CN113822387B - 路面损坏状况指数预测方法、系统、设备及介质 - Google Patents

路面损坏状况指数预测方法、系统、设备及介质 Download PDF

Info

Publication number
CN113822387B
CN113822387B CN202111399232.5A CN202111399232A CN113822387B CN 113822387 B CN113822387 B CN 113822387B CN 202111399232 A CN202111399232 A CN 202111399232A CN 113822387 B CN113822387 B CN 113822387B
Authority
CN
China
Prior art keywords
road surface
damage condition
index
surface damage
road
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
CN202111399232.5A
Other languages
English (en)
Other versions
CN113822387A (zh
Inventor
李�浩
曾国东
周敏
方杨
李向航
李超
徐艺珅
丁思尹
成浩
袁妙
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.)
Foshan Communications Technology Co ltd
Original Assignee
Foshan Communications Technology Co ltd
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 Foshan Communications Technology Co ltd filed Critical Foshan Communications Technology Co ltd
Priority to CN202111399232.5A priority Critical patent/CN113822387B/zh
Publication of CN113822387A publication Critical patent/CN113822387A/zh
Application granted granted Critical
Publication of CN113822387B publication Critical patent/CN113822387B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
    • E01C23/00—Auxiliary devices or arrangements for constructing, repairing, reconditioning, or taking-up road or like surfaces
    • E01C23/01—Devices or auxiliary means for setting-out or checking the configuration of new surfacing, e.g. templates, screed or reference line supports; Applications of apparatus for measuring, indicating, or recording the surface configuration of existing surfacing, e.g. profilographs

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及道路工程技术领域，公开了一种路面损坏状况指数预测方法、系统、设备及介质，所述方法包括：根据路面损坏状况指数，采用模糊C均值聚类法对目标路段进行分类以划分多个分区；采用灰色关联分析法对各分区的路面使用性能指标与路面损坏状况指数进行相关性，提取各分区的预测样本；根据预测样本，采用支持向量机回归法预测目标时间段的路面损坏状况指数。本发明针对营运期采取养护措施后路面损坏状况指数突变导致预测周期PCI的非线性变化趋势，将模糊C均值聚类法、灰色关联分析法及支持向量机回归法相结合，并利用支持向量机的机器学习特点，通过回归方法实现路面使用性能的多指标非线性追溯预测，精确度高。

Description

路面损坏状况指数预测方法、系统、设备及介质
技术领域
本发明涉及道路工程技术领域，尤其涉及一种路面损坏状况指数预测方法、一种路面损坏状况指数预测系统、一种计算机设备及一种计算机可读存储介质。
背景技术
随着我国交通路网不断完善，大部分高速公路已从初始建设期转入养护期。受重复交通荷载作用及外界环境影响，随之出现的裂缝、坑槽等沥青路面病害会极大降低高速公路路面使用性能、行车舒适性及安全性。因此，及时开展有效、针对性的养护管理工作，可使路面长期保持良好服役状态，而路面使用性能的准确预测又是精准养护的重要支撑。
