CN113918538B - 一种基于人工神经网络的新建道路养护数据迁移系统 - Google Patents
一种基于人工神经网络的新建道路养护数据迁移系统 Download PDFInfo
- Publication number
- CN113918538B CN113918538B CN202111195410.2A CN202111195410A CN113918538B CN 113918538 B CN113918538 B CN 113918538B CN 202111195410 A CN202111195410 A CN 202111195410A CN 113918538 B CN113918538 B CN 113918538B
- Authority
- CN
- China
- Prior art keywords
- road
- data
- migration
- database
- maintenance
- 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
- 238000013508 migration Methods 0.000 title claims abstract description 228
- 230000005012 migration Effects 0.000 title claims abstract description 228
- 238000012423 maintenance Methods 0.000 title claims abstract description 69
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000012937 correction Methods 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 35
- 239000010410 layer Substances 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 14
- 230000007774 longterm Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000008676 import Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000000547 structure data Methods 0.000 claims description 4
- 239000002344 surface layer Substances 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 abstract description 5
- 238000001723 curing Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000002035 prolonged effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005056 compaction Methods 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/214—Database migration support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q50/08—Construction
-
- 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)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明为一种基于人工神经网络的新建道路养护数据迁移系统，该迁移系统包括以下内容：选择与新建道路最为相似的已有道路，以该已有道路的历史数据为基础训练神经网络，建立迁移模型；所述迁移模型的输入为每个路龄下的已有道路初始使用性能指标、交通量参数比、环境参数比、道路结构参数比，迁移模型的输出为新建道路的路面使用性能，表征已有道路与新建道路之间的相关性；根据迁移模型能获得新建道路未来的路面使用性能，对新建道路进行预养护管理。该系统解决新建道路数据资料少，数据缺失的问题，并且降低主观性，滞后性对新建道路养护的影响，达到准确及时的预养护效果。
Description
技术领域
本发明涉及道路养护领域，具体是通过构建新建道路数据迁移系统，根据已有道路历史数据，得到模拟的新建道路迁移数据，通过分析迁移数据达到对新建道路预养护的效果。
背景技术
公路建成投入使用后，受车辆荷载、气候等因素的影响，一段时间后会出现许多的路面病害如裂缝、车辙、沉陷、坑槽、波浪拥包、松散等，如不及时处理会影响道路的正常使用年限。据统计，我国每年约有1万多公里高速公路、近20万公里普通公路需进行大中修，对道路进行及时的养护能够保证行车安全、舒适、畅通，节约运输费用和时间。
