CN113781783B - 一种路网层次的车辆超载识别及应急预警方法 - Google Patents

一种路网层次的车辆超载识别及应急预警方法 Download PDF

Info

Publication number
CN113781783B
CN113781783B CN202111250015.XA CN202111250015A CN113781783B CN 113781783 B CN113781783 B CN 113781783B CN 202111250015 A CN202111250015 A CN 202111250015A CN 113781783 B CN113781783 B CN 113781783B
Authority
CN
China
Prior art keywords
vehicle
data
bridge
weight
vehicle weight
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
Application number
CN202111250015.XA
Other languages
English (en)
Other versions
CN113781783A (zh
Inventor
董汉方
刘苗苗
彭卫兵
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.)
Changxing Transportation Investment Group Co ltd
Zhejiang University of Technology ZJUT
Original Assignee
Changxing Transportation Investment Group Co ltd
Zhejiang University of Technology ZJUT
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 Changxing Transportation Investment Group Co ltd, Zhejiang University of Technology ZJUT filed Critical Changxing Transportation Investment Group Co ltd
Priority to CN202111250015.XA priority Critical patent/CN113781783B/zh
Publication of CN113781783A publication Critical patent/CN113781783A/zh
Application granted granted Critical
Publication of CN113781783B publication Critical patent/CN113781783B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • 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
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G08G1/054—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed photographing overspeeding vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种路网层次的车辆超载识别及应急预警方法，具体实施方式为：在桥梁支座附近安装转角传感器、摄像头和测速仪，同时测量结构变形中的主梁转角和车辆信息，利用RBF(径向基)人工神经元网络建立已知车辆重量的典型车辆数据库，建立车重预测模型，当车辆经过桥梁时，车辆信息传输到人工神经元网络的输入层，经过隐含层的转换，输出车重数据，同时该路网内其他桥梁的车重预测模型也会接收到该车重数据，输入到其他桥梁自身的车重预测模型中，计算出转角和挠度，传输到分级预警系统。本发明采用人工神经网络进行车辆预测模型的建立，在车辆上桥前，对车辆对桥梁的损坏有所预知，预防桥梁事故的发生。