较多学者根据公路实际工况建立路面使用性能评价体系，通过预测模型预估路面使用性能，以提出针对性养护措施。但现有预测方法存在以下问题：
（1）预估精度问题。常规PPI模型、灰色关联度模型预测精度较低，且预测年份较少；普通层次分析法过度依赖专家的专业性，主观性过高；神经网络易过度训练，预测结果不稳定。
（2）路段划分问题。依靠经验划分养护路段，难以将大而杂的数据予以分类，故无法实现根据病害程度制定针对性的养护措施。
（3）PCI突变段的适用性问题。现有模型无法适用于采取养护措施后路段的PCI增加现象，常规单一预测方法失效，故无法考虑养护历史因素，造成预测结果失真。
因此，在考虑养护历史因素的前提下，研发一种全新的预测方法以更精准地预测路面使用性能，已成为亟待解决的问题。
发明内容
本发明所要解决的技术问题在于，提供一种路面损坏状况指数预测方法、系统、计算机设备及计算机可读存储介质，可实现路面使用性能的多指标非线性追溯预测，精确度高。
为了解决上述技术问题，本发明提供了一种路面损坏状况指数预测方法，包括：根据路面损坏状况指数，采用模糊C均值聚类法对目标路段进行分类处理，以将目标路段划分为多个分区；采用灰色关联分析法对各分区的路面使用性能指标与路面损坏状况指数进行相关性分析，以提取各分区的预测样本；根据所述预测样本，采用支持向量机回归法预测目标时间段的路面损坏状况指数。
作为上述方案的改进，所述根据路面损坏状况指数，采用模糊C均值聚类法对目标路段进行分类处理，以将目标路段划分为多个分区的步骤包括：采集目标路段中各子路段在各历史时间段内的上行路面损坏状况指数及下行路面损坏状况指数；将所述上行路面损坏状况指数转化为高维空间分布的上行基准数据，并将所述下行路面损坏状况指数转化为高维空间分布的下行基准数据；采用模糊C均值聚类法将所述上行基准数据聚类为至少两个上行分区，并用模糊C均值聚类法将所述下行基准数据聚类为至少两个下行分区。
作为上述方案的改进，所述路面损坏状况指数预测方法还包括：分别计算各上行分区及下行分区的子路段数、路面损坏状况指数的平均值以及路面损坏状况指数的标准差。
作为上述方案的改进，所述采用灰色关联分析法对各分区的路面使用性能指标与路面损坏状况指数进行相关性分析，以提取各分区的预测样本的步骤包括：分别采集各上行分区及下行分区在各历史时间段内的路面使用性能指标；采用灰色关联分析法对所述路面使用性能指标与路面损坏状况指数进行相关性分析，以确定各分区中各路面使用性能指标与路面损坏状况指数相关性；根据所述相关性确定各分区中各路面使用性能指标的影响级别；将影响级别在预设的目标影响级别内的路面使用性能指标作为对应分区的预测样本。
作为上述方案的改进，所述路面使用性能指标包括路面路龄指标、当量轴次指标、温度均值指标、最大温度指标、最小温度指标及年平均降雨量指标。
作为上述方案的改进，所述根据预测样本，采用支持向量机回归法预测目标时间段的路面损坏状况指数的步骤包括：将预测样品中的各使用性能指标进行归一化处理；根据归一化后的预测样品，采用支持向量机回归法预测目标时间段的路面损坏状况指数。
作为上述方案的改进，所述路面损坏状况指数预测方法还包括：根据预测出的路面损坏状况指数生成养护措施。
相应地，本发明还提供了一种路面损坏状况指数预测系统，包括：聚类模块，用于根据路面损坏状况指数，采用模糊C均值聚类法对目标路段进行分类处理，以将目标路段划分为多个分区；相关性模块，用于采用灰色关联分析法对各分区的路面使用性能指标与路面损坏状况指数进行相关性分析，以提取各分区的预测样本；预测模块，用于根据所述预测样本，采用支持向量机回归法预测目标时间段的路面损坏状况指数。
作为上述方案的改进，所述聚类模块包括：指数采集单元，用于采集目标路段中各子路段在各历史时间段内的上行路面损坏状况指数及下行路面损坏状况指数；转化单元，用于将所述上行路面损坏状况指数转化为高维空间分布的上行基准数据，并将所述下行路面损坏状况指数转化为高维空间分布的下行基准数据；分区单元，用于采用模糊C均值聚类法将所述上行基准数据聚类为至少两个上行分区，并用模糊C均值聚类法将所述下行基准数据聚类为至少两个下行分区。
作为上述方案的改进，所述相关性模块包括：指标采集单元，用于分别采集各上行分区及下行分区在各历史时间段内的路面使用性能指标；分析单元，用于采用灰色关联分析法对所述路面使用性能指标与路面损坏状况指数进行相关性分析，以确定各分区中各路面使用性能指标与路面损坏状况指数相关性；级别划分单元，用于根据所述相关性确定各分区中各路面使用性能指标的影响级别；样本提取单元，惯用语将影响级别在预设的目标影响级别内的路面使用性能指标作为对应分区的预测样本。
相应地，本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中，所述处理器执行所述计算机程序时实现上述方法的步骤。
相应地，本发明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，其中，所述计算机程序被处理器执行时实现上述方法的步骤。