在道路建成初期，道路的养护极为重要，但目前道路的养护预测是基于大量的历史数据完成的，而对于新建道路数据资料很少甚至没有养护历史数据，利用现有的道路性能预测模型是无法完成对新建道路使用性能的直接预测，也无法对新建道路实施准确的预养护方案。
发明内容
针对现有技术的不足，本发明拟解决的技术问题是：建立一种基于人工神经网络的新建道路养护数据迁移系统，该系统能够应用于新建道路未来的使用性能数据的迁移，利用已有道路的历史数据训练神经网络建立特征值与使用性能之间的相关性分析模型，完成新建道路的数据迁移，解决新建道路数据资料少，数据缺失的问题，并且降低主观性，滞后性对新建道路养护的影响，达到准确及时的预养护效果。
本发明解决所述技术问题的技术方案是，提供一种基于人工神经网络的新建道路养护数据迁移系统，该系统包括以下内容：
选择与新建道路最为相似的已有道路，以该已有道路的历史数据为基础训练神经网络，建立迁移模型；
所述迁移模型的输入(特征值)为每个路龄下的已有道路初始使用性能指标、交通量参数比、环境参数比、道路结构参数比，迁移模型的输出(目标值)为新建道路的路面使用性能，表征已有道路与新建道路之间的相关性；
根据迁移模型能获得新建道路未来的路面使用性能，对新建道路进行预养护管理，达到新建道路预养护的效果。
所述交通量参数比为已有道路不同桩号交通量与新建道路不同桩号设计交通量之比；所述道路结构参数比包括已有道路不同桩号与新建道路不同桩号的面层厚度比、基层厚度比、底基层厚度比、面层压实度比、基层压实度比、底基层压实度比、路拱高度比；所述环境参数比包括同一路龄下的已有道路与新建道路的年平均温度比、年累计降水量比；
其中新建道路的交通量参数和道路结构参数在设计时为已知值，新建道路不同路龄下的环境参数若未知，则通过指数平滑法预测获得。
进一步地，所述迁移系统还包括三种数据库：
1)样本数据库，样本数据库为已有道路的原始数据，样本数据库的数据来源为已有道路每年的检测数据，包括道路的破坏数据(根据破坏数据能够计算出路面性能数据)、路面性能数据、道路环境数据、道路结构数据、道路不同桩号的交通量以及路龄，这些数据为新建道路数据迁移的基础，可直接为迁移数据库提供数据；能从目标道路数据库收集数据更新样本数据库使数据量增大重新为训练迁移模型提供数据样本；
2)迁移数据库，从样本数据库中筛选出适合对新建道路进行数据迁移的道路数据，为满足迁移模型的每项特征值和目标值为列索引并且以每年每百米桩号为行索引的格式，需要对筛选的样本数据库的数据进行数据处理，使其符合迁移模型所需要的特征值和目标值的为列索引的格式，迁移数据库中的数据来源于样本数据库，能为迁移模型直接提供数据集，迁移数据库具有导入、导出、更新、计算、调用、存储功能；
3)目标道路数据库，目标道路数据库为新建道路通过迁移模型模拟的迁移数据(即新建道路迁移完成的数据)，迁移模型模拟完成后直接将数据导入目标道路数据库，目标道路数据库还会收集新建道路每年进行道路检测的真实数据，目标道路数据库通过对比道路的迁移数据和真实数据的使用性能数据，对目标道路数据库中的对应数据进行修正，能实时的对新建道路进行监测，保证数据的实时更新，实时监测更新包括：对迁移数据的修正实时更新，每当新一年新建道路真实值检测出来后会进行新的迁移数据的数据修正并更新上一次的修正数据；并且将新一年的真实值进行存储。当目标道路的真实数据达到路龄阈值时导入样本数据库，对迁移模型进行更新优化。
进一步地，所述神经网络的结构，包括输入层、隐含层和输出层；所述隐含层由两层组成：第一层为五个神经元，第二层为四个神经元。
迁移模型能够根据已有道路历史数据和新建道路现有数据计算出的特征值包括：上述交通量参数比、道路结构参数比、环境参数比、已有道路初始使用性能指标、路龄，模拟得到新建道路未来的路面使用性能。
进一步地，所述迁移系统具有自我修正的功能，当迁移模型模拟出新建道路的路面使用性能数据后，能与当年新建道路路面使用性能数据的真实值进行对比修正，完成数据的自我修正，获得修正后的路面使用性能数据，以修正后的路面使用性能数据更新目标道路数据库中对应位置的数据，修正函数考虑了路龄对道路性能数据的影响，使迁移数据更加准确。
历史数据是每年检测一次，迁移模型迁移出的数据就是按照年份迁移的，迁移系统的自我修正一年修正一次，当新建道路未来也会进行每年一次的道路检测，这时以新建道路真实值/迁移值这个数值为基础根据路龄对道路使用性能下降的影响建立一个修正函数，然后将迁移值与修正函数相乘。
所述修正函数为：
Yn′＝Yn×Cn
其中Yn′为修正后的第n年的性能数据，Yn为修正前的第n年的性能数据，Cn为对应第n年迁移数据的修正函数，a为路龄,Cn-1为当年检测真实数据与当年迁移数据(Yn-1)的比值，am为道路养护年限阈值，本例建议采用数值为8。
这种修正方法是基于目标道路路龄、预估使用年限和使用性能比值来确定，重点在于根据性能衰变规律改进前后两年修正函数的关系，新的真实数据产生会重复修正迁移数据，是一种动态修正方法，所以不需要静态的高速公路特征的辅助。
进一步地，迁移系统还具有循环优化的功能，当目标道路数据库中新建道路真实值达到五年时，将目标道路数据库中的数据导入样本数据库，迁移数据库将样本数据库中的数据重新处理并导入神经网络中重新进行训练，进行一次迁移模型优化，通过反复训练神经网络，得到特征值与目标值之间的关系，再综合三个数据库，得到循环优化后的迁移系统。