Description

一种路网层次的车辆超载识别及应急预警方法
本发明属于桥梁超载预警技术领域，具体涉及一种路网层次的车辆超载识别及应急预警方法。
背景技术
桥梁在投入使用后，除了要承受各种自然荷载以外，还不可避免地承受行车动力荷载、超载或撞击等，必将引起桥梁力学或结构性能的变化，这种内在变化将通过转角或动静挠度的形式表现在桥梁表面，为了解桥梁的安全状况需要对其进行路网层次长期的结构性安全监测，防止车辆超载导致桥梁事故发生。然而我国桥梁总量已达百万座，传统的监测方案需要耗费巨大的人力物力，因此亟需建立经济化实时性能监测和倒塌预警方案，确保桥梁及时发现病害、性能劣化规律，实现桥梁的倒塌预警和预防性养护。
发明内容
针对上述问题，本发明的目的在于提供一种路网层次的车辆超载识别及应急预警方法。
为达到上述目的，提出以下技术方案：
一种路网层次的车辆超载识别及应急预警方法，包括如下步骤：在桥梁支座附近安装转角传感器、摄像头和测速仪，同时测量结构变形中的主梁转角和包含车道信息、速度、车重、车轴信息和车牌号码的车辆信息，利用RBF(径向基)人工神经元网络建立已知车辆重量的典型车辆数据库，建立车重预测模型，当车辆经过桥梁时，车速、车道和车轴信息传输到人工神经元网络的输入层，经过隐含层的转换，输出车重数据，同时该路网内其他桥梁的车重预测模型也会接收到该车重数据，输入到其他桥梁自身的车重预测模型中，计算出转角和挠度，传输到分级预警系统，当超过限值时，发出预警，预防桥梁事故的发生。
进一步地，所述的RBF人工神经元网络是一种特殊的3层神经网络，输入层连接外界环境与网络，隐含层进行输入空间到输出空间的转换，输出层生成车重预测模型，同时连接内部网络与预警系统以及路网内其他车重预测模型。
进一步地，现场采集到的车辆信息数据传输到输入层，系统识别车轴数量后，将小于四个车轴的车排除，对其他车轴信息的车分类，不同的车轴对应不同的车辆预测模型。
进一步地，在数据输入隐含层前需要进行加权，基于遗传算法生成大数据特征选择算法，计算数据权值，特征选择的重点在于特征权重评估，特征权重评估算法的设计流程为：先输入信息采集系统采集的车辆信息以及桥梁信息，在此大数据集中随机选择一个数据项xi，即某一类车辆信息数据中的某一个数据，在数据集中搜索其同类最近邻xi(h)及异类最近邻xi(m)；分别计算各维度的特征与同类最近邻的差异度值和异类最近邻的差异度值，根据两者的特征差异度相应地调整其权重，通过反复迭代，最后选择权重值最高的k维特征组成新的特征子集，diff(xm,xn,j)表示两个车辆信息数据项xa和xb在特征fj上的差异度，在数据项xa和xb上，两者在特征维度fj上的差异度是：
Figure BDA0003322170040000031
在每轮迭代过程中，根据xa的r个同类最近邻xi(h)和r个异类最近邻xi(m)在特征fj上的差异度，调整xi关于特征fj上的权值:
Figure BDA0003322170040000032
其中ωij表示xi关于特征fj上的权值，M表示初始化后特征权重向量中最后一个元素。
进一步地，加权后的数据传输到隐含层的神经元，同时设定的阈值θ对传来的数据进行筛选，将超出阈值的数据排除，提升数据处理效率，改善数据处理性能。
进一步地，超出阈值的数据排除后，引入激活函数，建立车辆模型：Xi表示第i个样本点的输入样本，即车道信息、车速、车重、车轴、车牌号码和转角，Gj表示经过隐含层神经元计算得出的车重预测模型，G1表示四轴车的车辆预测模型；G2表示五轴车的车辆预测模型；G3表示六轴车的车辆预测模型，每个隐节点函数均为径向对称的核函数，每个隐节点的输出值Gi(i＝1,2,3)为：
Figure BDA0003322170040000033
式中
Figure BDA0003322170040000034
为径向基神经网络的激活函数，Xi为第i个输入样本，Ci(i＝1,2,3,4)表示第i个径向基函数的中心矢量，ai为规划因子。
进一步地，数据分为90％训练集和10％验证集，验证集对输出的车重预测模型进行准确度验证，将模型输出数据和验证集数据对比，进行误差分析，误差信号反向传输给隐含层，对模型反复进行优化。
进一步地，分级预警系统检测到车重超过桥梁自身限定标准车重时，会发出一级警报，不超过桥梁自身限定标准车重但超过规范限值的标准车重时，发出二级警报，对超出某座或某些座桥梁的最大容许挠度和转角，桥梁管理部门会在这些车辆上桥前拦截超限车辆，避免桥梁倒塌。
本发明的有益效果在于：
