]之内，包括：
基于梯度下降法并利用(5)、(6)式对所述网络权值与阈值进行调整：
Δwij(t+1)＝ηδjYi+aΔwij(t)(5)，
Δθij(t+1)＝ηδj+aΔθij(t)(6)，
其中，(5)、(6)中，Δwij(t+1)表示t+1时刻的网络权值，Δwij(t)表示t时刻的网络权值，Δθij(t+1)表示t+1时刻的阈值，θij(t)表示t时刻的阈值，Yi是i神经元在t时刻的实际输出值，η为学习效率，a为动量因子(a为1到10之间的常数)，δj为节点的误差，i、j分别表示神经元第i个神经元、第j个神经元。
进一步的，在上述方法中，步骤5：利用训练好的BP神经网络对所述监测点的沉陷进行预测，包括：
步骤5：利用训练好的BP神经网络对沥青路面的监测点的沉陷进行预测。
与现有技术相比，本发明采用BP神经网络对路面沉陷进行预测，为路面沉陷病害的研究提供了一种新方法，对沥青路面沉陷病害的维修与养护具有指导意义。本发明的沥青路面沉陷预测方法，可以提前获取到沉陷的数据，为研究沉陷发展提供了便利，对沥青路面沉陷病害的及时维修与后续养护具有重要指导意义。
附图说明
图1是本发明一实施例的基于BP神经网络的路面沉陷预测方法的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供一种基于BP神经网络的路面沉陷预测方法，包括：
步骤1：在道路被测路段选取一个监测点，收集所述监测点在先前一段时间内的沉陷数据，作为沉陷样本数据；
例如，在沥青路面某路段选取一个监测点，收集该监测点在先前一段时间内的沉陷数据，作为沉陷样本数据；
具体如，选取某高速公路K10+300～K11+100路段作为研究路段，确定监测点桩号为K10+700。利用监测仪器对该测点沉陷进行测量，测量周期为1个月，连续测量25个月，共测得25组数据。
步骤2：利用Z-score方法对所述沉陷样本数据进行归一化，使得归一化之后的数据都集中在0附近，且方差为1，得到归一化后的沉陷样本数据；
步骤3：确定神经网络层数、各层节点数、隐含层神经元个数、学习效率以及目标误差，选用S型传递函数f(x)作为节点激励函数，并定义误差函数E，以建立BP神经网络；
步骤4：初始化所述BP神经网络的网络权值与阈值，使所述网络权值与阈值均在区间[-1,1]之内，利用归一化后的沉陷样本数据对所述BP神经网络进行训练，并基于梯度下降法不断修正所述网络权值与阈值，基于所述误差函数E，当训练误差小于所述目标误差，并符合预设精度要求时，停止对所述BP神经网络进行训练，以得到训练好的BP神经网络；
在此，初始化权值与阈值，使其均在区间[-1,1]内，利用归一化之后的样本数据对BP神经网络进行训练，在25组样本数据中，将80％的数据即20组数据作为完全训练组，另外的20％组数据即5组数据作为训练的验证组，为了验证训练结果的合理性与有效性。在训练迭代过程中从最后一层向前计算各权值和阈值对总误差的影响，据此对各权值和阈值进行修正，该过程不断进行，直到达到收敛为止，满足精度要求,停止训练。
步骤5：利用训练好的BP神经网络对所述监测点的沉陷进行预测。
在此，BP神经网络是一种前馈式、误差反向传播的神经网络，同时也是神经网络中应用最广泛的一种。BP神经网络有着极强的信息综合处理能力，适用于解决工程中复杂的、不确定性因素较大的非线性问题，容错性和适应性是该算法的一大特点，在进行分析求解时，能够自动排除干扰项并抽取对问题求解有用的数据特征，以求得准确的结果。BP神经网络是一种学习算法，在样本训练迭代过程中通过反向误差传播原理不断学习样本之间的内在关系，并将这些关系应用在之后的预测中。因此，利用BP神经网络对沥青路面沉陷数据进行预测对于研究沉陷发展，解决沥青路面沉陷病害问题具有重要的指导意义。