实施本发明，具有如下有益效果：
本发明通过将模糊C均值聚类法、灰色关联分析法及支持向量机回归法相结合，使得预测过程中，可采用模糊C均值聚类法对现有的目标路段进行分类，再利用灰色关联分析法将影响路面使用性能的因素进行关联分析，最后采用支持向量机回归法进行基于相关性的预测，各步骤之间环环相扣，相互影响，从而形成精确度高的预测模型，为制定养护措施提供了有效依据，提升了道路的使用寿命。
同时，本发明针对营运期采取养护措施后路面损坏状况指数（PCI）突变导致预测周期PCI的非线性变化趋势，利用支持向量机的机器学习特点，通过回归方法实现路面使用性能的多指标非线性追溯预测，精确度高。
附图说明
图1是本发明路面损坏状况指数预测方法的实施例流程图；
图2是本发明中目标路段分区的实施例流程图；
图3是2014-2020年某高速的上行PCI值示意图；
图4是2014-2020年某高速的下行PCI值示意图；
图5是本发明中路面使用性能指标与路面损坏状况指数相关性分析以提取各分区的预测样本的实施例流程图；
图6是PCI与路面路龄的散点图；
图7是PCI与当量轴次的散点图；
图8是PCI与Tmean的散点图；
图9是PCI与Tmax的散点图；
图10是PCI与Tmin的散点图；
图11是PCI与Pmean的散点图；
图12是本发明中预设路面损坏状况指数的实施例流程图；
图13是SVR中MSE与惩罚参数c及函数参数g的关系示意图；
图14是SVR中MSE与惩罚参数c及函数参数g的另一关系示意图；
图15是本发明路面损坏状况指数预测系统的结构示意图；
图16是本发明中聚类模块的结构示意图；
图17是本发明中相关性模块的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
参见图1，图1显示了本发明路面损坏状况指数预测方法的实施例流程图，其包括：
S101，根据路面损坏状况指数，采用模糊C均值聚类法对目标路段进行分类处理，以将目标路段划分为多个分区。
路面损坏状况指数，即PCI（Pavement Condition Index）；模糊C均值聚类法，即FCM（Fuzzy C-means）算法。采用模糊C均值聚类法可将特征（即，路面损坏状况指数）相近的目标路段进行聚类，实现数据的预处理，有利于提高预测的精度。
需要说明的是，所述路面损坏状况指数为历史年份的路面损坏状况指数。
S102，采用灰色关联分析法对各分区的路面使用性能指标与路面损坏状况指数进行相关性分析，以提取各分区的预测样本。
灰色关联分析法，即GRA（Grey Relational Analysis）算法。采用灰色关联分析法可根据相关性对各影响因素（即路面使用性能指标）进行重要程度分级，实现数据的精处理，从而选择较为重要程度的指标作为步骤S203中支持向量机回归法的预测样本输入值，进一步提高模型预测精度。
与现有技术不同的是，本发明将模糊C均值聚类法与灰色关联分析法相结合，通过数据的预处理及精处理，可将大而杂的数据分类，并将隐藏在这些数据背后的重要因素一一找出，为精准预测做准备。
S103，根据预测样本，采用支持向量机回归法预测目标时间段的路面损坏状况指数。
支持向量机回归法，即SVR算法。采用支持向量机具备充分学习先验知识的优势，因此，本发明可将养护历史这一因素考虑进来，通过回归法对养护历史进行追溯，使得预测更加精确。
与现有技术不同的是，本发明将模糊C均值聚类法、灰色关联分析法及支持向量机回归法相结合。预测时，先根据可表征路段使用性能的路面损坏状况指数，采用模糊C均值聚类法对现有的目标路段进行分类；再利用灰色关联分析法将影响路面使用性能的因素进行属性预处理；最后，根据养护历史，采用支持向量机回归法实现结构风险最小化，通过建立超平面作为决策曲面，最终建立路面损坏状况指数预测模型，大大提高了预测的准确性。同时，本发明针对营运期采取养护措施后路面损坏状况指数（PCI）突变导致预测周期PCI的非线性变化趋势，利用支持向量机的机器学习特点，通过回归方法实现路面使用性能的多指标非线性追溯预测，精确度高。
进一步，路面损坏状况指数预测方法还包括：根据预测出的路面损坏状况指数生成养护措施。
需要说明的是，预测出的路面损坏状况指数即为目标年制定养护措施的依据。因此，研究人员可预先构建路面损坏状况指数与养护措施的关联，当预测出路面损坏状况指数，即可快速地查找出对应的养护措施，以供用户参考，提高实际的应用体验。
参见图2，图2显示了目标路段分区的实施例流程图，其包括：
S201，采集目标路段中各子路段在各历史时间段内的上行路面损坏状况指数及下行路面损坏状况指数。
例如，统计2014年~2020年某高速路面损坏状况指数（PCI），并选取30个路段上行路面损坏状况指数（参见图3）和下行路面损坏状况指数（参见图4）。由3及图4可知，同一个指标上、下行大体变化趋势相同，但也存在一定差异，且不同路段路面损坏状况指数随时间变化趋势不同。
S202，将上行路面损坏状况指数转化为高维空间分布的上行基准数据，并将下行路面损坏状况指数转化为高维空间分布的下行基准数据。
S203，采用模糊C均值聚类法将上行基准数据聚类为至少两个上行分区，并用模糊C均值聚类法将下行基准数据聚类为至少两个下行分区。
考虑到路面病害的随机性、非等长性及分布变异性，为更准确的根据路段指标变化规律评价、预测路面使用性能，需要对不同路段进行划分，从而将变化规律相近的路段划整合，使预测结果更准确更具代表性。因此，采用FCM法对30个路段进行聚类，将不同上、下行的路段均化为至少两个分区。本实施例中，可将不同上、下行的路段均化为分区I及分区II，具体的分区结果如表1所示：
Figure 679287DEST_PATH_IMAGE001
由上表可知，路面损坏状况指数（PCI）随着路龄的增加明显呈波动状态变化，这是因为虽然理论上PCI是随着路面使用年限的增加而逐年下降，但实际情况是养护部门每年都会针对部分路段采取养护措施，使得其路面性能在养护之后出现上升，随后又呈现逐年下降趋势。以下行分区I的PCI为例，该路段在2017年对全线沥青路面病害采用铣刨重铺GAC-16 的方式进行了专项处治，因此2018年的PCI值显著增加，但2019年又有所下降，因此该年进行了小部分超薄磨耗层罩面，使得该段路2020年的PCI有所提升。相应地，近4年的PCI也充分体现了其变化规律的波动性和非线性，因此，本发明通过利用历史路面损坏状况指数，准确地反映了路面损坏状况指数在历史养护情况下所产生的特变性，同时充分学习先验知识并提高时间序列预测对PCI突变段的适用性，对准确预测PCI值十分重要。
进一步，路面损坏状况指数预测方法还包括：分别计算各上行分区及下行分区的子路段数、路面损坏状况指数的平均值以及路面损坏状况指数的标准差。
需要说明的是，可通过技术各上行分区及下行分区的子路段数、路面损坏状况指数的平均值以及路面损坏状况指数的标准差可有效验证分区的合理性。本实施例中，可将不同上、下行的路段均化为分区I及分区II，具体的分区结果如表2所示：
Figure 618293DEST_PATH_IMAGE002
由表2可知，不同分区包含的路段个数没有显著差异，说明聚类结果将路段较好的分为了两个不同部分，且不同部分在平均值和标准差上均存在较大差异。同时，PCI下行分区I与分区II均值相当，但标准差却有较大差异，其均值差距约为1.0，但标准差差距超过了2，这表明两个分区虽然整体PCI表现相当，但分区II的PCI值随时间有较大波动，说明其路况条件变化剧烈，整体效果要劣于分区I；PCI上行分区I与分区II均值和标准差差距均较大，此时说明两个分区无论是从整体指标表现上，还是随时间变化的波动程度，均有较大差异。
因此，通过将路段划分为若干基本单元，同时将各基本单元连续多年的PCI转化为高维空间分布的数据，采用模糊C均值聚类法将数据划分为几个分区，可实现数据的有效预处理。
参见图5，图5显示了路面使用性能指标与路面损坏状况指数相关性分析以提取各分区的预测样本的实施例流程图，其包括：
S301，分别采集各上行分区及下行分区在各历史时间段内的路面使用性能指标。
具体地，路面使用性能指标包括路面路龄指标、当量轴次指标、温度均值指标、最大温度指标、最小温度指标及年平均降雨量指标，但不以此为限制。
例如，调查得到目标高速2014年~2020年路面的路面路龄指标、当量轴次指标、温度均值指标Tmean、最大温度指标Tmax、最小温度指标Tmin及年平均降雨量指标Pmean如表3所示：
Figure 378439DEST_PATH_IMAGE003
S302，采用灰色关联分析法对路面使用性能指标与路面损坏状况指数进行相关性分析，以确定各分区中各路面使用性能指标与路面损坏状况指数相关性。
如图6-11所示，各路面使用性能指标与路面损坏状况指数的关系不同，而通过灰色关联分析法对路面使用性能指标及路面损坏状况指数进行相关性分析，即可确定各分区中各路面使用性能指标与路面损坏状况指数相关性。
S303，根据相关性确定各分区中各路面使用性能指标的影响级别。
如表4所示，采用GRA法对路面使用性能指标与路面损坏状况指数进行相关性分析，即可得到对应的影响级别：
Figure 832423DEST_PATH_IMAGE004
由表4可知，各路面使用性能指标对PCI的影响程度依次为：Tmean＞路面路龄指标＞Tmax＞Pmean＞当量轴次指标＞Tmin。且Tmean、路面路龄、Tmax、Pmean、当量轴次指标的重要程度均为I级，Tmin的重要程度为II级。
S304，将影响级别在预设的目标影响级别内的路面使用性能指标作为对应分区的预测样本。
需要说明的是，重要程度越高，则越能反映路面损坏状况指数，因此，本发明中，可将目标影响级别设置为I级。
因此，通过本发明可有效确定影响路面损坏状况的主要影响因素（即路面使用性能指标），对分区后的路段采用灰色关联度分析法可得到各因素与路面损坏状况指数的相关性，并根据相关性对各影响因素进行重要程度分级，选择重要程度I级的路面使用性能指标作为下一步支持向量机回归预测的样本输入值。
参见图12，图12显示了预设路面损坏状况指数的实施例流程图，其包括：
S401，将预测样品中的各使用性能指标进行归一化处理。
如表5所示，对影响级别为I级的各个路面使用性能指标进行归一化处理的结果如下：
Figure 969006DEST_PATH_IMAGE005
S402，根据归一化后的预测样品，采用支持向量机回归法预测目标时间段的路面损坏状况指数。
进一步，可采用K-CV模型验证原理进行预测。需要说明的是，K-CV（K-fold CrossValidation，即K折交叉验证）模型验证原理是通过多次训练样本，最终选取模型结果平均值作为样本训练结果，因此K-CV模型充分避免了过拟合与欠拟合情况，拟合结果具有高度适应性。
采用K-CV模型选择最佳的惩罚参数c和函数参数g，取值范围为2-5-25之间；如图13所示，每条曲线分别代表均方误差（MSE）为特定数值（如0.96484、0.91261、0.86038……）时所对应的惩罚参数c和函数参数g的取值情况；如图14所示，z坐标表示模型的均方误差（MSE），在MSE取最小时，对应的c和g参数最优；结合图13及图14可最终得到惩罚参数c=0.8706,函数参数g=0.1649。
如表5所示，将2014年~2019年数据作为训练样本，对2020年数据进行预测，该高速2014年~2020年下行分区I的PCI预测值与实际值对比如表6所示：
Figure 824835DEST_PATH_IMAGE006
由表6可知，本发明的历年预测结果都较为接近，绝对误差基本上在0.04%左右，最大误差出现在2018年，也仅为1.624%，这是因为该段在2017年进行了全线大修，因此2018年PCI指标骤增。总体而言，本发明的预测精度较高，能够准确完成路面非线性长期使用性能的预测，具有较好的应用效果。
因此，通过对影响级别为I级的各个路面使用性能指标进行归一化处理，并选择一定时间段的数据作为训练样本，采用支持向量机回归法可对目标年份的数据进行预测。
下面结合对比例对本发明做进一步的说明：
对比例1：
将上文涉及的2014年~2019年数据作为训练样本，对2020年数据进行预测，并与GM（1,1）模型的预测结果及2020年实际数据进行比较，最终得到该高速2014年~2020年下行分区I的PCI预测值与实际值对比结构，如表7所示。
Figure 755882DEST_PATH_IMAGE007
由表7可知，GM（1,1）法预测精度较差，这是因为该方法未考虑养护历史，因此在PCI值出现较大波动时（即养护部门对路段进行养护后）难以准确预测。而本发明的历年预测结果都较为接近，绝对误差基本上在0.04%左右。总体而言，本发明的预测精度较高，能够准确完成路面非线性长期使用性能的预测，具有较好的应用效果。
综上所述，本发明通过将模糊C均值聚类法、灰色关联分析法及支持向量机回归法相结合，使得预测过程中，可采用模糊C均值聚类法对现有的目标路段进行分类，再利用灰色关联分析法将影响路面使用性能的因素进行关联分析，最后采用支持向量机回归法进行基于相关性的预测，各步骤之间环环相扣，相互影响，从而形成精确度高的预测模型，为制定养护措施提供了有效依据，提升了道路的使用寿命。同时，本发明针对营运期采取养护措施后路面损坏状况指数（PCI）突变导致预测周期PCI的非线性变化趋势，利用支持向量机的机器学习特点，通过回归方法实现路面使用性能的多指标非线性追溯预测，精确度高。
参见图15，图15显示了本发明路面损坏状况指数预测系统100的具体结构，其包括：
聚类模块1，用于根据路面损坏状况指数，采用模糊C均值聚类法对目标路段进行分类处理，以将目标路段划分为多个分区。路面损坏状况指数，即PCI（Pavement ConditionIndex）；模糊C均值聚类法，即FCM（Fuzzy C-means）算法。采用模糊C均值聚类法可将特征（即，路面损坏状况指数）相近的目标路段进行聚类，实现数据的预处理，有利于提高预测的精度。其中，所述路面损坏状况指数为历史年份的路面损坏状况指数。
相关性模块2，用于采用灰色关联分析法对各分区的路面使用性能指标与路面损坏状况指数进行相关性分析，以提取各分区的预测样本。灰色关联分析法，即GRA（GreyRelational Analysis）算法。采用灰色关联分析法可根据相关性对各影响因素（即路面使用性能指标）进行重要程度分级，实现数据的精处理，从而选择较为重要程度的指标作为步骤S203中支持向量机回归法的预测样本输入值，进一步提高模型预测精度。
预测模块3，用于根据预测样本，采用支持向量机回归法预测目标时间段的路面损坏状况指数。支持向量机回归法，即SVR算法。采用支持向量机具备充分学习先验知识的优势，因此，本发明可将养护历史这一因素考虑进来，使得预测更加精确。
与现有技术不同的是，本发明将模糊C均值聚类法、灰色关联分析法及支持向量机回归法相结合。预测时，先根据可表征路段使用性能的路面损坏状况指数，采用模糊C均值聚类法对现有的目标路段进行分类，实现数据的预处理；再利用灰色关联分析法将影响路面使用性能的因素进行属性处理，实现数据的精处理；最后，根据养护历史，采用支持向量机回归法实现结构风险最小化，通过建立超平面作为决策曲面，最终建立路面损坏状况指数预测模型，大大提高了预测的准确性。同时，本发明针对营运期采取养护措施后路面损坏状况指数（PCI）突变导致预测周期PCI的非线性变化趋势，利用支持向量机的机器学习特点，通过回归方法实现路面使用性能的多指标非线性追溯预测，精确度高。
如图16所示，聚类模块1包括：
指数采集单元11，用于采集目标路段中各子路段在各历史时间段内的上行路面损坏状况指数及下行路面损坏状况指数。需要说明的是，所述历史时间段为历史年份。本发明通过对历史数据的引入，使得预测更为准确。
转化单元12，用于将上行路面损坏状况指数转化为高维空间分布的上行基准数据，并将下行路面损坏状况指数转化为高维空间分布的下行基准数据。
分区单元13，用于采用模糊C均值聚类法将上行基准数据聚类为至少两个上行分区，并用模糊C均值聚类法将下行基准数据聚类为至少两个下行分区。
考虑到路面病害的随机性、非等长性及分布变异性，为更准确的根据路段指标变化规律评价、预测路面使用性能，需要对不同路段进行划分，从而将变化规律相近的路段划整合，使预测结果更准确更具代表性。因此，采用FCM法对30个路段进行聚类，将不同上、下行的路段均化为至少两个分区。
进一步，所述聚类模块1还包括验证单元，验证单元用于分别计算各上行分区及下行分区的子路段数、路面损坏状况指数的平均值以及路面损坏状况指数的标准差。需要说明的是，可通过技术各上行分区及下行分区的子路段数、路面损坏状况指数的平均值以及路面损坏状况指数的标准差可有效验证分区的合理性。
因此，聚类模块1通过将路段划分为若干基本单元，同时将各基本单元连续多年的PCI转化为高维空间分布的数据，采用模糊C均值聚类法将数据划分为几个分区，可实现数据的有效预处理。
如图17所示，相关性模块2包括：
指标采集单元21，用于分别采集各上行分区及下行分区在各历史时间段内的路面使用性能指标。具体地，路面使用性能指标包括路面路龄指标、当量轴次指标、温度均值指标、最大温度指标、最小温度指标及年平均降雨量指标，但不以此为限制。
分析单元22，用于采用灰色关联分析法对路面使用性能指标与路面损坏状况指数进行相关性分析，以确定各分区中各路面使用性能指标与路面损坏状况指数相关性。如图6-11所示，各路面使用性能指标与路面损坏状况指数的关系不同，而通过灰色关联分析法对路面使用性能指标及路面损坏状况指数进行相关性分析，即可确定各分区中各路面使用性能指标与路面损坏状况指数相关性。
级别划分单元23，用于根据相关性确定各分区中各路面使用性能指标的影响级别。
样本提取单元24，惯用语将影响级别在预设的目标影响级别内的路面使用性能指标作为对应分区的预测样本。需要说明的是，重要程度越高，则越能反映路面损坏状况指数，相应地，本发明中，可将目标影响级别设置为I级。
因此，通过本发明可有效确定影响路面损坏状况的主要影响因素（即路面使用性能指标），对分区后的路段采用灰色关联度分析法可得到各因素与路面损坏状况指数的相关性，并根据相关性对各影响因素进行重要程度分级，选择重要程度I级的路面使用性能指标作为下一步支持向量机回归预测的样本输入值。
另外，预测模块3进行预测时，可先将预测样品中的各使用性能指标进行归一化处理；然后，再根据归一化后的预测样品，采用支持向量机回归法预测目标时间段的路面损坏状况指数。
进一步，预测模块3可采用K-CV模型验证原理进行预测。K-CV（K-fold CrossValidation，即K折交叉验证）模型验证原理是通过多次训练样本，最终选取模型结果平均值作为样本训练结果，因此K-CV模型充分避免了过拟合与欠拟合情况，拟合结果具有高度适应性。预测模块3采用K-CV模型选择最佳的惩罚参数c和函数参数g，取值范围为2-5-25之间，结果如图13及图14所示，z坐标表示模型的均方误差（MSE），在MSE取最小时，对应的c和g参数最优；最终得到惩罚参数c=0.8706,函数参数g=0.1649。
因此，通过对影响级别为I级的各个路面使用性能指标进行归一化处理，并选择一定时间段的数据作为训练样本，采用支持向量机回归法可对目标年份的数据进行预测。
相应地，本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中，所述处理器执行所述计算机程序时实现上述路面损坏状况指数预测方法的步骤。同时，本发明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，其中，所述计算机程序被处理器执行时实现上述路面损坏状况指数预测方法的步骤。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (9)

1.一种路面损坏状况指数预测方法，其特征在于，包括：
根据路面损坏状况指数，采用模糊C均值聚类法对目标路段进行分类处理，以将目标路段划分为多个分区；具体步骤包括：采集目标路段中各子路段在各历史时间段内的上行路面损坏状况指数及下行路面损坏状况指数，将所述上行路面损坏状况指数转化为高维空间分布的上行基准数据，并将所述下行路面损坏状况指数转化为高维空间分布的下行基准数据，采用模糊C均值聚类法将所述上行基准数据聚类为至少两个上行分区，并用模糊C均值聚类法将所述下行基准数据聚类为至少两个下行分区；
采用灰色关联分析法对各分区的路面使用性能指标与路面损坏状况指数进行相关性分析，以提取各分区的预测样本；具体步骤包括：分别采集各上行分区及下行分区在各历史时间段内的路面使用性能指标，采用灰色关联分析法对所述路面使用性能指标与路面损坏状况指数进行相关性分析，以确定各分区中各路面使用性能指标与路面损坏状况指数相关性，根据所述相关性确定各分区中各路面使用性能指标的影响级别，将影响级别在预设的目标影响级别内的路面使用性能指标作为对应分区的预测样本；
根据所述预测样本，采用支持向量机回归法预测目标时间段的路面损坏状况指数。
2.如权利要求1所述的路面损坏状况指数预测方法，其特征在于，还包括：分别计算各上行分区及下行分区的子路段数、路面损坏状况指数的平均值以及路面损坏状况指数的标准差。
3.如权利要求1所述的路面损坏状况指数预测方法，其特征在于，所述路面使用性能指标包括路面路龄指标、当量轴次指标、温度均值指标、最大温度指标、最小温度指标及年平均降雨量指标。
4.如权利要求1所述的路面损坏状况指数预测方法，其特征在于，所述根据预测样本，采用支持向量机回归法预测目标时间段的路面损坏状况指数的步骤包括：
将预测样品中的各使用性能指标进行归一化处理；
根据归一化后的预测样品，采用支持向量机回归法预测目标时间段的路面损坏状况指数。
5.如权利要求1所述的路面损坏状况指数预测方法，其特征在于，还包括：根据预测出的路面损坏状况指数生成养护措施。
6.一种路面损坏状况指数预测系统，其特征在于，包括：
聚类模块，用于根据路面损坏状况指数，采用模糊C均值聚类法对目标路段进行分类处理，以将目标路段划分为多个分区；所述聚类模块包括：指数采集单元，用于采集目标路段中各子路段在各历史时间段内的上行路面损坏状况指数及下行路面损坏状况指数；转化单元，用于将所述上行路面损坏状况指数转化为高维空间分布的上行基准数据，并将所述下行路面损坏状况指数转化为高维空间分布的下行基准数据；分区单元，用于采用模糊C均值聚类法将所述上行基准数据聚类为至少两个上行分区，并用模糊C均值聚类法将所述下行基准数据聚类为至少两个下行分区；
相关性模块，用于采用灰色关联分析法对各分区的路面使用性能指标与路面损坏状况指数进行相关性分析，以提取各分区的预测样本；所述相关性模块包括：指标采集单元，用于分别采集各上行分区及下行分区在各历史时间段内的路面使用性能指标；分析单元，用于采用灰色关联分析法对所述路面使用性能指标与路面损坏状况指数进行相关性分析，以确定各分区中各路面使用性能指标与路面损坏状况指数相关性；级别划分单元，用于根据所述相关性确定各分区中各路面使用性能指标的影响级别；样本提取单元，惯用语将影响级别在预设的目标影响级别内的路面使用性能指标作为对应分区的预测样本；
预测模块，用于根据所述预测样本，采用支持向量机回归法预测目标时间段的路面损坏状况指数。
7.如权利要求6所述的路面损坏状况指数预测系统，其特征在于，所述聚类模块还包括验证单元，所述验证单元用于分别计算各上行分区及下行分区的子路段数、路面损坏状况指数的平均值以及路面损坏状况指数的标准差。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202111399232.5A 2021-11-24 2021-11-24 路面损坏状况指数预测方法、系统、设备及介质 Active CN113822387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111399232.5A CN113822387B (zh) 2021-11-24 2021-11-24 路面损坏状况指数预测方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111399232.5A CN113822387B (zh) 2021-11-24 2021-11-24 路面损坏状况指数预测方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN113822387A CN113822387A (zh) 2021-12-21
CN113822387B true CN113822387B (zh) 2022-04-01

Family

ID=78918147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111399232.5A Active CN113822387B (zh) 2021-11-24 2021-11-24 路面损坏状况指数预测方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN113822387B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115841190B (zh) * 2023-02-14 2023-06-06 中咨公路养护检测技术有限公司 道路pci多步预测方法及装置
CN116109020A (zh) * 2023-04-12 2023-05-12 中南大学 高速公路路面使用性能预测方法、装置和设备
CN116151522B (zh) * 2023-04-24 2023-07-14 中南大学 一种基于dea的高速公路路面养护辅助决策方法及系统
CN117196379B (zh) * 2023-08-22 2024-07-26 佛山市交通科技有限公司 一种路面碎石化施工质量检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463348A (zh) * 2014-11-11 2015-03-25 辽宁省交通科学研究院 一种沥青路面改造方案决策系统及方法
CN108090635A (zh) * 2018-02-06 2018-05-29 东南大学 一种基于聚类分类的路用性能预测方法
CN109993223A (zh) * 2019-03-26 2019-07-09 南京道润交通科技有限公司 路面使用性能预测方法、存储介质、电子设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463348A (zh) * 2014-11-11 2015-03-25 辽宁省交通科学研究院 一种沥青路面改造方案决策系统及方法
CN108090635A (zh) * 2018-02-06 2018-05-29 东南大学 一种基于聚类分类的路用性能预测方法
CN109993223A (zh) * 2019-03-26 2019-07-09 南京道润交通科技有限公司 路面使用性能预测方法、存储介质、电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于熵权组合预测与粗糙模糊集的沥青路面使用性能分析;王昌衡等;《公路交通科技》;20160415(第04期);全文 *

Also Published As

Publication number Publication date
CN113822387A (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
CN113822387B (zh) 路面损坏状况指数预测方法、系统、设备及介质
CN109814513B (zh) 一种基于数据模型的催化裂化装置优化方法
CN107862864B (zh) 基于驾驶习惯和交通路况的行驶工况智能预测估计方法
CN112987666B (zh) 电厂机组运行优化调控方法及系统
CN104598993B (zh) 基于眨眼次数的驾驶员疲劳驾驶预测方法
CN105956788A (zh) 一种输变电工程造价的动态管理控制方法
CN108846526A (zh) 一种二氧化碳排放量预测方法
CN111339478B (zh) 基于改进模糊层次分析法的气象数据质量评估方法
CN116579506A (zh) 一种基于大数据的建筑能耗数据智能管理方法及系统
CN111815054A (zh) 基于大数据的工业蒸汽热网短期负荷预测方法
CN110633729A (zh) 一种面向智能网联车辆群组测试的驾驶风险分级聚类方法
CN111291822A (zh) 基于模糊聚类最优k值选择算法的设备运行状态判断方法
CN111598288A (zh) 一种基于物资全过程数据的物资需求预测管理方法
CN115455079A (zh) 一种基于事故数据和特征因素的事故多发点推荐方法
CN105205312B (zh) 道路事故热点成因分析和破坏度评估方法
CN112288157A (zh) 一种基于模糊聚类与深度强化学习的风电场功率预测方法
CN111932081A (zh) 一种电力信息系统运行状态评估方法及系统
Zhou et al. The landing safety prediction model by integrating pattern recognition and Markov chain with flight data
CN115169453A (zh) 基于密度聚类协同深度残差网络的热连轧宽度预测方法
CN114722098A (zh) 一种基于正态云模型和密度聚类算法的典型负荷曲线辨识方法
CN110689140A (zh) 一种通过大数据进行轨交报警数据智能管理的方法
Jingbiao et al. Research and improvement of clustering algorithm in data mining
CN114066296A (zh) 一种基于能源电力大数据的产业经济发展状况监测方法
CN115375175A (zh) 城市运行体征评价方法
Mao et al. Naive Bayesian algorithm classification model with local attribute weighted based on KNN

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