CN113569315B - 桥梁集群动态评估方法、装置、设备和可读存储介质 - Google Patents
桥梁集群动态评估方法、装置、设备和可读存储介质 Download PDFInfo
- Publication number
- CN113569315B CN113569315B CN202110855154.9A CN202110855154A CN113569315B CN 113569315 B CN113569315 B CN 113569315B CN 202110855154 A CN202110855154 A CN 202110855154A CN 113569315 B CN113569315 B CN 113569315B
- Authority
- CN
- China
- Prior art keywords
- bridge
- data
- evaluation
- category
- attribute
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 228
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims description 22
- 201000010099 disease Diseases 0.000 claims description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 15
- 239000000463 material Substances 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 10
- 230000000737 periodic effect Effects 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000036541 health Effects 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000004590 computer program Methods 0.000 description 16
- 239000011150 reinforced concrete Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Mathematics (AREA)
- Civil Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Architecture (AREA)
- Structural Engineering (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种桥梁集群动态评估方法、装置、设备和可读存储介质,涉及桥梁工程管理评估技术领域,包括:获取桥梁历史数据,所述桥梁历史数据包括桥梁属性数据和桥梁评估类别数据;对所述桥梁属性数据进行数字化处理,得到连续桥梁属性数据,将所述连续桥梁属性数据和所述桥梁评估类别数据作为训练数据;根据所述训练数据创建朴素贝叶斯分类器;将待评估桥梁属性数据输入所述朴素贝叶斯分类器得到所述待评估桥梁的评估结果。通过本申请无需部署健康监测系统和定期检测即可及时获取桥梁的评估结果,有效降低了桥梁评估的成本,根据训练数据创建融合了多个关键特征的朴素贝叶斯分类器,其数据来源更为客观,提高了评估结果的可靠性。
Description
技术领域
本申请涉及桥梁工程管理评估技术领域,特别涉及一种桥梁集群动态评估方法、装置、设备和可读存储介质。
背景技术
随着城市的发展和交通压力的增大,城市交通网络逐渐向立体化、复杂化发展,城市高架和立交应用也在逐渐增多,而桥梁往往也是交通网络中较为薄弱的环节,一些桥梁因为服役时间较久、结构设计不合理、桥上超载严重等原因,已经开始出现病害发展增多甚至倒塌的问题,因此,需要及时地对桥梁的状态进行评估,并根据评估结果及时采取对应的解决措施,进而避免桥梁安全问题的出现。
相关技术中,桥梁状态评估方法主要有两种手段,一种手段是在桥上部署健康监测系统,利用桥梁响应特征识别、参数变化等方法对桥梁的健康状态进行判断,但是,在桥梁集群范围部署中,这种方案往往只能针对部分桥梁,若要大面积覆盖将会面临较大的建设和维护费用;另一种手段是对桥梁开展定期检测工作,但是按照《城市桥梁养护技术标准》CJJ99-2017中规定,Ⅰ类养护的城市桥梁宜为3年~5年,其余桥梁宜为6年~10年,这种方案往往面临较长的检测周期,不能及时更新桥梁的评估结果,进而影响桥梁科学管养的时效性。因此,亟需发展一种适用于桥梁集群的可动态更新的桥梁评估方法。
发明内容
本申请提供一种桥梁集群动态评估方法、装置、设备和可读存储介质,以解决相关技术中传统桥梁评估方法存在的成本高、无法及时更新桥梁评估结果的问题。
