CN113240271A - 一种路面状况评价模型优化方法 - Google Patents

一种路面状况评价模型优化方法 Download PDF

Info

Publication number
CN113240271A
CN113240271A CN202110519802.3A CN202110519802A CN113240271A CN 113240271 A CN113240271 A CN 113240271A CN 202110519802 A CN202110519802 A CN 202110519802A CN 113240271 A CN113240271 A CN 113240271A
Authority
CN
China
Prior art keywords
evaluation
data sequence
sequence matrix
road surface
subjective
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
CN202110519802.3A
Other languages
English (en)
Inventor
肖敏敏
范霖
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 CN202110519802.3A priority Critical patent/CN113240271A/zh
Publication of CN113240271A publication Critical patent/CN113240271A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Algebra (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种路面状况评价模型优化方法，包括步骤：建立路面状况评价模型；利用主观德尔菲法，并通过专家调查表的形式对各级评价指标的权重进行多轮调查；利用客观灰色关联度，对各级评价指标权重的调查结果进行收集、统计、汇总，构成主观评价数据序列矩阵，并从主观评价数据序列矩阵中依据评价目的筛选出参考数据序列矩阵；获取主观评价数据序列矩阵和参考数据序列矩阵之间的关联系数和关联度；通过关联度计算各级评价指标的修正权重，并根据各级评价指标的修正权重对路面状况评价模型进行优化。通过路面状况评价模型优化，解决了当前路面综合性能评价过程中因定值指标权重所导致评价结果偏差的缺陷，提高了路面状况综合评价结果的可靠性和精确性。