进一步地，通过该迁移系统的迁移数据对新建道路进行系统性分析，综合迁移数据中的道路使用性能对比现行公路技术状况评定指标，在新建道路使用性能数据达到规范要求养护之前就对道路进行预养护，实现针对新建道路的预养护，同时在达到规范要求养护之前进行短期的精准养护，精准养护包括具体到养护哪条车道、哪个桩号、哪种养护方法，发挥预养护对道路养护的优势，预养护指在道路未发生某种病害之前就进行养护措施，防止出现病害降低养护成本；结合公路技术评定指标，与长期的迁移数据对比分析确定道路不同养护程度，实现通过长期的迁移数据对新建道路进行长期的道路养护规划的目的。迁移数据为道路性能数据，公路技术评定指标通过性能数据确定道路的技术状况等级，具体如下表
表1公路技术状况分项指标等级划分标准
当数值下降到某一范围时就进行相应的养护措施，通过迁移数据与这个指标值进行对比即可确定新建道路未来是否需要进行相应的养护措施。
迁移模型能够根据已有道路历史数据和新建道路现有数据计算出的特征值包括：上述交通量参数比、道路结构参数比、环境参数比、已有道路初始使用性能指标、路龄，模拟得到新建道路未来的路面使用性能。
与现有技术相比，本发明有益效果在于：
1)本发明迁移系统利用相近区域、道路结构相似的已有道路历史数据，通过相应的数据迁移将已有道路数据模拟成为新建道路未来的路面使用性能数据，根据路面使用性能数据进行分析对新建道路进行预养护管理，达到新建道路预养护的效果。本发明充分利用了现有道路数据，实现了数据的迁移。
2)本发明通过建立样本数据库可以为上述迁移模型提供大量数据基础，建立迁移数据库可以快速的完成数据处理工作，将数据处理为迁移模型所需的格式，建立目标道路数据库可以将每年的迁移数据的进行存储、更新以便实时调用。综合以上三种数据库，使道路数据资料的挖掘及利用达到最佳，并且根据数据库的数据资料可以直接进行客观科学的分析，为新建道路的预养护提供直观的数据资料。
3)本发明迁移模型可适用于不同地区相近道路的数据迁移，该迁移模型训练采用的特征值考虑到了道路结构参数、路龄以及初始道路使用性能指标这三项特征值，由于不同地区不同道路的道路结构参数不同、路龄不同、初始道路使用性能不同，训练迁移模型考虑到这三项特征值正是为了使该系统的应用场景更加广泛。在不同地区进行数据迁移时，只需更换目标道路特征值数据即可完成新建道路的数据迁移，使其适用于所有相近区域内新旧两条道路的迁移。
4)此外该迁移模型不仅适用于新建道路未来全部数据的迁移，而且对由于各种原因造成已有道路某一年、某一路段、某一车道的道路性能数据的缺失同样具有提供参考数据的效果。1.少量的缺失数据会消耗连续预测模型(即道路性能数据预测的模型，单纯的对已有道路进行的道路性能预测模型)中大量的数据组，迁移模型填补的少量缺失数据以较小的误差最大限度地减少模型的真实数据地损失。2.但如果缺失的使用性能数据利用连续预测模型直接预测填补，得到的新的数据无法用于连续预测模型的训练，因为预测出来的数据组如果仍用于模型自身的训练，无法让模型学习到新的信息，该部分数据仍属于冗余数据(无用数据)。因此利用迁移模型得到的使用性能数据对道路预测模型训练更具有价值。
5)该系统可以将每年的迁移数据进行修正，通过当年道路真实值进行对比得到修正函数，最终得到不同桩号不同车道修正后的数据，使迁移数据最大限度接近真实值，使之后的道路养护更加精准。当目标道路真实数据达到五年后，将其导入样本数据库更新样本数据，达到数据反哺的效果，重新进行迁移模型训练达到模型的自我优化，优化之后再次进行数据迁移，可以达到迁移模型的循环优化。
6)通过迁移数据对新建道路进行长期的道路养护规划，还可以根据短期迁移数据针对新建道路进行短期的精准养护，使道路养护决策更加客观，更加科学，同时可以对道路进行预养护。从而达到对路面病害及时处理的效果增加道路的大修周期，延长新建道路的使用寿命，以及最大限度降低道路的养护成本。
附图说明
图1本发明基于人工神经网络的新建道路养护数据迁移系统的处理流程图；
图2为本发明神经网络的结构图；
图3为本发明迁移模型训练流程图。
具体实施方式
下面给出本发明的具体实施例。具体实施例仅用于进一步详细说明本发明，不限制本申请的保护范围。
本发明提供了基于人工神经网络的新建道路养护数据迁移系统，该系统能够根据已有道路数据通过神经网络数据迁移得到新建道路的性能数据，可以对新建道路的破坏方式达到初步的预测，从而可以针对新建道路进行长期养护规划和短期精准养护。
如图1所示在该迁移系统中，包括样本数据库、迁移数据库、目标道路数据库、迁移模型，所述样本数据库为已有道路的原始数据，样本数据库的数据来源为已有道路每年的检测数据，通过道路检测车直接采集，包括道路的破坏数据、路面性能数据、道路环境数据、道路结构数据、道路的交通量以及路龄，其中以上所有采集到的数据均以每年每百米桩号为一组数据，样本数据库将收集到的数据以每年每百米桩号为行索引，各种监测数据为列索引进行存储。每年相关部门通过道路检测车在道路上跑一遍，记录每年各个桩号每条车道的性能数据；环境数据中，温度是年平均温度，降雨量是年累计降雨量，可通过网上气象资料收集。