第一方面,提供了一种桥梁集群动态评估方法,包括以下步骤:
获取桥梁历史数据,所述桥梁历史数据包括桥梁属性数据和桥梁评估类别数据;
对所述桥梁属性数据进行数字化处理,得到连续桥梁属性数据,将所述连续桥梁属性数据和所述桥梁评估类别数据作为训练数据;
根据所述训练数据创建朴素贝叶斯分类器;
将待评估桥梁属性数据输入所述朴素贝叶斯分类器得到所述待评估桥梁的评估结果。
一些实施例中,所述桥梁属性包括桥龄、每米病害数、材料类型和主梁类型。
一些实施例中,所述每米病害数通过周期巡检获得。
一些实施例中,所述桥梁评估类别包括技术状况评估等级为A的类别、技术状况评估等级为B的类别、技术状况评估等级为C的类别、技术状况评估等级为D的类别和技术状况评估等级为E的类别。
一些实施例中,所述根据所述训练数据创建朴素贝叶斯分类器,包括:
根据所述桥梁评估类别数据创建各个桥梁评估类别的先验概率模型;
根据所述连续桥梁属性数据创建各个桥梁属性的第一概率模型;
根据所述桥梁评估类别数据和连续桥梁属性数据创建各个桥梁类别对应的桥梁属性的第二概率模型;
将所述先验概率模型、所述第一概率模型和所述第二概率模型作为朴素贝叶斯分类器。
一些实施例中,所述将待评估桥梁属性数据输入所述朴素贝叶斯分类器得到所述待评估桥梁的评估结果,包括:
将待评估桥梁属性数据输入所述先验概率模型、所述第一概率模型、所述第二概率模型计算各个桥梁评估类别的后验概率;
将后验概率值最大的桥梁评估类别作为待评估桥梁的评估结果。
一些实施例中,在所述将所述连续桥梁属性数据和所述桥梁评估类别数据作为训练数据之后,还包括:
根据所述桥梁评估类别数据确定出样本数量小于预设值的第一桥梁评估类别;
对所述第一桥梁评估类别以及与所述第一桥梁评估类别对应的桥梁属性进行过采样处理,得到过采样数据;
将所述过采样数据、所述连续桥梁属性数据和所述桥梁评估类别数据作为新的训练数据。
第二方面,提供了一种桥梁集群动态评估装置,包括:
数据获取单元,其用于获取桥梁历史数据,所述桥梁历史数据包括桥梁属性数据和桥梁评估类别数据;
数据处理单元,其用于对所述桥梁属性数据进行数字化处理,得到连续桥梁属性数据,将所述连续桥梁属性数据和所述桥梁评估类别数据作为训练数据;
模型创建单元,其用于根据所述训练数据创建朴素贝叶斯分类器;
桥梁评估单元,其用于将待评估桥梁属性数据输入所述朴素贝叶斯分类器得到所述待评估桥梁的评估结果。
第三方面,提供了一种桥梁集群动态评估设备,包括:存储器和处理器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行,以实现前述的桥梁集群动态评估方法。
第四方面,提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机指令,当所述计算机指令被计算机执行时,使得所述计算机执行前述的桥梁集群动态评估方法。
本申请提供的技术方案带来的有益效果包括:可及时更新桥梁的评估结果并有效降低桥梁评估的成本。
本申请提供了一种桥梁集群动态评估方法、装置、设备和可读存储介质,包括:获取桥梁历史数据,所述桥梁历史数据包括桥梁属性数据和桥梁评估类别数据;对所述桥梁属性数据进行数字化处理,得到连续桥梁属性数据,将所述连续桥梁属性数据和所述桥梁评估类别数据作为训练数据;根据所述训练数据创建朴素贝叶斯分类器;将待评估桥梁属性数据输入所述朴素贝叶斯分类器得到所述待评估桥梁的评估结果。通过本申请无需部署健康监测系统和定期检测即可及时获取桥梁的评估结果,有效降低了桥梁评估的成本,根据训练数据创建融合了多个关键特征的朴素贝叶斯分类器,其数据来源更为客观,提高了评估结果的可靠性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种桥梁集群动态评估方法的流程示意图;
图2为本申请实施例提供的一种桥梁集群动态评估装置的结构示意图;
图3为本申请实施例提供的一种桥梁集群动态评估设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供了一种桥梁集群动态评估方法、装置、设备和可读存储介质,其能解决相关技术中传统桥梁评估方法存在的成本高、无法及时更新桥梁评估结果的问题。
图1是本申请实施例提供的一种桥梁集群动态评估方法的流程示意图,包括以下步骤:
步骤S10:获取桥梁历史数据,所述桥梁历史数据包括桥梁属性数据和桥梁评估类别数据;
本实施例中,根据已记载的桥梁的设计文件和管理档案等资料,获取桥梁的属性数据和评估类别数据等历史数据;其中,选取相关特征作为桥梁属性数据,优选的,由于桥梁的承载力风险往往和桥梁的主梁及材料类型等特征相关,因此本实施例中,选取桥龄、主梁类型、材料类型、每米病害数作为桥梁属性数据;具体的,桥龄为桥梁实际服役时间;主梁类型为桥梁主梁的结构型式,包括板梁、T梁、小箱梁、大箱梁、桁架梁等;材料类型为桥梁的结构材料,包括钢筋混凝土结构、预应力钢筋混凝土结构、钢结构、圬工结构等;