Description

一种路面状况评价模型优化方法
技术领域
本发明涉及道路工程领域，具体涉及一种路面状况评价模型优化方法。
背景技术
交通对一个国家的可持续发展起着重要的作用，在道路建设管理中运用科学的方法和创新，有助于节约资源和可持续发展。现阶段，全国公路管理部门主要依赖于路面技术状况评价了解路面实际情况，但路面技术评价指标只是单一的按照现行公路技术状况评定标准对道路进行评价，没有充分考虑到路面综合状况评价是一个多因素、多层次、具有符合不确定性的系统工程。并且现行标准对于权重的规定皆为固定值，难以反映我国不同地区、不同公路等级对应的主要路面病害特征和技术评价特点，从而导致道路状况综合评价结果的不可靠性。
发明内容
为了解决因当前路面状况评价模型存在的缺陷而导致评价结果的不可靠，本发明提供了一种路面状况评价模型优化方法，通过优化的路面状况评价模型能够提供具备可靠性、科学性和可行性的路面状况综合评价结果。
为解决上述问题，本发明提供的技术方案如下：
本发明提供一种路面状况评价模型优化方法，包括步骤：
建立路面状况评价模型，所述路面状况评价模型包括代表路面使用性能的各方面属性、反映路面综合状况的各级评价指标；
利用主观德尔菲法，并通过专家调查表的形式对各级评价指标的权重进行多轮调查；
利用客观灰色关联度，对各级评价指标权重的调查结果进行收集、统计、汇总，构成主观评价数据序列矩阵，并从主观评价数据序列矩阵中依据评价目的筛选出参考数据序列矩阵；
获取主观评价数据序列矩阵和参考数据序列矩阵之间的关联系数和关联度；
通过主观评价数据序列矩阵与参考数据序列矩阵对应元素的关联度，计算各级评价指标的修正权重；
根据各级评价指标的修正权重对路面状况评价模型进行优化。
进一步优选的，各级评价指标包括综合评价指标、一级评价指标和二级评价指标，其中，所述综合评价指标包括路面状况指数PQI，所述一级评价指标包括路面结构强度、路面平整度、路面抗滑性能和路面破损状况。
进一步优选的，所述参考数据序列矩阵中各个元素为主观评价数据序列矩阵中的评价指标权重的最大值。
进一步优选的，所述获取主观评价数据序列矩阵和参考数据序列矩阵之间的关联系数和关联度；具体包括步骤：
逐个计算主观评价数据序列矩阵中各个元素与参考数据序列矩阵对应元素的差值绝对值，及获取主观评价数据序列矩阵中各个元素所对应的差值绝对值的最大差值绝对值和最小差值绝对值；
根据最大差值绝对值和最小差值绝对值计算主观评价数据序列矩阵和参考数据序列矩阵对应元素的关联系数；
根据关联系数计算主观评价数据序列矩阵和参考数据序列矩阵对应元素的关联度。
进一步优选的，所述根据最大差值绝对值和最小差值绝对值计算主观评价数据序列矩阵和参考数据序列矩阵对应元素的关联系数；具体计算公式为：
Figure BDA0003062893530000021
其中，ξi(k)为主观评价数据序列矩阵中第i行，第k个元素关于参考数据序列矩阵对应元素的关联度系数；ρ为分辨系数，在(0，1)区间取值，其值越小，元素关联系数间的差异性越大，区分能力越强，通常ρ取0.5；xok为参考数据序列矩阵中第k个元素；xik为主观评价数据序列矩阵中第i行，第k个元素。
进一步优选的，所述根据关联系数计算主观评价数据序列矩阵和参考数据序列矩阵对应元素的关联度，具体计算公式为：
Figure BDA0003062893530000022
其中，ri为第i个评价指标与参考数据序列矩阵对应元素的关联关系，即第i个评价指标的关联度。
进一步优选的，通过主观评价数据序列矩阵与参考数据序列矩阵对应元素的关联度，计算各级评价指标的修正权重；具体计算公式为：
Figure BDA0003062893530000023
其中，ωi为各评价指标的综合权重。
进一步优选的，还包括步骤：通过主观评价数据序列矩阵与参考数据序列矩阵对应元素的关联度，对路面状况的评价指标按重要性程度进行排序，及根据排序结果确定关键性评价指标。
依据上述实施例的路面状况评价模型优化方法，与现有技术相比，通过路面状况评价模型优化，解决了当前路面综合性能评价过程中因定值指标权重所导致评价结果偏差的缺陷，提高了路面状况综合评价结果的可靠性和精确性，从而实现对路面进行有效的监控，为相关部门养护决策提供科学的数据支撑。
附图说明
图1为路面状况评价模型优化方法流程图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。
本实施例提供一种路面状况评价模型优化方法，其流程图如图1所示，具体包括以下步骤。
S100：建立路面状况评价模型，所述路面状况评价模型包括代表路面使用性能的各方面属性、反映路面综合状况的各级评价指标。
S200：利用主观德尔菲法，并通过专家调查表的形式对各级评价指标的权重进行多轮调查。
S300：利用客观灰色关联度，对各级评价指标权重的调查结果进行收集、统计、汇总，构成主观评价数据序列矩阵，并从主观评价数据序列矩阵中依据评价目的筛选出参考数据序列矩阵。
S400：获取主观评价数据序列矩阵和参考数据序列矩阵之间的关联系数和关联度。