为了满足训练迁移模型的数据格式，需要对样本数据库的数据进行数据处理，所述迁移数据库的功能就是从样本数据库中调取原始数据进行数据处理，因为迁移模型所需要的数据为特征值和目标值，所以迁移数据库将数据处理成为特征值和目标值分开的列索引训练数据集，数据集分为特征值和目标值。迁移数据库集成了数据导入、数据计算、数据导出、数据更新功能，其中数据导入为将样本数据库中的数据调取，导入至该迁移数据库中；数据计算，将导入的数据进行环境参数数据，道路结构参数数据，交通量参数数据比值处理，其中分子为已有道路的各种数据分母为新建道路的各种数据，每项特征值和目标值为列索引并且以每年每百米桩号为行索引的格式计算处理；数据导出，当迁移模型调取数据时，该迁移数据库可快速导出处理好的数据；数据更新，当样本数据库数据变更时可更新原有数据。
所述目标道路数据库为迁移模型模拟出的新建道路迁移数据，对于新建道路未来五年温度和降雨量的数据收集，本例采用指数平滑法进行环境参数预测，预测得出结果后将数据导入至目标道路数据库进行存储，需要利用模拟的环境数据时可直接将其导入样本数据库，道路的这些数据为新建道路数据迁移的基础，可直接为迁移数据库提供数据。
指数平滑法公式如下：
其中β为平滑指数，为t年的预测值即本年的平滑值，St为t年的实际值，/>为t-1年的预测值即上一年的平滑值。
利用该指数平滑法预测温度和降雨量，只要有样本末年的平滑值，就可以得到预测结果，其特点能够跟踪数据变化。预测过程中添加最新的样本数据后，新数据应取代老数据的地位，老数据会逐渐居于次要的地位，直至被淘汰。这样，预测值总是反映最新的数据结构。
目标道路数据库中的数据可以与目标道路当年真实路面使用性能数据(包括PQI、PCI、RQI、RDI、SRI、PBI、PSSI这些性能数据，本实施例这里只对性能数据修正，不包括上面的环境预测数据)对比进行自我修正；当目标道路数据库中新建道路的真实值数据达到五年数据时将其导入样本数据库，将目标道路真实值数据作为新的数据集重新训练迁移模型来优化迁移模型。当迁移模型训练好后，通过该迁移系统完成新建道路数据迁移即可将迁移数据即新建道路使用性能数据导入目标道路数据库进行存储，该目标道路数据库设置导出功能，可以将数据导出，满足相关道路养护人员对数据的调取，根据迁移数据针对新建道路进行相应的预养护方案。
构建神经网络，本发明采用Bi-LSTM神经网络结构，该神经网络结构最初由RNN发展至LSTM最终演变为Bi-LSTM，循环神经网络RNN在训练的过程中会有长期依赖的问题，这是由于RNN模型在训练时会遇到梯度消失或者梯度爆炸的问题，而LSTM就很好的解决了长期依赖问题，LSTM通过刻意的设计来避免长期依赖问题，但有些时候预测可能需要由前面若干输入和后面若干输入共同决定，这样会更加准确，因此提出了双向循环神经网络Bi-LSTM。为了使迁移模型更加准确，本实施例中迁移模型采用Bi-LSTM神经网络结构。
如图2所示，在python3.6编程环境下，利用KERAS模型库中的Bidirectional(LSTM())模块，搭建Bi-LSTM神经网络结构，包括输入层、隐含层、输出层，其中模型的隐含层由两层组成：第一层为五个神经元，第二层为四个神经元。神经网络的特征值包括交通量参数比、环境参数比、道路结构参数比、路龄和道路初始使用性能指标值。环境参数比包括：年平均温度比，年累计降雨量比(已有道路/新建道路)。交通量参数比为已有道路不同桩号交通量与新建道路不同桩号设计交通量(新建道路的设计交通量为已知值，在进行道路设计时就会将设计交通量定好)比。道路结构参数比包括：面层厚度比，基层厚度比，底基层厚度比，面层压实度比，基层压实度比，底基层压实度比，路拱高度比(设计时的已知值)。训练神经网络的目标值为已有道路路面使用性能(迁移模型迁移的数据是根据已有道路的使用性能指标值训练确定的，训练网络时目标值是已有道路的使用性能指标，而训练好的模型进行迁移的时候目标值是目标道路即新建道路的路面使用性能)，例如PQI、PCI、RQI、RDI、SRI、PBI、PSSI性能数据。通过添加道路结构参数，可以使神经网络区分不同地区不同道路结构对模型预测道路性能的影响，添加道路初始使用性能指标值，则可以区分交通参数以及环境参数特征值对模型预测道路性能的影响。
道路初始使用性能指标值指道路建成第一年检测到的道路使用性能真实值，这个数据按每个桩号分，是不会变的，添加这个数据作为特征值的目的就是为了使模型能够学习到这两条道路所在的区域环境的好坏，交通量的大小，比如需要进行数据迁移的这条道路所在区域环境恶劣，道路交通量大第一年的道路使用性能就会低，而且本发明的特征值采用交通量的比例样式，如果说使100万比50万比值是2，20万比10万比值也是2，但这两者对道路使用性能的影响差别是很大的，也正是因为这一特征值还有上边所说的道路结构参数这两种特征值的使用，使得模型的适用性更加广泛。
由于特征值之间和目标值之间的不平衡，道路初始使用性能指标值大，其他参数比较小，需要排除量纲对神经网络训练的影响。为了去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。将数据按比例缩放，使之落入一个小的特定区间。这种方法称为数据标准化处理。方法如下：
xn＝(x-u)/σ
其中xn为特征值处理后的数值；x为特征值处理前的数值；u为某一特征值在本列数据的平均值；σ为某一特征值在本列数据的标准差。