优选的,日常巡检主要针对桥梁的外观病害,由其得到的病害数量能够较为直观地反映桥梁状态,同时具有检查周期短的特点,因此为了进一步实现桥梁评估的动态更新,在本实施例中引入桥梁日常巡检数据,根据巡检数据获取一定周期内的桥梁巡检病害数量,且数据周期与评估更新周期要求保持一致,进而构建每米病害数指标,即每米病害数=固定周期巡检病害数量/桥梁长度。由于在构建评估指标时考虑了日常检查病害的影响,进而实现了桥梁的动态评估,并可缩短状态评估的周期,完成评估结果的动态更新,保证后续管理决策工作的时效性。
选取桥梁的评估结果作为桥梁评估类别数据,优选的,本实施例中选取桥梁评估结果中的技术状况等级作为桥梁评估类别数据,当然也可根据规范、经验或研究决定与桥梁状态相关的其他特征和结果作为桥梁评估类别数据,在此不作限定;其中,技术状况等级可优选为包括技术状况评估等级为A的类别、技术状况评估等级为B的类别、技术状况评估等级为C的类别、技术状况评估等级为D的类别和技术状况评估等级为E的类别等在内的评估等级类别,在本申请实施例中评估结果从优到差的排序为A级到E级,不过,具体评估等级和等级对应的评估结果优劣可根据实际需求设定,在此不作限定。
所有历史信息和数据均以桥梁为储存单位,构成历史数据集,即参见表1所示,历史数据集中的每一条数据记录为同一座桥梁所对应的属性及类别;历史数据集收集完成后,需对数据进行规整和清洗,删除属性及类别中有缺漏或错误的数据记录,保证所有数据都能有效利用。
表1历史数据集示例
序号 | 桥龄 | 每米病害数 | 材料类型 | 主梁类型 | 桥梁评估类别 |
1 | 9 | 0.38889 | 钢筋混凝土 | 大箱梁 | A级 |
2 | 8 | 0.73791 | 钢筋混凝土 | 板梁 | A级 |
3 | 6 | 0.51942 | 预应力钢筋混凝土 | 大箱梁 | A级 |
4 | 9 | 0.46154 | 钢筋混凝土 | 大箱梁 | A级 |
5 | 10 | 0.88462 | 钢筋混凝土 | 小箱梁 | B级 |
6 | 8 | 1.01818 | 钢筋混凝土 | T梁 | C级 |
7 | 8 | 0.02182 | 钢结构 | 大箱梁 | A级 |
步骤S20:对所述桥梁属性数据进行数字化处理,得到连续桥梁属性数据,将所述连续桥梁属性数据和所述桥梁评估类别数据作为训练数据;
本实施例中,对历史数据集中属于离散特征的桥梁属性数据进行编码转换,使其转换为连续特征;其中,在本实施例中,桥梁属性数据为连续特征的有桥龄和每米病害数,而为离散特征的有主梁类型和材料类型,对离散特征采用独热编码转换,每个特征的不同状态都有独立的寄存器位;对于主梁类型而言,可将板梁、T梁、小箱梁、大箱梁、桁架梁分别转换为(0,0,0,0,1)、(0,0,0,1,0)、(0,0,1,0,0)、(0,1,0,0,0)、(1,0,0,0,0);对于材料类型而言,可将钢筋混凝土结构、预应力钢筋混凝土结构、钢结构、圬工结构分别转换为(0,0,0,1)、(0,0,1,0)、(0,1,0,0)、(1,0,0,0),进而使得所有桥梁属性数据都为连续特征,得到连续桥梁属性数据(参见表2所示),将该连续桥梁属性数据和桥梁评估类别数据作为训练数据。
表2训练集示例
步骤S30:根据所述训练数据创建朴素贝叶斯分类器;
本实施例中,设训练集中的桥梁属性为X,X={X1,X2,X3…,Xt},其中,每一项均为独立的变量,参见表2所示,在本实施例中,桥梁属性共11个变量,其中,桥龄1个、每米病害数量1个、材料类型4个、主梁类型5个;设训练集中的桥梁评估类别为Y。
本实施例中,步骤S30具体包括以下步骤:
步骤S301:根据所述桥梁评估类别数据创建各个桥梁评估类别的先验概率模型;
示范性的,对训练集中桥梁评估类别Y的频数进行拉普拉斯修正,创建先验概率模型(1)计算其先验概率;本实施例中,桥梁评估类别Yi共5种,其中i代表不同的桥梁评估类别,分别为Y1=A,Y2=B,Y3=C,Y4=D,Y5=E。
其中,P(Yi)表示桥梁评估类别为Yi的先验概率,Ki表示桥梁评估类别为Yi的样本数量,K表示样本数量总数,N表示桥梁评估类别的个数。
步骤S302:根据所述连续桥梁属性数据创建各个桥梁属性的第一概率模型;
示范性的,对训练集中的桥梁属性X中的每个属性变量Xi,采用高斯分布创建第一概率模型(2),并计算全体样本中桥梁属性变量Xi为Xij(Xij表示桥梁属性变量Xi中的具体某个参数,以桥龄为8年为例,即i为1,j为8,则构成X18)时的概率,如下式:
其中,P(Xij)表示在全体训练集样本中属性变量Xi为Xij时的概率,μ表示在全体训练集样本中属性变量Xi的均值,σ表示在全体训练集样本中属性变量Xi的标准差。
步骤S303:根据所述桥梁评估类别数据和连续桥梁属性数据创建各个桥梁类别对应的桥梁属性的第二概率模型;
示范性的,对训练集中的桥梁属性X中的每个属性变量Xi和桥梁评估类别Yi,采用高斯分布创建第二概率模型(3),并计算每一桥梁评估类别中属性变量Xi为Xij(Xij表示桥梁属性变量Xi中的具体某个参数,以桥龄为8年为例,即i为1,j为8,则构成X18)时的概率,如下式:
其中,P(Xij|Yi)表示当桥梁评估类别为Yi时,属性变量Xi为Xij时的概率;μy表示当桥梁评估类别为Yi时,属性变量Xi的均值;σy表示当桥梁评估类别为Yi时,属性变量Xi的标准差。
步骤S304:将所述先验概率模型、所述第一概率模型和所述第二概率模型作为朴素贝叶斯分类器。
示范性的,将步骤S301至步骤S303得到的先验概率模型、第一概率模型和第二概率模型作为朴素贝叶斯分类器,而通过该朴素贝叶斯分类器即可得到待评估桥梁的各个属性的概率。
步骤S40:将待评估桥梁属性数据输入所述朴素贝叶斯分类器得到所述待评估桥梁的评估结果。
本实施例中,获取待评估桥梁的动态桥梁属性数据,并将其输入朴素贝叶斯分类器,即可得到待评估桥梁的评估结果。
本实施例中,步骤S40具体包括以下步骤:
步骤S401:将待评估桥梁属性数据输入所述先验概率模型、所述第一概率模型、所述第二概率模型计算各个桥梁评估类别的后验概率;
示范性的,待评估桥梁属性数据中的属性变量为X={X1j,X2j,X3j…,Xtj},将X1j、X2j、X3j至Xtj分别输入第一计算概率模型和第二计算概率模型中,得到对应的P(Xij)概率和P(Xij|Yi)概率,并根据先验概率模型得到P(Yi)概率;根据朴素贝叶斯原理,将得到的P(Yi)概率以及各个P(Xij)概率和各个P(Xij|Yi)概率分别输入后验概率模型(4)中,以计算各个桥梁评估类别Yi的后验概率,后验概率模型如下式:
其中,P(Yi|X1jX2j…Xtj)表示当属性变量X1为X1j、属性变量X2为X2j、…、属性变量Xt为Xtj时,桥梁类别变量为Yi的概率。
步骤S402:将后验概率值最大的桥梁评估类别作为待评估桥梁的评估结果。
示范性的,在得到所有桥梁评估类别Yi的后验概率后,对所有后验概率值进行比较,并将后验概率值最大的桥梁评估类别作为待评估桥梁的评估结果。例如,Y1的后验概率值最大,而Y1对应的技术状况评估等级为A,则将技术状况评估等级A作为待评估桥梁的评估结果,即待评估桥梁的技术状况评估等级为A,说明该待评估桥梁目前的质量处于良好状态。
通过本申请无需部署健康监测系统和定期检测即可及时获取桥梁的评估结果,有效降低了桥梁评估的成本,利用训练数据中潜在的客观规律创建融合了多个关键特征的朴素贝叶斯分类器,其数据来源更为客观,提高了评估结果的可靠性,有利于桥梁状态的准确评估。
更进一步的,在本实施例中,在步骤S20之后,还包括以下步骤:
根据所述桥梁评估类别数据确定出样本数量小于预设值的第一桥梁评估类别;
对所述第一桥梁评估类别以及与所述第一桥梁评估类别对应的桥梁属性进行过采样处理,得到过采样数据;
将所述过采样数据、所述连续桥梁属性数据和所述桥梁评估类别数据作为新的训练数据。
示范性的,实际训练数据中存在桥梁类别不均衡问题,即评估结果为C级、D级、E级的桥梁样本数量相对较少,因此,可根据桥梁评估类别数据确定出样本数量小于预设值的第一桥梁评估类别(其中,样本数量大于预设值的为第二桥梁评估类别),并针对上述第一桥梁评估类别,利用过采样技术进行合成补充。
本实施例中,采用合成边界少数样本过采样方法(Borderline-smote)进行合成补充,具体步骤如下:
假设第一桥梁评估类别包括技术状况评估等级为C的桥梁评估类别(为便于表述,以下简称C级评估类别)、技术状况评估等级为D的桥梁评估类别(为便于表述,以下简称D级评估类别)、技术状况评估等级为E的桥梁评估类别(为便于表述,以下简称E级评估类别),以C级评估类别的数据过采样补充为例:假设C级评估类别是P,其中n是C级评估类别的样本数量,计算C级评估类别P中的每一个样本Pi(i=1,2,…,n,n为正整数)与每个训练数据的欧氏距离,获得该样本点的m个最近邻。
对于每个Pi,设在其m个最近邻中有m'个属于第二桥梁评估类别样本,显然存在0≤m'≤m;其中,如果m'=m,即Pi的所有m个最近邻都是第二桥梁评估类别,Pi被认为是噪声,不需要参与后续步骤的计算;如果m/2≤m'<m,即Pi的最近邻中第二桥梁评估类别数量大于C级评估类别数量,则认为Pi容易被误分类,应被划分为危险点;如果0≤m'<m/2,则Pi的最近邻大部分是C级评估类别,被划分为安全点,不需要参与后续步骤。
获取全部危险点集合记为P'{P'1,P'2,P'3…,P'd},其中P'd为C级评估类别样本中危险点样本的数量,显然存在0≤P'd≤n;对于每个P'i,计算得出危险点P'i与C级评估类别P的k(k为正整数)个近邻,并从k个近邻中随机选择s个与P'i进行线性插值,合成的新的C级评估类别样本intj=P'i+rj×dj(j=1,2,…,s,s为正整数),则新合成的C级评估类别P增加了s×P'd个新样本,其中,intj表示P'i与第j(0≤j≤k,j为正整数)个近邻的插值样本,dj表示P'i与第j个近邻的距离矢量,rj是介于0与1间的随机数。
对D级评估类别和E级评估类别分别执行上述步骤得到新合成的D级评估类别样本和E级评估类别样本,将新合成的C级评估类别样本、D级评估类别样本和E级评估类别样本与原始训练数据合并,构成新的训练数据。
可将该新的训练数据作为步骤S30进行朴素贝叶斯分类器创建的基础数据,由于该新的训练数据通过采用合成边界少数样本过采样方法进行处理得到,可解决实际工程中评估等级较低桥梁数量偏少等不均衡问题,能更好地适应实际数据中的不均衡样本,使评估过程满足实际工程应用需求,进而提高了合理性和准确性,可辅助桥梁养护管理决策。
参见图2所示,本申请实施例还提供了一种桥梁集群动态评估装置,包括:
数据获取单元,其用于获取桥梁历史数据,所述桥梁历史数据包括桥梁属性数据和桥梁评估类别数据;
数据处理单元,其用于对所述桥梁属性数据进行数字化处理,得到连续桥梁属性数据,将所述连续桥梁属性数据和所述桥梁评估类别数据作为训练数据;
模型创建单元,其用于根据所述训练数据创建朴素贝叶斯分类器;
桥梁评估单元,其用于将待评估桥梁属性数据输入所述朴素贝叶斯分类器得到所述待评估桥梁的评估结果。
通过本申请无需部署健康监测系统和定期检测即可及时获取桥梁的评估结果,有效降低了桥梁评估的成本,利用训练数据中潜在的客观规律创建融合了多个关键特征的朴素贝叶斯分类器,其数据来源更为客观,提高了评估结果的可靠性,有利于桥梁状态的准确评估。
更进一步的,在本实施例中,所述桥梁属性包括桥龄、每米病害数、材料类型和主梁类型。
更进一步的,在本实施例中,所述每米病害数通过周期巡检获得。
更进一步的,在本实施例中,所述桥梁评估类别包括技术状况评估等级为A的类别、技术状况评估等级为B的类别、技术状况评估等级为C的类别、技术状况评估等级为D的类别和技术状况评估等级为E的类别。
更进一步的,在本实施例中,模型创建单元具体用于:
根据所述桥梁评估类别数据创建各个桥梁评估类别的先验概率模型;
根据所述连续桥梁属性数据创建各个桥梁属性的第一概率模型;
根据所述桥梁评估类别数据和连续桥梁属性数据创建各个桥梁类别对应的桥梁属性的第二概率模型;
将所述先验概率模型、所述第一概率模型和所述第二概率模型作为朴素贝叶斯分类器。
更进一步的,在本实施例中,桥梁评估单元具体用于:
将待评估桥梁属性数据输入所述先验概率模型、所述第一概率模型、所述第二概率模型计算各个桥梁评估类别的后验概率;
将后验概率值最大的桥梁评估类别作为待评估桥梁的评估结果。
更进一步的,在本实施例中,数据处理单元还用于:
根据所述桥梁评估类别数据确定出样本数量小于预设值的第一桥梁评估类别;
对所述第一桥梁评估类别以及与所述第一桥梁评估类别对应的桥梁属性进行过采样处理,得到过采样数据;
将所述过采样数据、所述连续桥梁属性数据和所述桥梁评估类别数据作为新的训练数据。
需要说明的是,所属本领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和各单元的具体工作过程,可以参考前述桥梁集群动态评估方法实施例中的对应过程,在此不再赘述。
上述实施例提供的装置可以实现为一种计算机程序的形式,该计算机程序可以在如图3所示的桥梁集群动态评估设备上运行。
本申请实施例还提供了一种桥梁集群动态评估设备,包括:通过系统总线连接的存储器、处理器和网络接口,存储器中存储有至少一条指令,至少一条指令由处理器加载并执行,以实现前述的桥梁集群动态评估方法的全部步骤或部分步骤。
其中,网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的桥梁集群动态评估设备的限定,具体的桥梁集群动态评估设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
处理器可以是CPU,还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件分立硬件组件等。通用处理器可以是微处理器,或者该处理器也可以是任何常规的处理器等,处理器是计算机装置的控制中心,利用各种接口和线路连接整个计算机装置的各个部分。
存储器可用于存储计算机程序和/或模块,处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如视频播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如视频数据、图像数据等)等。此外,存储器可以包括高速随存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件或其他易失性固态存储器件。
本申请施例还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现前述的桥梁集群动态评估方法的全部步骤或部分步骤。
本申请实施例实现前述的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的仼何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only memory,ROM)、随机存取存储器(Random Accessmemory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、服务器或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种桥梁集群动态评估方法,其特征在于,包括以下步骤:
获取桥梁历史数据,所述桥梁历史数据包括桥梁属性数据和桥梁评估类别数据;
对所述桥梁属性数据进行数字化处理,得到连续桥梁属性数据,将所述连续桥梁属性数据和所述桥梁评估类别数据作为训练数据;
根据所述训练数据创建朴素贝叶斯分类器;
将待评估桥梁属性数据输入所述朴素贝叶斯分类器得到所述待评估桥梁的评估结果;
其中,所述根据所述训练数据创建朴素贝叶斯分类器,包括:
根据所述桥梁评估类别数据创建各个桥梁评估类别的先验概率模型;
根据所述连续桥梁属性数据创建各个桥梁属性的第一概率模型;
根据所述桥梁评估类别数据和连续桥梁属性数据创建各个桥梁类别对应的桥梁属性的第二概率模型;
将所述先验概率模型、所述第一概率模型和所述第二概率模型作为朴素贝叶斯分类器;
所述将待评估桥梁属性数据输入所述朴素贝叶斯分类器得到所述待评估桥梁的评估结果,包括:
将待评估桥梁属性数据输入所述先验概率模型、所述第一概率模型、所述第二概率模型计算各个桥梁评估类别的后验概率;
将后验概率值最大的桥梁评估类别作为待评估桥梁的评估结果;
在所述将所述连续桥梁属性数据和所述桥梁评估类别数据作为训练数据之后,还包括:
根据所述桥梁评估类别数据确定出样本数量小于预设值的第一桥梁评估类别;
对所述第一桥梁评估类别以及与所述第一桥梁评估类别对应的桥梁属性进行过采样处理,得到过采样数据;
将所述过采样数据、所述连续桥梁属性数据和所述桥梁评估类别数据作为新的训练数据。
2.如权利要求1所述的桥梁集群动态评估方法,其特征在于:所述桥梁属性包括桥龄、每米病害数、材料类型和主梁类型。
3.如权利要求2所述的桥梁集群动态评估方法,其特征在于:所述每米病害数通过周期巡检获得。
4.如权利要求2所述的桥梁集群动态评估方法,其特征在于:所述桥梁评估类别包括技术状况评估等级为A的类别、技术状况评估等级为B的类别、技术状况评估等级为C的类别、技术状况评估等级为D的类别和技术状况评估等级为E的类别。
5.一种桥梁集群动态评估装置,其特征在于,包括:
数据获取单元,其用于获取桥梁历史数据,所述桥梁历史数据包括桥梁属性数据和桥梁评估类别数据;
数据处理单元,其用于对所述桥梁属性数据进行数字化处理,得到连续桥梁属性数据,将所述连续桥梁属性数据和所述桥梁评估类别数据作为训练数据;
模型创建单元,其用于根据所述训练数据创建朴素贝叶斯分类器;
桥梁评估单元,其用于将待评估桥梁属性数据输入所述朴素贝叶斯分类器得到所述待评估桥梁的评估结果;
其中,模型创建单元具体用于:
根据所述桥梁评估类别数据创建各个桥梁评估类别的先验概率模型;
根据所述连续桥梁属性数据创建各个桥梁属性的第一概率模型;
根据所述桥梁评估类别数据和连续桥梁属性数据创建各个桥梁类别对应的桥梁属性的第二概率模型;
将所述先验概率模型、所述第一概率模型和所述第二概率模型作为朴素贝叶斯分类器;
桥梁评估单元具体用于:
将待评估桥梁属性数据输入所述先验概率模型、所述第一概率模型、所述第二概率模型计算各个桥梁评估类别的后验概率;
将后验概率值最大的桥梁评估类别作为待评估桥梁的评估结果;
数据处理单元还用于:
根据所述桥梁评估类别数据确定出样本数量小于预设值的第一桥梁评估类别;
对所述第一桥梁评估类别以及与所述第一桥梁评估类别对应的桥梁属性进行过采样处理,得到过采样数据;
将所述过采样数据、所述连续桥梁属性数据和所述桥梁评估类别数据作为新的训练数据。
6.一种桥梁集群动态评估设备,其特征在于,包括:存储器和处理器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行,以实现权利要求1至4中任一项所述的桥梁集群动态评估方法。
7.一种计算机可读存储介质,其特征在于:所述计算机存储介质存储有计算机指令,当所述计算机指令被计算机执行时,使得所述计算机执行权利要求1至4中任一项所述的桥梁集群动态评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110855154.9A CN113569315B (zh) | 2021-07-27 | 2021-07-27 | 桥梁集群动态评估方法、装置、设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110855154.9A CN113569315B (zh) | 2021-07-27 | 2021-07-27 | 桥梁集群动态评估方法、装置、设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113569315A CN113569315A (zh) | 2021-10-29 |