S500：通过主观评价数据序列矩阵与参考数据序列矩阵对应元素的关联度，计算各级评价指标的修正权重，并根据各级评价指标的修正权重对路面状况评价模型进行优化。
下面对上述各步骤进行详细说明。
在步骤S100中，建立路面状况评价模型，所述路面状况评价模型包括代表路面使用性能的各方面属性、反映路面综合状况的各级评价指标。
具体的，在路面状况综合评价过程中，建立以路面状况指数PQI为综合评价指标，以路面结构强度、路面平整度、路面抗滑性能和路面破损状况为四个一级单项评价指标的路面使用性能状况整体评价指标体系，指标代表系数为路面结构强度系数SSI、国际平整度指数IRI、路面状况指数PCI、路面抗滑性能SRI。
在步骤S200中，利用主观德尔菲法，并通过专家调查表的形式对各级评价指标的权重进行多轮调查。
具体的，依据德尔菲法，通过多轮专家调查表的形式对10位相关领域专家进行各级指标权重的函询，专家依据实际工程背景，对四个一级评价指标和两个二级评价指标进行(0，1)区间打分，最终通过均化、加权汇总得到主观专家综合评分值。其中，第一轮征询表包括：提供实际研究路段背景材料、对研究路段各级指标权重意见(见表1)；第二轮征询表包括：第一轮征询意见统计及意见分布、对研究路段各级指标权重再次意见(见表2)......依次往复，直到专家对各级指标权重意见达到统一，以确保对各分项指标权重进行综合性、合理性的判断。
表1第一轮征询表
Figure BDA0003062893530000041
表2第二轮征询表
Figure BDA0003062893530000042
在步骤S300中，利用客观灰色关联度，对各级评价指标权重的调查结果进行收集、统计、汇总，构成主观评价数据序列矩阵，并从主观评价数据序列矩阵中依据评价目的筛选出参考数据序列矩阵。该参考数据序列矩阵中各个元素为主观评价数据序列矩阵中的评价指标权重的最大值。
具体的，利用客观灰色关联度，对专家评价结果进行收集、统计、汇总，构造主观专家意愿的一级评价数据序列矩阵A和二级评价数据序列矩阵B，并从主观评价数据序列矩阵A、B中挑选出最大指标权重作为参考权重值，并赋予参考数据列中的各个元素。其中主观评价数据序列矩阵A、B和参考数据序列矩阵X、Y如下：
Figure BDA0003062893530000051
在步骤S400中，获取主观评价数据序列矩阵和参考数据序列矩阵之间的关联系数和关联度。
根据主观评价指标数据序列矩阵A、B和参考数据序列矩阵X、Y，计算得出专家对各个评价指标修正权重经验判断值与参考数据序列矩阵之间的关联系数和关联度，具体包括以下步骤：
S401：逐个计算主观评价数据序列矩阵中各个元素与参考数据序列矩阵对应元素的差值绝对值，及获取主观评价数据序列矩阵中各个元素所对应的差值绝对值的最大差值绝对值和最小差值绝对值。
具体的，逐个计算每个评价指标评价数据列与参考数据序列矩阵对应元素的绝对差值式，同时确定每个评价指标评价数据列与参考数据序列矩阵对应元素的最大、最小差值，分别为式(1)、(2)、(3)。
|xok-xik|(k＝1，…，n；i＝1，…，n) (1)
Figure BDA0003062893530000052
Figure BDA0003062893530000053
其中，xok：参考数据序列矩阵X中第k个元素；xik：主观评价指标数据序列矩阵A中第k个元素。
S402：根据最大差值绝对值和最小差值绝对值计算主观评价数据序列矩阵和参考数据序列矩阵对应元素的关联系数。
具体的，计算主观评价数据序列矩阵和参考数据序列矩阵对应元素的关联系数，见下式：
Figure BDA0003062893530000054
其中，ξi(k)：主观评价数据序列矩阵第i行，第k个元素关于参考数据序列矩阵的关联度系数；ρ：分辨系数，在(0，1)区间取值，其值越小，元素关联系数间的差异性越大，区分能力越强，通常ρ取0.5。
S403：根据关联系数计算主观评价数据序列矩阵和参考数据序列矩阵对应元素的关联度。
具体的，对各评价指标数据序列计算其与参考数据序列矩阵对应元素的关联系数的均值，以反映各评价指标与参考数据序列矩阵的关联关系，公式如下：
Figure BDA0003062893530000061
其中，ri：第i个评价指标与参考数据序列矩阵的关联关系，即第i个评价指标的关联度。
在步骤S500中，通过主观评价数据序列矩阵与参考数据序列矩阵对应元素的关联度，计算各级评价指标的修正权重，并根据各级评价指标的修正权重对路面状况评价模型进行优化。
具体的，根据下述公式计算各级评价指标的修正权重：
Figure BDA0003062893530000062
其中，ωi：各评价指标的综合权重。
进一步，在步骤S400中，还可以通过主观评价数据序列矩阵与参考数据序列矩阵对应元素的关联度，对路面状况的评价指标按重要性程度进行排序，及根据排序结果确定关键性评价指标。
基于上述步骤S100-S500对路面状况评价模型进行优化，通过路面状况评价模型优化，解决了当前路面综合性能评价过程中因定值指标权重所导致评价结果偏差的缺陷，提高了路面状况综合评价结果的可靠性和精确性，从而实现对路面进行有效的监控，为相关部门养护决策提供科学的数据支撑。