获取数据集后，首先竖向分割数据集，将数据集按照列分为特征值和目标值，特征值即神经网络的输入，目标值即神经网络的输出；再横向分割数据集，将数据按照0.8：0.2的比例横向划分为训练集和测试集，训练集用来训练神经网络，一般较多，测试集用来测试生成的神经网络模型的精确度，反映神经网络的泛化能力，防止过拟合，一般较少。
训练神经网络，初始化初始权重矩阵和阈值：在本实施例中，权重是各个神经元之间的连接系数因子，在训练之前，需要先初步确定系数因子和激活函数的阈值，才能利用划分好的数据训练神经网络。又因为激活函数的存在，需要较小的权重和阈值。所以这里采用positive_unitball初始化的方法初始化权重矩阵和阈值，让每一个神经元的输入的权值和为1，例如一个神经元有n个输入，让这n个输入的权值和为1。首先给这n个权值赋值为在(0，1)之间的均匀分布，然后，每一个权值再除以它们的和。这么做，可以有助于防止权值初始化过大，从而防止激活函数(sigmoid函数)进入饱和区。
如图3所示为迁移模型的完整流程。从样本数据库中调取数据集导入迁移数据库，对样本数据库的数据进行数据处理包括筛选出适合对新建道路进行数据迁移的道路数据，再将筛选好的数据处理成符合神经网络模型所需要的每项特征值和目标值的为列索引的格式。处理好的数据格式如上述特征值和目标值的各项参数和使用性能。迁移模型从迁移数据库中调取处理好的数据进行训练，通过训练神经网络获得新建道路的迁移模型，将训练好的迁移模型保存在编程环境中。通过输入对应目标道路迁移模型所需的特征值目标道路特征值(将上述已有道路和新建目标道路各项比值、路龄和已有道路初始使用性能指标输入到模型中就可以预测出新建道路的迁移数据)进行数据迁移即可对新建道路数据进行迁移得到迁移结果，相关养护管理人员根据迁移结果，进行分析可以初步对新建道路的破坏进行预测得出预养护方案。在第二年经过新建道路的道路检测后得到该道路当年的真实使用性能数据后，通过修正函数将迁移的性能数据进行修正，将迁移数据结果与修正函数相乘完成数据修正，以此为循环完成迁移数据每年的自我修正，考虑到随路龄的增长路面使用性能下降会逐年增加，在添加迁移数据与当年检测真实数据的比值的同时添加路龄对性能数据的修正影响，使数据修正更加接近真实值。
以(新建道路真实值/迁移值)这个数值为基础根据路龄对道路使用性能的影响建立的一个修正函数，直接拿修正结果替换迁移模型计算出的迁移数据，但不能将它作为更新迁移模型的输入，更新模型必须是真实值，使用预测值或是修正值都不会使迁移模型优化，并且数据修正这一步是和模型优化分开的，数据修正只是为了是迁移数据接近真实值，使之后的养护决策更加客观准确。
所述修正函数即为了使数据修正更加接近真实值，通过利用当年真实数据与当年迁移数据的比值、道路养护年限阈值、新建道路未来的路龄、当年迁移数据建立的迁移数据修正函数。这种修正方法是确定的，修正方法是基于目标道路路龄，预估使用年限和使用性能比值来确定，重点在于根据性能衰变规律改进前后两年修正函数的关系，新的真实数据产生会重复修正迁移数据，是一种动态修正方法，所以不需要静态的高速公路特征的辅助。
采用修正函数与预测值相乘的方法进行数据修正，修正函数可结合目标道路实际情况确定，本例采用如下方法：
Yn′＝Yn×Cn
其中Yn′为修正后的第n年的性能数据，Yn为修正前的第n年的性能数据，Cn为对应第n年迁移数据的修正函数，a为路龄,Cn-1为当年检测真实数据与当年迁移数据(Yn-1)的比值，am为道路养护年限阈值，本例建议采用数值为8。
该迁移系统还可以进行自我优化，经过上述目标道路迁移数据不断的修正优化，当目标道路的迁移数据达到设定的路龄阈值时，本实施例设置路龄阈值为五年，系统将调取目标道路数据库的数据导入至样本数据库，作为原始数据，经过数据处理再次到达迁移数据库，重新对迁移模型进行训练，得到优化和更新后的迁移模型，即图3所示的自我优化,图3中N表示路龄，N从0开始的计数，按年度累加。通过反复训练神经网络，得到特征值与目标值之间的关系，再综合目标道路数据库判断迁移数据是否达到了目标精度，得到最终的迁移系统。该迁移系统可以作为某一区域的新建道路数据迁移系统，当更换区域时，将该区域对应的已有道路数据导入样本数据库即可直接完成该区域新建道路的数据迁移，该系统应用场景十分广泛。此外本发明的迁移模型不仅适用于新建道路未来数据的迁移，而且对由于各种原因造成已有道路某一年、某一路段、某一车道的道路性能数据的缺失同样具有提供参考数据的效果。
最终，可以通过该迁移系统的迁移数据对新建道路进行系统性分析，针对新建道路进行短期的精准养护，综合迁移数据中的道路使用性能对比现行公路技术状况评定指标，在新建道路使用性能数据达到规范要求养护之前就对道路进行预养护，发挥预养护对道路养护的优势。例如：通过迁移数据得到每年各条车道不同桩号的路面性能，根据迁移数据可以得到道路具体车道，具体桩号未来的损害状况并以养护规范的养护阈值为前提，相应的提前一年对该位置进行养护处理，并且实施养护等级也相应降低，比如对于可能发展为坑槽的路面裂缝，在前一年进行裂缝灌缝处理，可以防止裂缝的恶化。通过这样的系统性分析，对道路进行及时的预养护，从而达到对路面病害及时处理的效果。
还可以通过迁移数据对新建道路进行长期的道路养护规划，结合公路技术评定指标，与长期的迁移数据对比分析确定道路不同养护程度。例如，通过分析迁移数据发现新建道路性能数据普遍在未来第七年发生急剧的下降，从数据中可以得知，道路在第七年需要中修，但根据数据分析发现可以在道路建成后第六年进行小修即可延长道路中修或大修的周期。这样使道路从中修到小修养护方式的转变，不仅缩短了养护时间，保证车辆的通行，最大限度增加道路的大修周期，延长新建道路的使用寿命，降低道路的养护成本。