通过车辆信息和桥梁响应转角建立车重预测模型，并在一定区域内形成路网化桥梁健康监测，当车辆经过时，监测实时车重，进行超重判断，警报系统分级预警，路网内其他桥梁也会接收车重信息，计算出转角，如果超出最大容许转角，警报系统发出预警报，在车辆上桥之前及时拦截，本发明可以有效预防因车辆超载引起桥梁倒塌，减少交通事故的发生具有很大的意义。
附图说明
为了更清楚地说明本发明中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见的，下面描述中的附图仅仅是本发明的一些实施例，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RBF人工神经元网络结构示意图；
图2为人工神经元网络计算方法示意图；
图3为本发明的工作流程图；
具体实施方式
下面结合说明书附图对本发明做进一步地说明，但本发明的保护范围并不仅限于此。
如图3所示，一种路网层次的车辆超载识别应急预警方法，包括如下步骤：在桥梁支座附近安装转角传感器、摄像头和测速仪，同时测量结构变形中的主梁转角和包含车道信息、速度、车重、车轴信息和车牌号码的车辆信息，利用RBF(径向基)人工神经元网络建立已知车辆重量的典型车辆数据库，建立车重预测模型，当车辆经过桥梁时，车速、车道和车轴信息传输到人工神经元网络的输入层，经过隐含层的转换，输出车重数据，同时该路网内其他桥梁的车重预测模型也会接收到该车重数据，输入到其他桥梁自身的车重预测模型中，计算出转角和挠度，传输到分级预警系统，分级预警系统检测到车重超过桥梁自身限定标准车重时，会发出一级警报，不超过桥梁自身限定标准车重但超过规范限值的标准车重时，发出二级警报，对超出某座或某些座桥梁的最大容许挠度和转角，桥梁管理部门会在这些车辆上桥前拦截超限车辆，避免桥梁倒塌。
RBF人工神经元网络是一种特殊的3层神经网络，输入层连接外界环境与网络，隐含层进行输入空间到输出空间的转换，输出层生成车重预测模型，同时连接内部网络与预警系统以及路网内其他车重预测模型，现场采集到的车辆信息数据传输到输入层，如图1所示，图中的车辆信息为车道信息、车速、车重、车轴、车牌号码以及转角，系统识别车轴数量后，将小于四个车轴的车排除，对其他车轴信息的车分类，不同的车轴对应不同的车辆预测模型，在数据输入隐含层前需要进行加权，基于遗传算法生成大数据特征选择算法，计算数据权值，特征选择的重点在于特征权重评估，特征权重评估算法的设计流程如图2所示：先输入信息采集系统采集的车辆信息以及桥梁信息，在此大数据集中随机选择一个数据项xi，即某一类车辆信息数据中的某一个数据，在数据集中搜索其同类最近邻xi(h)及异类最近邻xi(m)；分别计算各维度的特征与同类最近邻的差异度值和异类最近邻的差异度值，根据两者的特征差异度相应地调整其权重，通过反复迭代，最后选择权重值最高的k维特征组成新的特征子集，diff(xm,xn,j)表示两个车辆信息数据项xa和xb在特征fj上的差异度，在数据项xa和xb上，两者在特征维度fj上的差异度是：
Figure BDA0003322170040000061
在每轮迭代过程中，根据xa的r个同类最近邻xi(h)和r个异类最近邻xi(m)在特征fj上的差异度，调整xi关于特征fj上的权值:
Figure BDA0003322170040000062
其中ωij表示xi关于特征fj上的权值，M表示初始化后特征权重向量中最后一个元素。
加权后的数据传输到隐含层的神经元，同时设定的阈值θ对传来的数据进行筛选，将超出阈值的数据排除，提升数据处理效率，改善数据处理性能；超出阈值的数据排除后，引入激活函数，建立车辆模型：Xi表示第i个样本点的输入样本，即车道信息、车速、车重、车轴、车牌号码和转角，Gj表示经过隐含层神经元计算得出的车重预测模型，G1表示四轴车的车辆预测模型；G2表示五轴车的车辆预测模型；G3表示六轴车的车辆预测模型，每个隐节点函数均为径向对称的核函数，每个隐节点的输出值Gi(i＝1,2,3)为：
Figure BDA0003322170040000071
式中
Figure BDA0003322170040000072
为径向基神经网络的激活函数，Xi为第i个输入样本，Ci(i＝1,2,3,4)表示第i个径向基函数的中心矢量，ai为规划因子。
数据分为90％训练集和10％验证集，验证集对输出的车重预测模型进行准确度验证，将模型输出数据和验证集数据对比，进行误差分析，误差信号反向传输给隐含层，对模型反复进行优化。