以江苏省境内某高速公路为研究对象，该路段全长10km，取桩号K20+000～K30+000为检测路段，结合实际道路行车背景，该高速公路主要以中、重型运输车辆为主，行车荷载较大，道路反复承受疲劳荷载，容易出现裂缝、车辙、坑槽等路面病害。下面举例对上述各步骤进行说明。
在步骤S100中，构建以路面状况指数PQI为综合评价指标，以路面结构强度、路面平整度、路面抗滑性能和路面破损状况为四个一级单项评价指标的路面使用性能状况整体评价指标体系。
在步骤S200中，基于德尔菲法，通过多轮专家调查表的形式对10位相关领域专家进行各级指标权重的函询，专家依据实际工程背景，对四个一级评价指标和两个二级评价指标进行(0，1)区间打分，对专家评价结果进行收集、统计、汇总，其统计结果如表3所示。
表3评价指标权重统计结果汇总
Figure BDA0003062893530000071
在步骤S300中，依据专家对评价指标权重统计结果，构造主观专家意愿的一级评价数据序列矩阵A和二级评价数据序列矩阵B。并从评价数据序列矩阵A、B中选取最大指标权重作为参考权重值，并赋予参考数据列中的各个元素，构造参考数据序列矩阵X、Y。具体矩阵如下：
Figure BDA0003062893530000072
Figure BDA0003062893530000073
X＝max(A)＝[0.39 0.39 0.39 0.39 0.39 0.39 0.39 0.39 0.39 0.39]；
Y＝max(B)＝[0.62 0.62 0.62 0.62 0.62 0.62 0.62 0.62 0.62 0.62]；
在步骤S400中，根据主观评价指标数据序列矩阵A、B和参考数据序列矩阵X、Y，利用式(1)～(4)计算得出专家对各个评价指标修正权重经验判断值与参考数据序列矩阵之间的关联系数和关联度，进而得出各级评价指标综合修正值，具体计算过程如下：
1)逐个计算每个评价指标评价数据列与参考数据序列矩阵对应元素的绝对差值|xok-xik|，并构造绝对差值矩阵ΔA、ΔA。并确定评价指标评价数据列A、B与参考数据序列矩阵对应元素的最大、最小差值。
Figure BDA0003062893530000081
Figure BDA0003062893530000082
Figure BDA0003062893530000083
Figure BDA0003062893530000084
Figure BDA0003062893530000085
Figure BDA0003062893530000086
2)通过式4计算每个比较序列与参考序列对应元素的关联系数，以绝对差值矩阵ΔA第一行第一个元素为例：
Figure BDA0003062893530000087
评价数据列矩阵A、B对应关联系数矩阵ξA，ξB如下：
Figure BDA0003062893530000088
Figure BDA0003062893530000089
3)对评价指标数据序列A、B按照式(5)计算其与参考序列对应元素的关联系数的均值，以求得各评价指标与参考序列的关联度rA、rB。以对应关联系数矩阵ζA第一行为例：
Figure BDA00030628935300000810
评价指标数据序列矩阵A、B与参考序列对应元素的关联度rA，rB如下。
rA＝[0.362 0.569 0.446 0.783]；
rB＝[0.432 0.714]；
在步骤S500中，通过评价指标数据序列矩阵A、B与参考序列对应元素的关联度rA，rB，按式(6)计算各指标的修正权重(以关联度矩阵rA第一行为例)，所得各级评价指标修正权重如表4、5所示。
Figure BDA0003062893530000091
表4一级评价指标修正权重
Figure BDA0003062893530000092
表5二级评价指标修正权重
Figure BDA0003062893530000093
针对不同的实际工程背景，通过综合集成赋权法，兼顾主观专家偏好信息和客观关联信息，对各级评价指标权重进行修正。
通过计算可知：
(1)路面破损状况与综合评价结果关联程度最为密切(关联度为0.783)，是关键性评价指标，而其他评价指标关联密切程度依次为路面平整度(关联度为0.569)、路面抗滑性(关联度为0.446)、路面结构强度(关联度为0.362)；单从抗滑性能来看，横向力系数与其关联程度最为密切(关联度为0.714)，摆值的关联程度其次(关联度为0.432)。
(2)通过各级评价指标的关联度，对各级评价指标权重进行修正，修正结果为一级评价指标结构强度、平整度、抗滑性能、破损状况的权重由(0.15，0.4，0.1，0.35)修正为(0.17，0.26，0.21，0.36)，二级评价指标摆值和横向力系数的权重依次为0.38和0.62。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims (8)

1.一种路面状况评价模型优化方法，其特征在于，包括步骤：
建立路面状况评价模型，所述路面状况评价模型包括代表路面使用性能的各方面属性、反映路面综合状况的各级评价指标；
利用主观德尔菲法，并通过专家调查表的形式对各级评价指标的权重进行多轮调查；
利用客观灰色关联度，对各级评价指标权重的调查结果进行收集、统计、汇总，构成主观评价数据序列矩阵，并从主观评价数据序列矩阵中依据评价目的筛选出参考数据序列矩阵；
获取主观评价数据序列矩阵和参考数据序列矩阵之间的关联系数和关联度；
通过主观评价数据序列矩阵与参考数据序列矩阵对应元素的关联度，计算各级评价指标的修正权重，并根据各级评价指标的修正权重对路面状况评价模型进行优化。
2.如权利要求1所述的路面状况评价模型优化方法，其特征在于，所述各级评价指标包括综合评价指标、一级评价指标和二级评价指标，其中，所述综合评价指标包括路面状况指数PQI，所述一级评价指标包括路面结构强度、路面平整度、路面抗滑性能和路面破损状况。
3.如权利要求1所述的路面状况评价模型优化方法，其特征在于，所述参考数据序列矩阵中各个元素为主观评价数据序列矩阵中的评价指标权重的最大值。
4.如权利要求1所述的路面状况评价模型优化方法，其特征在于，所述获取主观评价数据序列矩阵和参考数据序列矩阵之间的关联系数和关联度；具体包括步骤：
逐个计算主观评价数据序列矩阵中各个元素与参考数据序列矩阵对应元素的差值绝对值，及获取主观评价数据序列矩阵中各个元素所对应的差值绝对值的最大差值绝对值和最小差值绝对值；
根据最大差值绝对值和最小差值绝对值计算主观评价数据序列矩阵和参考数据序列矩阵对应元素的关联系数；
根据关联系数计算主观评价数据序列矩阵和参考数据序列矩阵对应元素的关联度。
5.如权利要求4所述的路面状况评价模型优化方法，其特征在于，所述根据最大差值绝对值和最小差值绝对值计算主观评价数据序列矩阵和参考数据序列矩阵对应元素的关联系数；具体计算公式为：
Figure FDA0003062893520000021
其中，ξi(k)为主观评价数据序列矩阵中第i行，第k个元素关于参考数据序列矩阵对应元素的关联度系数；ρ为分辨系数，在(0，1)区间取值，其值越小，元素关联系数间的差异性越大，区分能力越强，通常ρ取0.5；xok为参考数据序列矩阵中第k个元素；xik为主观评价数据序列矩阵中第i行，第k个元素。
6.如权利要求5所述的路面状况评价模型优化方法，其特征在于，所述根据关联系数计算主观评价数据序列矩阵和参考数据序列矩阵对应元素的关联度，具体计算公式为：
Figure FDA0003062893520000022
其中，ri为第i个评价指标与参考数据序列矩阵对应元素的关联关系，即第i个评价指标的关联度。
7.如权利要求6所述的路面状况评价模型优化方法，其特征在于，通过主观评价数据序列矩阵与参考数据序列矩阵对应元素的关联度，计算各级评价指标的修正权重；具体计算公式为：
Figure FDA0003062893520000023
其中，ωi为各评价指标的综合权重。
8.如权利要求6所述的路面状况评价模型优化方法，其特征在于，还包括步骤：通过主观评价数据序列矩阵与参考数据序列矩阵对应元素的关联度，对路面状况的评价指标按重要性程度进行排序，及根据排序结果确定关键性评价指标。
CN202110519802.3A 2021-05-12 2021-05-12 一种路面状况评价模型优化方法 Pending CN113240271A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110519802.3A CN113240271A (zh) 2021-05-12 2021-05-12 一种路面状况评价模型优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110519802.3A CN113240271A (zh) 2021-05-12 2021-05-12 一种路面状况评价模型优化方法

Publications (1)

Publication Number Publication Date
CN113240271A true CN113240271A (zh) 2021-08-10

Family

ID=77133923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110519802.3A Pending CN113240271A (zh) 2021-05-12 2021-05-12 一种路面状况评价模型优化方法

Country Status (1)

Country Link
CN (1) CN113240271A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114486571A (zh) * 2022-01-07 2022-05-13 武汉理工大学 基于路面使用性能和结构性能的路面综合性能评价方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114486571A (zh) * 2022-01-07 2022-05-13 武汉理工大学 基于路面使用性能和结构性能的路面综合性能评价方法
CN114486571B (zh) * 2022-01-07 2023-11-07 武汉理工大学 基于路面使用性能和结构性能的路面综合性能评价方法

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
CN106651182B (zh) 基于熵权重的轨道客流拥塞风险评价方法
CN106504015A (zh) 一种结合bp神经网络的企业领域供应商推荐方法
CN105243255A (zh) 一种软基处理方案的评价方法
CN113240271A (zh) 一种路面状况评价模型优化方法
CN111222678B (zh) 路面技术状况预测方法
CN115018384A (zh) 一种建筑工地安全风险评估方法及系统
CN116739376A (zh) 一种基于数据挖掘的公路路面预防性养护决策方法
CN113743831A (zh) 一种桥梁网络综合性能评估方法、装置及存储介质
CN114004012B (zh) 一种车身试车场强化耐久道路试验优化方法
Barzegaran et al. Estimation of IRI from PASER using ANN based on k-means and fuzzy c-means clustering techniques: a case study
CN112487639A (zh) 使用模糊灰色综合评价模型确定城市地下空间寿命周期风险等级的方法
CN111640294A (zh) 一种新建地铁线路影响下城市公交线路客流变化预测方法
CN116341957A (zh) 一种公路基础设施数字化率测度方法
CN116502887A (zh) 基于无监督聚类和极限学习机的大米加工链风险评价方法
CN116258399A (zh) 基于多源信息-模糊层次分析的斜拉桥安全评估方法
CN114912744A (zh) 一种村镇污水处理设施优选评价方法
Whelan et al. Guidelines for Prioritization of Bridge Replacement, Rehabilitation, and Preservation Projects
CN114565252B (zh) 一种确定桥梁养护顺序的决策方法
CN112950021A (zh) 基于云模型的路面状况综合评价方法
CN117688657B (zh) 气候变化下温度影响的沥青路面耐久服役风险评估方法
CN114486571B (zh) 基于路面使用性能和结构性能的路面综合性能评价方法
Yoon et al. Calibration of WVDOH IRI-Based PSI and SCI Equations
CN116681424A (zh) 桥梁面板预防性养护方法、装置、介质及电子设备
CN115222272A (zh) 高速公路沥青路面设计年限确定方法

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