本发明对于一条道路的数据迁移，具体的工作流程是：
1、收集各种道路的历史数据资料将数据导入样本数据库。
2、挑选与新建道路最相近的道路数据，将样本数据库中的数据导入至迁移数据库，将数据处理成为迁移模型所需要的数据格式。最相近的道路数据选取方式为：首先，所在区域相同或相近，比如两条道路都在一个省，这样两条道路的环境和交通量相差不会太，会提高迁移模型的准确度，使模型更好；其次道路线形相近，这样两条道路的桩号直接对应，相对应桩号的数据迁移更加准确，与真实值会更加接近。
3、迁移模型调取处理好的数据训练神经网络，获得训练好的迁移模型。
4、收集距离目标道路最近的已有道路的环境数据，道路结构数据，路龄，路面使用性能数据，将数据处理成特征值后将各项特征值输入至迁移模型，迁移模型的特征值包含了环境参数比、道路结构参数比、交通量参数比、路龄和道路初始使用性能指标值，最后得到目标道路迁移数据。
5、根据目标道路的迁移数据即可进行数据分析，进行相应的养护决策。
6、在进行下一年的数据迁移前，通过道路检测得到目标道路的真实数据，对比预测数据结合路龄对道路性能的影响得到修正函数，通过修正函数对预测数据进行修正，使其更加准确。以此为循环进行如图3所示的迁移数据的自我修正过程。
7、当目标道路真实值数据达到五年时，将数据导入至样本数据库扩大样本数据，经过上步骤再次训练优化模型，实现迁移模型的自我优化和数据的再利用。
本发明未述及之处适用于现有技术。
Claims (8)
1.一种基于人工神经网络的新建道路养护数据迁移系统，该迁移系统包括以下内容：
选择与新建道路最为相似的已有道路，以该已有道路的历史数据为基础训练神经网络，建立迁移模型；
所述迁移模型的输入特征值为每个路龄下的已有道路初始使用性能指标、交通量参数比、环境参数比、道路结构参数比，迁移模型的输出目标值为新建道路的路面使用性能，表征已有道路与新建道路之间的相关性；
根据迁移模型能获得新建道路未来的路面使用性能，对新建道路进行预养护管理；
所述交通量参数比为已有道路不同桩号交通量与新建道路不同桩号设计交通量之比；所述道路结构参数比包括已有道路不同桩号与新建道路不同桩号的面层厚度比、基层厚度比、底基层厚度比、面层压实度比、基层压实度比、底基层压实度比、路拱高度比；所述环境参数比包括同一路龄下的已有道路与新建道路的年平均温度比、年累计降水量比；
其中新建道路的交通量参数和道路结构参数在设计时为已知值，新建道路不同路龄下的环境参数若未知，则通过指数平滑法预测获得；
历史数据是每年检测一次，迁移模型迁移出的数据就是按照年份迁移的，迁移系统的自我修正一年修正一次，当新建道路未来也会进行每年一次的道路检测，这时以新建道路真实值/迁移值这个数值为基础根据路龄对道路使用性能下降的影响建立一个修正函数，然后将迁移值与修正函数相乘；
所述修正函数为：
Yn′＝Yn×Cn
其中Yn′为修正后的第n年的性能数据，Yn为修正前的第n年的性能数据，Cn为对应第n年迁移数据的修正函数，a为路龄,Cn-1为当年检测真实数据与当年迁移数据(Yn-1)的比值，am为道路养护年限阈值。
2.根据权利要求1所述的迁移系统，其特征在于，所述迁移系统还包括三种数据库：
1)样本数据库：样本数据库为已有道路的原始数据，样本数据库的数据来源为已有道路每年的检测数据，包括道路的破坏数据、路面性能数据、道路环境数据、道路结构数据、道路不同桩号的交通量以及路龄，这些数据为新建道路数据迁移的基础，且能从目标道路数据库收集数据来更新样本数据库，使数据量增大重新为训练迁移模型提供数据样本；
2)迁移数据库：从样本数据库中筛选出适合对新建道路进行数据迁移的道路数据，为满足迁移模型的每项特征值和目标值为列索引并且以每年每百米桩号为行索引的格式，需要对筛选的样本数据库的数据进行数据处理，使其符合迁移模型所需要的特征值和目标值为列索引的格式，迁移数据库中的数据来源于样本数据库，能为迁移模型直接提供数据集，迁移数据库具有导入、导出、更新、计算、调用、存储功能；
3)目标道路数据库：目标道路数据库为新建道路通过迁移模型模拟的迁移数据，迁移模型模拟完成后直接将数据导入目标道路数据库，目标道路数据库还会收集新建道路每年进行道路检测的真实数据，目标道路数据库通过对比道路的迁移数据和真实数据的使用性能数据，对目标道路数据库中的对应数据进行修正，能实时地对新建道路进行监测，保证数据的实时更新，实时监测更新包括：对迁移数据的修正实时更新，每当新一年新建道路真实值检测出来后会进行新的迁移数据的数据修正并更新上一次的修正数据，并且将新一年的真实值进行存储；
当目标道路的真实数据达到设定的路龄阈值时导入样本数据库，对迁移模型进行更新优化。
3.根据权利要求1所述的迁移系统，其特征在于，所述神经网络采用Bi-LSTM神经网络结构，包括输入层、隐含层和输出层；所述隐含层由两层组成：第一层为五个神经元，第二层为四个神经元。