Claims (3)

1.一种路网层次的车辆超载识别及应急预警方法，其特征在于，包括如下步骤：在桥梁支座附近安装转角传感器、摄像头和测速仪，同时测量结构变形中的主梁转角和包含车道信息、速度、车重、车轴信息和车牌号码的车辆信息，利用RBF(径向基)人工神经元网络建立已知车辆重量的典型车辆数据库，建立车重预测模型，当车辆经过桥梁时，车速、车道和车轴信息传输到人工神经元网络的输入层，经过隐含层的转换，输出车重数据，同时该路网内其他桥梁的车重预测模型也会接收到该车重数据，输入到其他桥梁自身的车重预测模型中，计算出转角和挠度，传输到分级预警系统，当超过限值时，发出预警，预防桥梁事故的发生；
分级预警系统检测到车重超过桥梁自身限定标准车重时，会发出一级警报，不超过桥梁自身限定标准车重但超过规范限值的标准车重时，发出二级警报，对超出某座或某些座桥梁的最大容许挠度和转角，桥梁管理部门会在这些车辆上桥前拦截超限车辆，避免桥梁倒塌；
所述的RBF人工神经元网络是一种特殊的3层神经网络，输入层连接外界环境与网络，隐含层进行输入空间到输出空间的转换，输出层生成车重预测模型，同时连接内部网络与预警系统以及路网内其他车重预测模型；
在数据输入隐含层前需要进行加权，基于遗传算法生成大数据特征选择算法，计算数据权值，特征选择的重点在于特征权重评估，特征权重评估算法的设计流程为：先输入信息采集系统采集的车辆信息以及桥梁信息，在此大数据集中随机选择一个数据项xi，即某一类车辆信息数据中的某一个数据，在数据集中搜索其同类最近邻xi(h)及异类最近邻xi(m)；分别计算各维度的特征与同类最近邻的差异度值和异类最近邻的差异度值，根据两者的特征差异度相应地调整其权重，通过反复迭代，最后选择权重值最高的k维特征组成新的特征子集，diff(xm,xn,j)表示两个车辆信息数据项xa和xb在特征fj上的差异度，在数据项xa和xb上，两者在特征维度fj上的差异度是：
Figure FDA0003884064290000021
在每轮迭代过程中，根据xa的r个同类最近邻xi(h)和r个异类最近邻xi(m)在特征fj上的差异度，调整xi关于特征fj上的权值:
Figure FDA0003884064290000022
其中ωij表示xi关于特征fj上的权值，M表示初始化后特征权重向量中最后一个元素；
加权后的数据传输到隐含层的神经元，同时设定的阈值θ对传来的数据进行筛选，将超出阈值的数据排除，提升数据处理效率，改善数据处理性能；
超出阈值的数据排除后，引入激活函数，建立车辆模型：Xi表示第i个样本点的输入样本，即车道信息、车速、车重、车轴、车牌号码和转角，Gj表示经过隐含层神经元计算得出的车重预测模型，G1表示四轴车的车辆预测模型；G2表示五轴车的车辆预测模型；G3表示六轴车的车辆预测模型，每个隐节点函数均为径向对称的核函数，每个隐节点的输出值Gi(i＝1,2,3)为：
Figure FDA0003884064290000031
式中
Figure FDA0003884064290000032
为径向基神经网络的激活函数，Xi为第i个输入样本，Ci(i＝1,2,3,4)表示第i个径向基函数的中心矢量，ai为规划因子。
2.如权利要求1所述的一种路网层次的车辆超载识别及应急预警方法，其特征在于，现场采集到的车辆信息数据传输到输入层，系统识别车轴数量后，将小于四个车轴的车排除，对其他车轴信息的车分类，不同的车轴对应不同的车辆预测模型。
3.如权利要求1所述的一种路网层次的车辆超载识别及应急预警方法，其特征在于，数据分为90％训练集和10％验证集，验证集对输出的车重预测模型进行准确度验证，将模型输出数据和验证集数据对比，进行误差分析，误差信号反向传输给隐含层，对模型反复进行优化。
CN202111250015.XA 2021-10-26 2021-10-26 一种路网层次的车辆超载识别及应急预警方法 Active CN113781783B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111250015.XA CN113781783B (zh) 2021-10-26 2021-10-26 一种路网层次的车辆超载识别及应急预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111250015.XA CN113781783B (zh) 2021-10-26 2021-10-26 一种路网层次的车辆超载识别及应急预警方法

Publications (2)

Publication Number Publication Date
CN113781783A CN113781783A (zh) 2021-12-10
CN113781783B true CN113781783B (zh) 2023-01-24

Family

ID=78956651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111250015.XA Active CN113781783B (zh) 2021-10-26 2021-10-26 一种路网层次的车辆超载识别及应急预警方法

Country Status (1)

Country Link
CN (1) CN113781783B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116029555B (zh) * 2023-03-22 2023-06-13 西南科技大学 基于轻量化神经网络的桥梁风险识别预警系统及应用方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104631300A (zh) * 2014-12-23 2015-05-20 浙江工业大学 一种独柱墩梁桥抗倾覆承载力计算方法
EP3187838A1 (en) * 2015-12-29 2017-07-05 Neostrain spolka z ograniczona odpowiedzialnoscia System for vehicles weight preselection and evaluation of the technical state of road infrastructure
CN111027256A (zh) * 2020-03-09 2020-04-17 杭州鲁尔物联科技有限公司 一种基于车辆荷载空间分布的桥梁风险预测方法及系统
CN112562278A (zh) * 2020-11-26 2021-03-26 浙江浙大中控信息技术有限公司 一种基于交通大数据实现桥梁载重预警监控方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4956999A (en) * 1988-11-30 1990-09-18 Gp Taurio, Inc. Methods and apparatus for monitoring structural members subject to transient loads
US7363805B2 (en) * 2005-09-30 2008-04-29 Ford Motor Company System for virtual prediction of road loads
CN110132512B (zh) * 2019-05-30 2020-09-22 山东省建筑科学研究院有限公司 一种基于主梁刚度衰减规律的桥梁结构监测评估方法
CN110766947A (zh) * 2019-11-01 2020-02-07 杭州鲁尔物联科技有限公司 一种超载车辆的管理系统、方法和设备
CN112504414B (zh) * 2020-11-27 2021-11-12 湖南大学 基于非接触式测量桥梁动挠度的车辆动态称重方法及系统
AU2020104323A4 (en) * 2020-12-24 2021-03-18 Sichuan Agricultural University A method and system of axle information identification and early alarm based on bridge transverse strain
CN113031562B (zh) * 2021-03-05 2021-09-21 北京新桥技术发展有限公司 一种用于独柱墩桥通行货运车辆的隐患风险预警方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104631300A (zh) * 2014-12-23 2015-05-20 浙江工业大学 一种独柱墩梁桥抗倾覆承载力计算方法
EP3187838A1 (en) * 2015-12-29 2017-07-05 Neostrain spolka z ograniczona odpowiedzialnoscia System for vehicles weight preselection and evaluation of the technical state of road infrastructure
CN111027256A (zh) * 2020-03-09 2020-04-17 杭州鲁尔物联科技有限公司 一种基于车辆荷载空间分布的桥梁风险预测方法及系统
CN112562278A (zh) * 2020-11-26 2021-03-26 浙江浙大中控信息技术有限公司 一种基于交通大数据实现桥梁载重预警监控方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
《基于遗传算法的RBF网络及应用》;周佩玲,陶小丽,傅忠谦,等;《信号处理》;20010315;第17卷(第3期);全文 *
Jianyong Song ; Qilin Zhao ; Jinquan Zhang ; Wanheng Li ; Weibing Pe.《Research on the subdivision visualization algorithm of complex bridge structure》》.《2011 International Conference on Multimedia Technology》.2011, *
基于WIM的典型城市桥梁车辆荷载状况分析;梁旭等;《土木工程与管理学报》;20131215(第04期);全文 *
独柱墩梁桥抗倾覆承载力计算方法;彭卫兵等;《中国公路学报》;20150315(第03期);全文 *

Also Published As

Publication number Publication date
CN113781783A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN108763763B (zh) 一种桥梁结构应变响应异常预警方法
CN110807562B (zh) 一种区域性桥梁风险预测方法及系统
US11335179B1 (en) Water environment risk prediction and early warning method
Eftekhar Azam et al. Damage detection in structural systems utilizing artificial neural networks and proper orthogonal decomposition
Yu et al. A COMPARISON OF THE PERFORMANCE OF ANN AND SVM FOR THE PREDICTION OF TRAFFIC ACCIDENT DURATION.
Quek et al. POP-TRAFFIC: A novel fuzzy neural approach to road traffic analysis and prediction
CN109766992B (zh) 基于深度学习的工控异常检测及攻击分类方法
CN106973038A (zh) 基于遗传算法过采样支持向量机的网络入侵检测方法
CN107025468A (zh) 基于pca‑ga‑svm算法的高速公路拥堵识别方法
CN113781783B (zh) 一种路网层次的车辆超载识别及应急预警方法
CN111027256A (zh) 一种基于车辆荷载空间分布的桥梁风险预测方法及系统
Amiri et al. Comparing the efficiency of different computation intelligence techniques in predicting accident frequency
CN113313145A (zh) 一种基于混合核相关向量机的快速道路交通事件检测方法
CN112990545A (zh) 一种高速公路交织区交通安全状态预测方法
Mokhtarimousavi et al. A temporal investigation of crash severity factors in worker-involved work zone crashes: Random parameters and machine learning approaches
Sayed et al. Comparison of fuzzy and neural classifiers for road accidents analysis
CN109325553B (zh) 一种风电齿轮箱故障检测方法、系统、设备及介质
CN110324336A (zh) 一种基于网络安全的车联网数据态势感知方法
Zhang et al. Structural Damage Identification System Suitable for Old Arch Bridge in Rural Regions: Random Forest Approach.
CN113642162B (zh) 一种城市道路交通应急预案仿真综合分析方法
Endri et al. Road damage detection utilizing convolution neural network and principal component analysis
CN114359654A (zh) 一种基于位置关联性特征融合的YOLOv4混凝土表观病害检测方法
Rossi et al. Automatic incident detection on freeway ramp junctions. A fuzzy logic-based system using loop detector data
CN106546319A (zh) 基于光纤光栅瞬态响应差值计算的固支板冲击监测方法
Rekha Sundari et al. Fatality prediction in road accidents using neural networks

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