本发明采用BP神经网络对路面沉陷进行预测，为路面沉陷病害的研究提供了一种新方法，对沥青路面沉陷病害的维修与养护具有指导意义。本发明的沥青路面沉陷预测方法，可以提前获取到沉陷的数据，为研究沉陷发展提供了便利，对沥青路面沉陷病害的及时维修与后续养护具有重要指导意义。
本发明的BP神经网络的路面沉陷预测方法一实施例中，所述步骤2中利用Z-score方法对所述沉陷样本数据进行归一化的公式如下：
Figure BDA0002715527870000051
式(1)中，x'为沉陷样本数据x归一化之后的值，μ为均值，σ为标准差。
本发明的BP神经网络的路面沉陷预测方法一实施例中，所述步骤3中，所述S型传递函数f(x)的公式如下：
S型传递函数
Figure BDA0002715527870000052
其中，e表示自然对数的底。
本发明的BP神经网络的路面沉陷预测方法一实施例中，所述步骤3中，所述误差函数E的公式为：
Figure BDA0002715527870000053
其中，Ok为期望输出，Yk为网络计算的实际输出，k表示第k个神经元节点。
在此，BP神经网络由输入层，隐含层以及输出层三层构成，每一层包含若干个神经元，而层与层之间用节点相互连接，输入层与输出层均为一层，而隐含层可以为多层，主要取决于样本空间的大小，样本空间越大则所需建立的隐含层也越多。在本实施例中采用一个隐含层，将时间、交通量、填土高度以及地基固结压缩度四个指标作为影响沥青路面沉陷的因素确定为输入节点，将沉陷值这单一指标作为输出节点。在输入节点和输出节点较少的情况下，隐含层神经元个数可取2m+1个，m为输入层节点数。因此，本实施例隐含层神经元个数选用9个。选用Sigmoid函数作为传输函数，定义E为误差函数，两式子分别如下：
Figure BDA0002715527870000061
Figure BDA0002715527870000062
(3)式中Ok为期望输出，Yk为网络计算的实际输出。本实施例中定义学习效率为，误差精度为0.05。利用Matlab软件建立上述步骤所设定的单一隐层四输入，一输出，中间为9个神经元的BP神经网络。
本发明的BP神经网络的路面沉陷预测方法一实施例中，所述步骤4中，初始化所述BP神经网络的网络权值与阈值，使所述网络权值与阈值均在区间[-1,1]之内，包括：
基于梯度下降法并利用(5)、(6)式对所述网络权值与阈值进行调整：
Δwij(t+1)＝ηδjYi+aΔwij(t) (5)，
Δθij(t+1)＝ηδj+aΔθij(t) (6)，
其中，(5)、(6)中，Δwij(t+1)表示t+1时刻的网络权值，Δwij(t)表示t时刻的网络权值，Δθij(t+1)表示t+1时刻的阈值，θij(t)表示t时刻的阈值，Yi是i神经元在t时刻的实际输出值，η为学习效率，a为动量因子(a为1到10之间的常数)，δj为节点的误差，i、j分别表示神经元第i个神经元、第j个神经元。
在此，δj节点误差的计算根据节点的形式不同分别进行计算:隐含层节点与输出层节点分别按(7)、(8)式进行计算：
Figure BDA0002715527870000063
δj＝Y(1-Yj)(Oj-Yj) (8)
式(7)、(8)中Yj是神经元j在t时刻的实际输出，k是神经元j的下一层神经元编号。
本发明的BP神经网络的路面沉陷预测方法一实施例中，步骤5：利用训练好的BP神经网络对所述监测点的沉陷进行预测，包括：
利用训练好的BP神经网络对沥青路面的监测点的沉陷进行预测。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (6)

1.一种基于BP神经网络的路面沉陷预测方法，其特征在于，包括：
步骤1：在道路被测路段选取一个监测点，收集所述监测点在先前一段时间内的沉陷数据，作为沉陷样本数据；
步骤2：利用Z-score方法对所述沉陷样本数据进行归一化，使得归一化之后的数据都集中在0附近，且方差为1，得到归一化后的沉陷样本数据；
步骤3：确定神经网络层数、各层节点数、隐含层神经元个数、学习效率以及目标误差，选用S型传递函数f(x)作为节点激励函数，并定义误差函数E，以建立BP神经网络；
步骤4：初始化所述BP神经网络的网络权值与阈值，使所述网络权值与阈值均在区间[-1,1]之内，利用归一化后的沉陷样本数据对所述BP神经网络进行训练，并基于梯度下降法不断修正所述网络权值与阈值，基于所述误差函数E，当训练误差小于所述目标误差，并符合预设精度要求时，停止对所述BP神经网络进行训练，以得到训练好的BP神经网络；
步骤5：利用训练好的BP神经网络对所述监测点的沉陷进行预测。
2.如权利要求1所述的基于BP神经网络的路面沉陷预测方法，其特征在于，所述步骤2中利用Z-score方法对所述沉陷样本数据进行归一化的公式如下：
Figure FDA0002715527860000011
式(1)中，x'为沉陷样本数据x归一化之后的值，μ为均值，σ为标准差。
3.如权利要求1所述的基于BP神经网络的路面沉陷预测方法，其特征在于，所述步骤3中，所述S型传递函数f(x)的公式如下：
S型传递函数
Figure FDA0002715527860000012
其中，e表示自然对数的底。
4.如权利要求1所述的基于BP神经网络的路面沉陷预测方法，其特征在于，所述步骤3中，所述误差函数E的公式为：
Figure FDA0002715527860000021
其中，Ok为期望输出，Yk为网络计算的实际输出，k表示第k个神经元节点。
5.如权利要求1所述的基于BP神经网络的路面沉陷预测方法，其特征在于，所述步骤4中，初始化所述BP神经网络的网络权值与阈值，使所述网络权值与阈值均在区间[-1,1]之内，包括：
基于梯度下降法并利用(5)、(6)式对所述网络权值与阈值进行调整：
Δwij(t+1)＝ηδjYi+aΔwij(t) (5)，
Δθij(t+1)＝ηδj+aΔθij(t) (6)，
其中，(5)、(6)中，Δwij(t+1)表示t+1时刻的网络权值，Δwij(t)表示t时刻的网络权值，Δθij(t+1)表示t+1时刻的阈值，θij(t)表示t时刻的阈值，Yi是i神经元在t时刻的实际输出值，η为学习效率，a为动量因子(a为1到10之间的常数)，δj为节点的误差，i、j分别表示神经元第i个神经元、第j个神经元。
6.如权利要求1所述的基于BP神经网络的路面沉陷预测方法，其特征在于，步骤5：利用训练好的BP神经网络对所述监测点的沉陷进行预测，包括：
利用训练好的BP神经网络对沥青路面的监测点的沉陷进行预测。
CN202011072569.0A 2020-10-09 2020-10-09 基于bp神经网络的路面沉陷预测方法 Pending CN112163669A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011072569.0A CN112163669A (zh) 2020-10-09 2020-10-09 基于bp神经网络的路面沉陷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011072569.0A CN112163669A (zh) 2020-10-09 2020-10-09 基于bp神经网络的路面沉陷预测方法

Publications (1)

Publication Number Publication Date
CN112163669A true CN112163669A (zh) 2021-01-01

Family

ID=73866358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011072569.0A Pending CN112163669A (zh) 2020-10-09 2020-10-09 基于bp神经网络的路面沉陷预测方法

Country Status (1)

Country Link
CN (1) CN112163669A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114413832A (zh) * 2021-12-02 2022-04-29 中国通信建设第三工程局有限公司 一种基于光纤传感的道路监测系统及方法
CN114670856A (zh) * 2022-03-30 2022-06-28 湖南大学无锡智能控制研究院 一种基于bp神经网络的参数自整定纵向控制方法及系统
CN117647220A (zh) * 2024-01-25 2024-03-05 安徽省交通规划设计研究总院股份有限公司 一种基于激光点云数据的沥青路面沉陷处治方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304674A (zh) * 2018-02-09 2018-07-20 陕西铁路工程职业技术学院 一种基于bp神经网络的铁路软土路基沉降预测方法
CN111461457A (zh) * 2020-04-17 2020-07-28 福州大学 一种基于粒子群优化bp神经网络的基坑位移预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304674A (zh) * 2018-02-09 2018-07-20 陕西铁路工程职业技术学院 一种基于bp神经网络的铁路软土路基沉降预测方法
CN111461457A (zh) * 2020-04-17 2020-07-28 福州大学 一种基于粒子群优化bp神经网络的基坑位移预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
余兰;岳建平;: "改进的BP小波神经网络预测模型应用研究", 甘肃科学学报, no. 05 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114413832A (zh) * 2021-12-02 2022-04-29 中国通信建设第三工程局有限公司 一种基于光纤传感的道路监测系统及方法
CN114413832B (zh) * 2021-12-02 2023-12-15 中国通信建设第三工程局有限公司 一种基于光纤传感的道路监测系统及方法
CN114670856A (zh) * 2022-03-30 2022-06-28 湖南大学无锡智能控制研究院 一种基于bp神经网络的参数自整定纵向控制方法及系统
CN114670856B (zh) * 2022-03-30 2022-11-25 湖南大学无锡智能控制研究院 一种基于bp神经网络的参数自整定纵向控制方法及系统
CN117647220A (zh) * 2024-01-25 2024-03-05 安徽省交通规划设计研究总院股份有限公司 一种基于激光点云数据的沥青路面沉陷处治方法
CN117647220B (zh) * 2024-01-25 2024-04-26 安徽省交通规划设计研究总院股份有限公司 一种基于激光点云数据的沥青路面沉陷处治方法

Similar Documents

Publication Publication Date Title
CN109285346B (zh) 一种基于关键路段的城市路网交通状态预测方法
Hossain et al. International roughness index prediction of flexible pavements using neural networks
Sollazzo et al. An ANN model to correlate roughness and structural performance in asphalt pavements
Ceylan et al. Neural networks applications in pavement engineering: A recent survey
CN112163669A (zh) 基于bp神经网络的路面沉陷预测方法
Kim et al. Neural network model incorporating a genetic algorithm in estimating construction costs
Tabatabaee et al. Two-stage support vector classifier and recurrent neural network predictor for pavement performance modeling
CN112733442B (zh) 基于深度学习的路面长期性能预测模型的构建方法
Elbagalati et al. Development of an enhanced decision-making tool for pavement management using a neural network pattern-recognition algorithm
CN109544926B (zh) 一种基于路口相关性的交通流量修复方法
Mahalakshmi et al. Early cost estimation of highway projects in India using artificial neural network
Gopalakrishnan Effect of training algorithms on neural networks aided pavement diagnosis
CN115948964A (zh) 一种基于ga-bp神经网络的路面平整度预测方法
Abambres et al. Application of ANN in pavement engineering: State-of-Art
Karahan et al. Simultaneous parameter identification of a heterogeneous aquifer system using artificial neural networks
CN113918538A (zh) 一种基于人工神经网络的新建道路养护数据迁移系统
CN115471679A (zh) 一种天然河道水位流量同步同化方法及智能系统
Bouabaz et al. A cost estimation model for repair bridges based on artificial neural network
CN115659609A (zh) 一种基于dtw-dcrnn的化工园区噪声预测方法
CN115270239A (zh) 基于动力特性和智能算法响应面法的桥梁可靠性预测方法
Sivrikaya et al. Estimation of compaction parameters of fine‐grained soils in terms of compaction energy using artificial neural networks
Haixiang et al. Optimizing reservoir features in oil exploration management based on fusion of soft computing
CN111539157B (zh) 一种基于多层感知机的动载荷时域识别方法
CN112241808A (zh) 路面技术状况预测方法、装置、电子设备及存储介质
CN108764523A (zh) 基于无偏非齐次灰色模型和马氏模型的交通事故预测方法

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