4.根据权利要求1所述的迁移系统，其特征在于，所述迁移系统具有自我修正的功能，当迁移模型模拟出新建道路的路面使用性能数据后，能与当年新建道路路面使用性能数据的真实值进行对比修正，完成数据的自我修正，获得修正后的路面使用性能数据，以修正后的路面使用性能数据更新目标道路数据库中对应位置的数据，修正函数考虑了路龄对道路性能数据的影响，使迁移数据更加准确。
5.根据权利要求4所述的迁移系统，其特征在于，迁移系统还具有循环优化的功能，当目标道路数据库中新建道路真实值达到设定的路龄阈值时，将目标道路数据库中的数据导入样本数据库，迁移数据库将样本数据库中的数据重新处理并导入神经网络中重新进行训练，进行一次迁移模型优化，通过反复训练神经网络，得到特征值与目标值之间的关系，再综合三个数据库，得到循环优化后的迁移系统。
6.根据权利要求4所述的迁移系统，其特征在于，通过该迁移系统的迁移数据对新建道路进行系统性分析，综合迁移数据中的道路使用性能对比现行公路技术状况评定指标，在新建道路使用性能数据达到规范要求养护之前就对道路进行预养护，发挥预养护对道路养护的优势，同时在达到规范要求养护之前进行短期的精准养护，实现针对新建道路的短期的精准养护，精准养护包括具体到养护哪条车道、哪个桩号、哪种养护方法；结合公路技术评定指标，与长期的迁移数据对比确定道路不同养护程度，实现通过长期的迁移数据对新建道路进行长期的道路养护规划的目的。
7.根据权利要求1所述的迁移系统，其特征在于，迁移模型迁移的数据是根据已有道路的使用性能指标值训练确定的，训练神经网络时目标值是已有道路的使用性能指标，而训练好的迁移模型进行迁移的时候目标值是目标道路即新建道路的路面使用性能。
8.根据权利要求1-7任一所述的迁移系统，其特征在于，所述迁移模型不仅适用于新建道路未来全部数据的迁移，而且对由于各种原因造成已有道路某一年、某一路段、某一车道的道路性能数据的缺失同样具有提供参考数据的效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111195410.2A CN113918538B (zh) | 2021-10-14 | 2021-10-14 | 一种基于人工神经网络的新建道路养护数据迁移系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111195410.2A CN113918538B (zh) | 2021-10-14 | 2021-10-14 | 一种基于人工神经网络的新建道路养护数据迁移系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113918538A CN113918538A (zh) | 2022-01-11 |
| CN113918538B true CN113918538B (zh) | 2024-05-14 |
Family
ID=79240199
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111195410.2A Active CN113918538B (zh) | 2021-10-14 | 2021-10-14 | 一种基于人工神经网络的新建道路养护数据迁移系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113918538B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115964483B (zh) * | 2022-07-20 | 2024-04-05 | 东南大学 | 基于神经网络的高速公路养护大数据分类决策方法 |
| CN116050670B (zh) * | 2023-03-31 | 2023-06-06 | 河北工业大学 | 一种基于数据驱动的道路养护决策方法及系统 |
| CN116975981B (zh) * | 2023-08-11 | 2024-02-09 | 江苏全心建设有限公司 | 一种基于bim的城市道路铺设方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109558942A (zh) * | 2018-11-20 | 2019-04-02 | 电子科技大学 | 一种基于浅度学习的神经网络迁移方法 |
| CN111105332A (zh) * | 2019-12-19 | 2020-05-05 | 河北工业大学 | 一种基于人工神经网络的高速公路智能预养护方法及系统 |
| CN112528870A (zh) * | 2020-12-14 | 2021-03-19 | 华侨大学 | 一种基于mimo神经网络和迁移学习的多点振动响应预测方法 |
| WO2021082809A1 (zh) * | 2019-10-29 | 2021-05-06 | 山东科技大学 | 一种外汇时间序列预测的训练优化方法 |
| CN112863182A (zh) * | 2021-01-13 | 2021-05-28 | 南京航空航天大学 | 基于迁移学习的跨模态数据预测方法 |
| CN113177735A (zh) * | 2021-05-25 | 2021-07-27 | 河北工业大学 | 一种基于人工智能的公路路面全生命周期质量追溯方法 |
-
2021