CN113569315B true CN113569315B (zh) | 2023-11-28 |
Family
ID=78168303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110855154.9A Active CN113569315B (zh) | 2021-07-27 | 2021-07-27 | 桥梁集群动态评估方法、装置、设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569315B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108228716A (zh) * | 2017-12-05 | 2018-06-29 | 华南理工大学 | 基于加权极限学习机的SMOTE_Bagging集成污水处理故障诊断方法 |
CN109243600A (zh) * | 2018-08-06 | 2019-01-18 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN109614669A (zh) * | 2018-11-23 | 2019-04-12 | 同济大学 | 网级桥梁结构性能评估预测方法 |
US10462026B1 (en) * | 2016-08-23 | 2019-10-29 | Vce Company, Llc | Probabilistic classifying system and method for a distributed computing environment |
CN110826237A (zh) * | 2019-11-11 | 2020-02-21 | 云南电网有限责任公司电力科学研究院 | 基于贝叶斯信念网络的风电设备可靠性分析方法及装置 |
CN111610407A (zh) * | 2020-05-18 | 2020-09-01 | 国网江苏省电力有限公司电力科学研究院 | 基于朴素贝叶斯的电缆老化状态评估方法和装置 |
CN111626000A (zh) * | 2020-06-29 | 2020-09-04 | 杭州鲁尔物联科技有限公司 | 一种桥梁状态的评估方法、装置、设备和存储介质 |
CN112861417A (zh) * | 2020-12-16 | 2021-05-28 | 江苏中堃数据技术有限公司 | 一种基于加权和选择性朴素贝叶斯的变压器故障诊断方法 |
CN112989456A (zh) * | 2021-02-10 | 2021-06-18 | 中铁大桥局集团有限公司 | 一种桥梁性能退化诊断方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8296301B2 (en) * | 2008-01-30 | 2012-10-23 | Commvault Systems, Inc. | Systems and methods for probabilistic data classification |
CA3099443A1 (en) * | 2017-11-02 | 2019-05-09 | Airworks Solutions, Inc. | Methods and apparatus for automatically defining computer-aided design files using machine learning, image analytics, and/or computer vision |
-
2021
- 2021-07-27 CN CN202110855154.9A patent/CN113569315B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10462026B1 (en) * | 2016-08-23 | 2019-10-29 | Vce Company, Llc | Probabilistic classifying system and method for a distributed computing environment |
CN108228716A (zh) * | 2017-12-05 | 2018-06-29 | 华南理工大学 | 基于加权极限学习机的SMOTE_Bagging集成污水处理故障诊断方法 |
CN109243600A (zh) * | 2018-08-06 | 2019-01-18 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN109614669A (zh) * | 2018-11-23 | 2019-04-12 | 同济大学 | 网级桥梁结构性能评估预测方法 |
CN110826237A (zh) * | 2019-11-11 | 2020-02-21 | 云南电网有限责任公司电力科学研究院 | 基于贝叶斯信念网络的风电设备可靠性分析方法及装置 |
CN111610407A (zh) * | 2020-05-18 | 2020-09-01 | 国网江苏省电力有限公司电力科学研究院 | 基于朴素贝叶斯的电缆老化状态评估方法和装置 |
CN111626000A (zh) * | 2020-06-29 | 2020-09-04 | 杭州鲁尔物联科技有限公司 | 一种桥梁状态的评估方法、装置、设备和存储介质 |
CN112861417A (zh) * | 2020-12-16 | 2021-05-28 | 江苏中堃数据技术有限公司 | 一种基于加权和选择性朴素贝叶斯的变压器故障诊断方法 |
CN112989456A (zh) * | 2021-02-10 | 2021-06-18 | 中铁大桥局集团有限公司 | 一种桥梁性能退化诊断方法及系统 |
Non-Patent Citations (2)
Title |
---|
A Naive-Bayes classifier for damage detection in engineering materials;O.Addin et al;Materials and Design;第28卷;第2379-2386页 * |
大数据背景下的桥梁结构健康监测研究现状与展望;孙利民 等;中国公路学报;第32卷(第11期);第1-20页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113569315A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Time-series forecasting using a system of ordinary differential equations | |
CN108897829A (zh) | 数据标签的修正方法、装置和存储介质 | |
CN111815432B (zh) | 金融服务风险预测方法及装置 | |
CN112910690A (zh) | 基于神经网络模型的网络流量预测方法、装置及设备 | |
CN111881243A (zh) | 一种出租车轨迹热点区域分析方法及系统 | |
CN111626497B (zh) | 人流量预测方法、装置、设备和存储介质 | |
CN113255941B (zh) | 一种桥梁施工废料的处理方法和装置 | |
CN114331206A (zh) | 点位选址方法、装置、电子设备及可读存储介质 | |
CN113569315B (zh) | 桥梁集群动态评估方法、装置、设备和可读存储介质 | |
CN114385876B (zh) | 一种模型搜索空间生成方法、装置及系统 | |
CN113609237B (zh) | 一种建设用地变更的数据处理方法、装置、设备及介质 | |
CN115018333A (zh) | 一种产业园区的数字化运营管理方法及系统 | |
CN114067149A (zh) | 互联网服务提供方法、装置和计算机设备 | |
CN110097183B (zh) | 信息处理方法以及信息处理系统 | |
CN109308565B (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 | |
CN114692888A (zh) | 系统参数处理方法、装置、设备及存储介质 | |
CN117131999B (zh) | 基于数字孪生的轨道交通客流量预测系统及其方法 | |
CN111554089A (zh) | 一种基于深度学习的交通状态预测方法及装置 | |
CN117171141B (zh) | 一种基于关系图谱的数据模型建模方法 | |
Nevrly et al. | Heuristic challenges for spatially distributed waste production identification problems | |
CN113609631B (zh) | 基于事件网络拓扑图的创建方法、装置及电子设备 | |
CN117094703B (zh) | 一种面向道路裂缝的路网养护维修顺序确定方法 | |
CN115550259B (zh) | 基于白名单的流量分配方法及相关设备 | |
US11263338B2 (en) | Data security maintenance method for data analysis application | |
CN103544066A (zh) | 云操作系统中资源等级自动分类方法和装置 |
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 |