- 2021-10-14 CN CN202111195410.2A patent/CN113918538B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109558942A (zh) * | 2018-11-20 | 2019-04-02 | 电子科技大学 | 一种基于浅度学习的神经网络迁移方法 |
| WO2021082809A1 (zh) * | 2019-10-29 | 2021-05-06 | 山东科技大学 | 一种外汇时间序列预测的训练优化方法 |
| CN111105332A (zh) * | 2019-12-19 | 2020-05-05 | 河北工业大学 | 一种基于人工神经网络的高速公路智能预养护方法及系统 |
| CN112528870A (zh) * | 2020-12-14 | 2021-03-19 | 华侨大学 | 一种基于mimo神经网络和迁移学习的多点振动响应预测方法 |
| CN112863182A (zh) * | 2021-01-13 | 2021-05-28 | 南京航空航天大学 | 基于迁移学习的跨模态数据预测方法 |
| CN113177735A (zh) * | 2021-05-25 | 2021-07-27 | 河北工业大学 | 一种基于人工智能的公路路面全生命周期质量追溯方法 |
Non-Patent Citations (2)
| Title |
|---|
| 国内外公路预防性养护技术发展应用情况;张志刚;;交通世界(建养.机械);20071208(12);全文 * |
| 迁移学习下高分快视数据道路快速提取;张军军;万广通;张洪群;李山山;冯旭祥;中国图象图形学报;20201231(007);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113918538A (zh) | 2022-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113918538B (zh) | 一种基于人工神经网络的新建道路养护数据迁移系统 | |
| CN109993223B (zh) | 路面使用性能预测方法、存储介质、电子设备 | |
| Li et al. | Automated decision making in highway pavement preventive maintenance based on deep learning | |
| 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 | |
| CN111652520B (zh) | 一种基于大数据的路面养护智能决策系统及方法 | |
| CN108596396A (zh) | 一种基于养护历史修正的路面性能预测和养护方法及装置 | |
| CN113065722B (zh) | 一种基于深度学习的连续多步预测道路智能养护系统 | |
| CN108665093A (zh) | 基于深度学习的高速公路交通事故严重度预测方法 | |
| CN116050670B (zh) | 一种基于数据驱动的道路养护决策方法及系统 | |
| CN113449905A (zh) | 一种基于门控循环单元神经网络的交通拥堵预警方法 | |
| CN114855570A (zh) | 市政道路的养护策略处理方法、装置和计算机设备 | |
| CN111222678B (zh) | 路面技术状况预测方法 | |
| CN116739376A (zh) | 一种基于数据挖掘的公路路面预防性养护决策方法 | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
| CN115948964A (zh) | 一种基于ga-bp神经网络的路面平整度预测方法 | |
| CN112241808A (zh) | 路面技术状况预测方法、装置、电子设备及存储介质 | |
| CN115438547A (zh) | 基于路面服役状态的整体评价方法及系统 | |
| CN115964483A (zh) | 基于神经网络的高速公路养护大数据分类决策方法 | |
| CN116151522B (zh) | 一种基于dea的高速公路路面养护辅助决策方法及系统 | |
| CN116108997B (zh) | 丘陵地区高速公路农田征地数量及造价预测方法及系统 | |
| CN117973623A (zh) | 一种多维高速公路路面破损率预测方法 | |
| LU504810B1 (en) | Method for predicting pavement service performance distribution condition | |
| Mikels et al. | The Use of Artificial Intelligence in Pavement Engineering | |
| Kassem et al. | The Use of Artificial Intelligence in Pavement Engineering | |
| CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |