CN114855570A - 市政道路的养护策略处理方法、装置和计算机设备 - Google Patents
市政道路的养护策略处理方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN114855570A CN114855570A CN202210567922.5A CN202210567922A CN114855570A CN 114855570 A CN114855570 A CN 114855570A CN 202210567922 A CN202210567922 A CN 202210567922A CN 114855570 A CN114855570 A CN 114855570A
- Authority
- CN
- China
- Prior art keywords
- road
- data
- target
- index
- road surface
- 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
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 119
- 238000003672 processing method Methods 0.000 title description 6
- 230000004927 fusion Effects 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000004590 computer program Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 23
- 201000010099 disease Diseases 0.000 claims description 65
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 65
- 238000013507 mapping Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000006866 deterioration Effects 0.000 abstract description 2
- 230000003111 delayed effect Effects 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 21
- 238000007726 management method Methods 0.000 description 17
- 230000009471 action Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003801 milling Methods 0.000 description 4
- 239000013589 supplement Substances 0.000 description 4
- 239000010410 layer Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 239000002344 surface layer Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- E01C23/03—Arrangements for curing paving; Devices for applying curing means; Devices for laying prefabricated underlay, e.g. sheets, membranes; Protecting paving under construction or while curing, e.g. use of tents
-
- 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
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/25—Fusion techniques
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
- G06Q10/06395—Quality analysis or management
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种市政道路的养护策略处理方法、装置、计算机设备、存储介质和计算机程序产品。通过利用数据融合模型对目标市政道路的多源数据进行分析,预测路面状况指数,路面状况指数能够衡量道路的完好程度,反应路面状况,因此,再根据获取的路面车辙深度和道路平整度指数以及路面状况指数就能得到养护策略,提前对市政道路进行养护,避免因养护滞后而造成路面恶化的情况。
Description
技术领域
本申请涉及道路管养技术领域,特别是涉及一种市政道路的养护策略处理方法、装置和计算机设备。
背景技术
PCI(pavement condition index)是路面状况指数,是用于衡量一段道路的完好程度的指数,在道路养护管理领域是对道路一项重要的指标。目前的市政道路养护,大部分城市未建立起科学的养护决策体系,部分城市道路甚至很少开展定期检测,检测结果与养护存在一定的脱节,管养水平较低。
传统技术中,当出现当道路损坏后,才对道路进行养护,因此,对道路养护存在滞后性。
发明内容
基于此,有必要针对上述技术问题,提供一种市政道路的养护策略处理方法、装置、计算机设备、存储介质和计算机程序产品。
第一方面,本申请提供了一种市政道路的养护策略处理方法。所述方法包括:
获取目标市政道路在多个预设维度的多源数据;
对所述多源数据进行处理,将处理后的多源数据输入预先训练的数据融合模型,通过所述数据融合模型输出影响路面的多维度的病害特征;
根据所述多维度的病害特征预测所述目标市政道路的路面状况指数;
获取所述目标市政道路的路面车辙深度和道路平整度指数;
根据所述路面状况指数、路面车辙深度和道路平整度指数确定所述目标市政道路的养护策略目标。
在其中一个实施例中,若所述目标市政道路的预测的所述路面状况指数与预期的路面状况指数的差值大于阈值,则确定所述多维度的病害特征是否包括关键病害特征;
若包括关键病害特征,则根据所述差值调整所述数据融合模型中与所述关键病害特征相关的各维度因素的权重,更新所述数据融合模型。
在其中一个实施例中,若不包括关键病害特征,则根据所述差值调整所述数据融合模型中与非关键病害特征相关的各维度因素的权重,更新所述数据融合模型。
在其中一个实施例中,根据所述路面状况指数、路面车辙深度和道路平整度指数确定所述目标市政道路的养护策略目标,包括:
当所述路面状况指数小于设定值时,根据所述路面状况指数、路面车辙深度和道路平整度指数查找养护决策表,确定所述目标市政道路的所述养护策略目标。
在其中一个实施例中,所述路面状况指数根据路面状况阈值被划分为第一路面状况指数区间、第二路面状况指数区间和第三路面状况指数区间;所述路面车辙深度根据路面车辙深度阈值被划分为第一路面车辙深度区间、第二路面车辙深度区间和第三路面车辙深度区间,所述道路平整度指数根据道路平整度阈值被划分为第一道路平整度区间和第二道路平整度区间;
所述养护策略目标记录了各路面状况指数区间、路面车辙深度区间和道路平整度区间之间的映射关系,以及每种映射关系对应的养护策略目标。
在其中一个实施例中,若所述目标市政道路的预测的所述路面状况指数与所述预期的路面状况指数的差值大于阈值,则根据多源数据的优先级,补充预设维度的多源数据源;若所述目标市政道路的预测的所述路面状况指数与所述预期的路面状况指数的差值大于阈值,则根据多源数据的优先级,删除预设维度的多源数据。
第二方面,本申请还提供了一种市政道路的养护策略处理装置。所述装置包括:
数据获取模块,用于获取目标市政道路在多个预设维度的多源数据;
数据处理模块,用于对所述多源数据进行处理,将处理后的多源数据输入预先训练的数据融合模型,通过所述数据融合模型输出影响路面的多维度的病害特征;
数据预测模块,用于根据所述多维度的病害特征预测所述目标市政道路的路面状况指数;
所述数据获取模块,还用于获取所述目标市政道路的路面车辙深度和道路平整度指数;
数据分析模块,用于根据所述路面状况指数、路面车辙深度和道路平整度指数确定所述目标市政道路的养护策略目标。
第三方面,本申请还提供了一种计算机设备。所述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,所述处理器执行所述计算机程序时实现以下步骤:
获取目标市政道路在多个预设维度的多源数据;
对所述多源数据进行处理,将处理后的多源数据输入预先训练的数据融合模型,通过所述数据融合模型输出影响路面的多维度的病害特征;
根据所述多维度的病害特征预测所述目标市政道路的路面状况指数;
获取所述目标市政道路的路面车辙深度和道路平整度指数;
根据所述路面状况指数、路面车辙深度和道路平整度指数确定所述目标市政道路的养护策略目标。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取目标市政道路在多个预设维度的多源数据;
对所述多源数据进行处理,将处理后的多源数据输入预先训练的数据融合模型,通过所述数据融合模型输出影响路面的多维度的病害特征;
根据所述多维度的病害特征预测所述目标市政道路的路面状况指数;
获取所述目标市政道路的路面车辙深度和道路平整度指数;
根据所述路面状况指数、路面车辙深度和道路平整度指数确定所述目标市政道路的养护策略目标。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取目标市政道路在多个预设维度的多源数据;
对所述多源数据进行处理,将处理后的多源数据输入预先训练的数据融合模型,通过所述数据融合模型输出影响路面的多维度的病害特征;
根据所述多维度的病害特征预测所述目标市政道路的路面状况指数;
获取所述目标市政道路的路面车辙深度和道路平整度指数;
根据所述路面状况指数、路面车辙深度和道路平整度指数确定所述目标市政道路的养护策略目标。
上述的市政道路的养护策略处理方法、装置、计算机设备、存储介质和计算机程序产品,通过利用数据融合模型对目标市政道路的多源数据进行分析,预测路面状况指数,路面状况指数能够衡量道路的完好程度,反应路面状况,因此,再根据获取的路面车辙深度和道路平整度指数以及路面状况指数就能得到养护策略,提前对市政道路进行养护,避免因养护滞后而造成路面恶化的情况。
附图说明
图1为一个实施例中市政道路的养护策略处理方法的应用环境图;
图2为一个实施例中市政道路的养护策略处理方法的流程示意图;
图3为另一个实施例中市政道路的养护策略处理方法的流程示意图;
图4为一个实施例中市政道路的养护策略处理装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的市政道路的养护策略处理方法,可以应用于如图1所示的应用环境中。其中,管养数据融合系统10和管养数据平台11进行通信。
其中,管养数据平台11与管养部门数据端101、气象部门数据端102以及检测机构数据端103连接,管养部门数据端101、气象部门数据端102以及检测机构数据端103可以分别向养护管理平台101提供市政道路的养护策略处理所需的数据。
其中,管养部门数据端101可以提供日常巡查数据、预期养护水平数据和监测数据等,气象部门数据端102可以提供对应路段所处区域近期天气数据或者未来某时段的天气预报数据,检测机构数据端103可以提供路面检测数据,
路面检测数据是检测机构对市政道路定期开展的检测得到的数据,其中,定期开展的检测包括但不限于路面平整度检测、路面结构强度检测、路面破损情况检测,以及路面抗滑性能检测。
具体地,数据管养数据平台11获取目标市政道路在多个预设维度的多源数据,将多源数据发送至管养数据融合系统10,管养数据融合系统获取目标市政道路在多个预设维度的多源数据;对所述多源数据进行处理,将处理后的多源数据输入预先训练的数据融合模型,通过所述数据融合模型输出影响路面的多维度的病害特征;根据所述多维度的病害特征预测所述目标市政道路的路面状况指数;获取所述目标市政道路的路面车辙深度和道路平整度指数;根据所述路面状况指数、路面车辙深度和道路平整度指数确定所述目标市政道路的养护策略目标。
其中,多维度病害特征、路面状况指数、路面车辙深度和道路平整度指数,以及养护策略目标可根据实际情况在管养数据平台11进行展示。
在一个实施例中,如图2所示,提供了一种市政道路的养护策略处理方法,以该方法应用于图1中的管养数据融合系统10为例进行说明,包括以下步骤:
步骤200,获取目标市政道路在多个预设维度的多源数据。
其中,目标市政道路可以是一段路,也可以是某区域内所有市政道路的集合。从管养数据平台11目标市政道路在多个预设维度的多源数据。其中,一个维度提供至少一种数据源。例如,预设维度可以是养护维度、气象维度、检测维度等,还可以包括市民满意度维度。养护维度的多源数据包括养护数据、日常巡查数据、监测数据,气象维度的多源数据包括气象数据,气象数据是反应天气的一组数据,可分为气候资料和天气资料,气候资料可以是某个区域内常年主导风向、风速、气温、气压,以及日照时间等;天气资料可以是某个区域短时间内降雨量、湿度、风向,以及气温等。检测维度的多源数据包含路面检测数据,路面检测数据可以是通过对市政道路的压实度、路面厚度、摩擦系数、路面渗水进行检测所得的数据。市民满意度维度数据可以是市民对市政道路质量期待值。
需要说明的是,市民满意度维度数据可以影响到市政道路的养护,若市民对市政道路质量期待值高,市政道路对应的养护水平就越高
步骤210,对多源数据进行处理,将处理后的多源数据输入预先训练的数据融合模型,通过数据融合模型输出影响路面的多维度的病害特征。
其中,对多源数据进行处理,具体是在利用数据融合模型前对多源数据进行预处理,使多源数据符合数据融合模型的需求。预处理具体包括数据清洗。清洗数据指对残缺类数据、错误类数据进行清洗。残缺类数据指某类数据缺失部分或全部,需要补充数据内容。错误类数据指某类数据明显不符合常理,比如位于南方的某市政道路,该区域某年年均降水量为116毫米远低于该地年均降水量1300毫米,因此该数据也应该被去除。
其中,预先训练的数据模型可以是BP神经网络模型或马尔科夫模型。
影响路面的多维度病害特征指导致路面破损的特征,包括但不限于市政路面破损状况、路面平整度、路面结构强度、路面抗滑能力等。
本申请,对多源数据进行处理,并将处理后的多源数据输入到预先训练好的BP神经网络或马尔科夫模型中,由管养数据融合系统10输出影响路面的多维度的病害特征,将该病害特征展示于管养数据平台11。
步骤220,根据多维度的病害特征预测目标市政道路的路面状况指数。
其中,路面状况指数PCI,是形容市政道路路况的重要指标,PCI值越高表示该市政道路的路况越好。需要说明的是,对目标市政道路进行预测,以一段时间、一段市政道路为参考,得出该时间段内对应市政道路的PCI值。可以理解的是,PCI值可以用来指导养护部门,产生对应的养护动作服务于目标市政道路,可以理解的是,养护动作由PCI值和其他有助于反应市政道路指标的值确定。
本申请可以根据多维度病害特征预测出该市政道路的路面状况指数。
步骤230,获取路面车辙深度和道路平整度指数。
其中,RQI(Riding Quality Index)值是路面平整度,也即路表面纵向的凹凸量的偏差值。计算公式如下
IRI为国际道路平整度指数(m/km);a0高速公路和一级公路取0.026,其它公路取0.0185;a1高速公路和一级公路取0.65,其它公路取0.58。
需要说明的是,平整度测量基本目的就是用一个或几个参数来评价道路的平整度指标,传统技术一般采用譬如直尺测定最大间隙、平整度标准差、断面指数PI,以及功率谱密度PSD等方法。
IRI由一条单向纵断面计算得到,采用1/4车模型,以80km/h速度在已知断面上行驶,计算一定行驶距离内悬挂系统的累计位移作为IRI。
本申请中,通过计算出IRI由公式进一步计算RQI。
其中,RDI(Rutting Depth Index)值是路面车辙深度用于评价路面车辙程度。公式如下
其中,RD表示车辙深度;RDa表示车辙深度参数,采用20mm;RDb表示车辙深度限值,采用35mm;a0表示模型参数,采用2.0;a1表示模型参数,采用4.0
步骤240,根据路面状况指数、车辙深度和道路平整度指数,确定目标市政道路的养护策略目标。
其中,养护策略的确定由PCI值、RQI值、RDI值大小共同决定。
在本申请中,当确定了某段市政道路的PCI值,以及根据上述公式可以计算出对应的RQI、RDI值,进一步根据表1,可以确定市政道路养护决策,比如得出PCI值为89分,RQI值为90分,RDI值为85分,此时对该路段主要进行铣刨重铺上、中面层措施,备选措施为铣刨重铺上面层+4cm罩面。
可以理解的是,若得知PCI值为93分、RQI值为90分,RDI值难以获取时,同样可以对市政道路进行养护决策。此时优先选择保守的处理措施,即假定RDI值小于等于90,根据查表,此时对该路段主要进行铣刨重铺上面层措施,备选措施为铣刨重铺上面层+4cm罩面。
表1市政道路养护决策表
上述的市政道路的养护策略处理方法,通过利用数据融合模型对目标市政道路的多源数据进行分析,预测路面状况指数,路面状况指数能够衡量道路的完好程度,反应路面状况,因此,能够根据预测的路面状况指数得到养护策略,提前对市政道路进行养护,避免因养护滞后而造成路面恶化的情况。
在一个实施例中,若目标市政道路的预测的路面状况指数与预期的路面状况指数的差值大于阈值,则确定多维度的病害特征是否包括关键病害特征;若包括关键病害特征,则根据差值调整数据融合模型中与关键病害特征相关的各维度因素的权重,更新数据融合模型。
其中,预测的路面状况指数是数据融合模型根据多源数据预测出的路面状况指数,是根据实际道路的多源数据预测的路面状况指数的预测值。预期的路面状况指数是根据道路养护从理论上预期的路面状况指数的期待值。预期的路面状况指数可以简单将上一周期该路段的实际路面状况指数作为预期路面状况指数。
阈值可以根据实际情况进行灵活选择,如设置为2,例如某市政道路去年实际路面状况指数为93分,今年的预期路面状况指数为95分,也即预期PCI指数为95分,但根据多源数据,数据融合模型预测的今年的道路状况指数为90分,与预期的路面状况指数的期待值相差5分,远超过阈值,则此时需要确定多维度病害特征是否包含关键病害特征。
需要说明的是,关键病害特征可以是路面破损情况,如路面平整度、路面结构强度、路面抗滑能力。路面破损一般情况下可以分为两类:结构性破损和功能性破损。对于市政道路结构性破损,一般指,路面结构强度下降或者路面承载能力下降,即出现裂缝、龟裂、车辙,鼓包等情况;对于市政道路功能性破损,一般指,路面的服务水平下降、路面平整度和路面抗滑能力降低。可以理解的是路面结构性破损增加至一定程度会导致功能性破损。
其中,若包含关键病害特征,则根据差值调整数据融合模型中与关键病害特征相关的各维度因素的权重。例如,对于某段市政道路获取得该市政道路某路段的路沿出现裂缝,而其他病害特征的数值均处于正常范围,又通过对目标市政道路进行预测,得出路面状况指数与预期的路面状况指数的差值大于阈值,说明数据融合模型预测不准确,此时,可以通过降低该特征的权重的方式,更新数据融合模型,重新对市政道路进行预测,若得出路面状况指数与预期的路面状况指数的差值小于阈值,则认为此时数据融合模型预测正常,以及该特征直接影响到市政道路的路面状况指数。
可以理解的是,若同时出现两种或两种以上的关键病害特征,根据对目标市政道路进行预测,得出路面状况指数与预期的路面状况指数的差值与阈值进行比较,进一步调整权重和重新预测的过程与上述过程类似,在此不做赘述。
具体地,对目标市政道路的预测的路面状况指数与预期的路面状况指数进行比较,若两者差值大于阈值,则需确认路面是否出现结构性破损或者功能性破损中一种或两种。
若出现路面出现结构性破损或者功能性破损中一种或两种,则根据差值调整数据融合模型中与关键病害特征相关的各维度的权重,通过对预期的路面状况指数的差值与阈值进行比较,进一步调整关键病害特征相关的各维度因素的权重。进一步优化数据融合模型,明确了养护重点类型,避免了因为过度养护而造成的资金浪费。
在一些实施例中,若不包含关键病害特征,则根据差值调整数据融合模型中与非关键病害特征相关的各维度因素的权重,更新数据融合模型。
需要说明的是,病害特征不仅仅指对路面状况指数有不利影响的因素,而包含对路面状况指数有影响的所有因素。
其中,非关键病害特征可以是坑槽、路表面功能下降、路基沉陷等,例如若出现水损害性坑槽可能是因为某时段降雨量过大,温度高,湿度大,从而水分入侵沥青表面,在反复载荷的作用下,路面开始麻面、松散、掉粒,最后形成坑槽。此时需要调整对应的降雨量、温度、湿度、车流量的权重大小,并重新进行预测,比较差值与阈值大小,调整权重,直至差值小于阈值。
具体地,若不包含关键病害特征,则根据差值调整数据融合模型中与非关键病害特征各维度因素的权重,从而优化数据融合模型,使模型预测更加准确。
在一些实施例中,根据路面状况指数、路面车辙深度和道路平整度指数确定养护策略目标,包括:当路面状况指数小于设定值时,根据路面状况指数、路面车辙深度和道路平整度指数查找养护决策表,确定养护策略目标。
其中,设定的养护经费,指对某市政道路一段周期内的计划养护经费,当路面状况指数小于设定值时,比如2020年PCI指数87分、2020年RQI值为93分,RDI值为94分2021年的PCI指数设定值为87分,但根据输入融合模型预测出的2021年的路面状况指数为86分小于设定值,此时根据模型预测出的2021年路面状况指数86分、2020年RQI值93分,以及RDI值94分查找养护决策表,从而确定的养护策略目标处理措施为铣刨重铺上面层,备选措施为局部病害处理+4cm罩面。
需要说明的是,设定值是人为设定的数值,可以是以去年实际的PCI值为设定值。也可以在去年实际的PCI值的基础上人为地降低或提高。
具体地,通过设置设定值,根据路面状况指数、路面车辙深度和道路平整度指数,通过查找养护决策表的方式,快速确定未来的养护策略目标,解决了养护措施相对于病害存在滞后性的问题。
在一些实施例中,路面状况指数根据路面状况阈值被划分为第一路面状况指数区间、第二路面状况指数区间和第三路面状况指数区间;路面车辙深度根据路面车辙深度阈值被划分为第一路面车辙深度区间、第二路面车辙深度区间和第三路面车辙深度区间,道路平整度指数根据道路平整度阈值被划分为第一道路平整度区间和第二道路平整度区间;
养护策略目标记录了各路面状况指数区间、路面车辙深度区间和道路平整度区间之间的映射关系,以及每种映射关系对应的养护策略目标。
其中,第一路面状况指数区间为PCI>92,第二路面状况指数区间为92≥PCI≥87,第三路面状况指数区间为PCI<87;第一道路平整度指数区间为RQI>92,第二道路平整度指数区间为92≥RQI≥85,第三路平整度指数区间为RQI小于85;第一道路平整度区间为RDI>90,第二道路平整度区间为RDI≤90。
比如,当PCI值为93,RQI值为93,RDI值为92时,此时养护策略目标可以查表得出,对市政道路的处理措施为局部病害处理,备选措施为局部病害处理和含砂雾封层。
通过记录各路面状况指数区间、路面车辙深度区间和道路平整度区间之间的映射关系,以及每种映射关系对应的养护策略目标,实现不同市政道路水平下,采取不同的养护措施。使养护动作更加精细化,合理化。
在一些实施例中,根据若目标市政道路的预测的路面状况指数与预期的路面状况指数的差值大于阈值,根据多源数据的优先级,补充预设维度的多源数据源。若目标市政道路的预测的路面状况指数与预期的路面状况指数的差值大于阈值,则根据多源数据的优先级,删除预设维度的多源数据。
其中,多源数据的优先级指,根据多源数据的重要程度对多维度多源数据进行优先级排序,示例性的,路面平整度、路面结构强度、路面抗滑能力作为第一梯度优先级,降雨量、湿度、温度、交通载荷等属于第二优先级。
需要说明的是,根据多源数据的优先级,补充预设维度的多源数据源指,在市政道路预测路面状况指数与预期的路面状况指数差值大于阈值,需要进一步确定,是否因为多源数据源遗漏而造成预测结果和预期结果差值大于阈值。
可以理解的是,当市政道路预测路面状况指数与预期的路面状况指数差值大于阈值时,优先补充第一优先级内的多源数据。
具体地,通过对多源数据进行优先级划分,在市政道路预测路面状况指数与预期的路面状况指数差值大于阈值时,按照优先级补充多源数据,保证了预测精度和准确度。
其中,多源数据的优先级指,根据多源数据的重要程度对多维度多源数据进行优先级排序,示例性的,路面平整度、路面结构强度、路面抗滑能力作为第一梯度优先级,降雨量、湿度、温度、交通载荷等属于第二优先级。
需要说明的是,根据多源数据的优先级,删除预设维度的多源数据,可以是对第二优先级的多源数据进行删除,在市政道路预测路面状况指数与预期的路面状况指数差值大于阈值,需要对第二优先级的数据进行筛选,删除容易对预测路面状况指数造成干扰的多源数据。
具体地,通过对多源数据进行优先级划分,在市政道路预测路面状况指数与预期的路面状况指数差值大于阈值时,按照优先级删除多源数据,消除噪音,保证了预测精度和准确度。
在一些实施例中,如图3所示,在数据融合系统,市政道路的养护策略方法包括以下步骤:
步骤300:数据接入,各数据源的数据集合。
需要说明的是,数据融合系统直接获取多个预设维度的多源数据,也可以通过数据平台获取多个预设维度的多源数据。
步骤301:对多个预设维度的多源数据进行数据预处理,其中,包含对数据的收集、取舍和清洗。
需要说明的是,取舍、清洗指对明显不符合常理的多源数据进行舍弃。
步骤302:对多源数据进行融合计算。
其中,多源数据包含多维度的市政道路路面结构、交通量、路面状况指数、路面车辙深度和道路平整度指数、局部区域监测数据、气象数据如温度、降雨以及历史养护数据等,多源数据融合产生特征指标,该指标能有效引导养护动作服务于养护目标。需要说明的是,基础数据、定期检测数据、时序数据指对多源数据的不同类型进行划分。基础数据指无检测机构参与的数据;定期检测数据指检测机构对市政道路各项指标进行检测所得的数据。时序数据指将多源数据按照时间先后顺序划分为不同时间段的数据。
其中,多源数据采用BP神经网络,马尔科夫模型进行融合,筛选出影响较小的影响参数,赋予不同地区、不同类型的道路的各个维度多源数据的权重。
步骤303:对养护目标进行评估、决策和费用测算。在该步骤得到对市政道路的养护决策。其中,养护决策包含了具体的养护措施和所需费用。
步骤304:循环改进融合算法。
其中,在得出具体的养护决策后,对道路进行养护,并观察或检测养护效果,根据养护效果对多源数据融合算法进行改进。
如图3所示,在数据融合系统执行步骤300时,多源数据可以暂存于数据平台,数据平台为其提供数据库,包含标准化底层数据颗粒。在数据融合系统执行步骤301时,数据平台进行数据展示,展示基础数据病害指标值,其中,基础数据病害指标值可以是路面裂痕的类型,以及裂痕的面积深度。在数据融合系统执行步骤302和步骤303时,数据平台可进行市政道路养护动作展示。在数据融合系统执行步骤304时,数据处理平台能够对养护历史展示以及宏观推算并对历史养护过程分析,其中,将历年养护进行展示,并对道路养护历史进行宏观推算。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的市政道路的养护策略处理方法的市政道路的养护策略处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个市政道路的养护策略处理装置实施例中的具体限定可以参见上文中对于市政道路的养护策略处理方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种市政道路的养护策略处理装置,包括:数据获取模块400、数据处理模块401、数据预测模块402、数据补充模块403,数据分析模块404,其中:
数据补充模块400,用于获取目标市政道路在多个预设维度的多源数据;
数据处理模块401,用于对多源数据进行处理,将处理后的多源数据输入预先训练的数据融合模型,通过数据融合模型输出影响路面的多维度的病害特征;
数据预测模块402,用于根据多维度的病害特征预测目标市政道路的路面状况指数;
数据补充模块403,用于获取路面车辙深度和道路平整度指数;
数据分析模块404,用于根据路面状况指数、路面车辙深度和道路平整度指数确定养护策略目标。
在另一个实施例中,数据预测模块402还用于若目标市政道路预测的路面状况指数与预期的路面状况指数的差值大于阈值,则确定多维度的病害特征是否包括关键病害特征;
若包括关键病害特征,则根据差值调整数据融合模型中与关键病害特征相关的各维度因素的权重,更新数据融合模型。
在另一个实施例中,数据预测模块402,还用于若不包括关键病害特征,则根据差值调整数据融合模型中与非关键病害特征相关的各维度因素的权重,更新数据融合模型。
在另一个实施例中,数据分析模块404,还用于当路面状况指数小于设定值时,根据路面状况指数、路面车辙深度和道路平整度指数查找养护决策表,确定养护策略目标。
在另一个实施例中,数据分析模块404,还用于路面状况指数根据路面状况阈值被划分为第一路面状况指数区间、第二路面状况指数区间和第三路面状况指数区间;路面车辙深度根据路面车辙深度阈值被划分为第一路面车辙深度区间、第二路面车辙深度区间和第三路面车辙深度区间,道路平整度指数根据道路平整度阈值被划分为第一道路平整度区间和第二道路平整度区间;
养护策略目标记录了各路面状况指数区间、路面车辙深度区间和道路平整度区间之间的映射关系,以及每种映射关系对应的养护策略目标。
在另一个实施例中,数据预测模块402,还用于若目标市政道路预测的路面状况指数与预期的路面状况指数的差值大于阈值,根据多源数据的优先级,补充预设维度的多源数据源;若目标市政道路预测的路面状况指数与预期的路面状况指数的差值大于阈值,则根据多源数据的优先级,删除预设维度的多源数据。
上述市政道路的养护策略处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于多源数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种市政道路的养护策略处理方法。
该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5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计算机设备的限定,具体的计算机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。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,其上存储器存储有计算机程序,计算机程序被处理器执行时实现上述市政道路的养护策略处理方法。
在一个实施例中,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上述市政道路的养护策略处理方法。
在一个实施例中,提供了一种计算机程序产品,其上存储有计算机程序,计算机程序被处理器执行时实现上述市政道路的养护策略处理方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase ChangeMemory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random AccessMemory,SRAM)或动态随机存取存储器(Dynamic Random AccessMemory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种市政道路的养护策略处理方法,其特征在于,所述方法包括:
获取目标市政道路在多个预设维度的多源数据;
对所述多源数据进行处理,将处理后的多源数据输入预先训练的数据融合模型,通过所述数据融合模型输出影响路面的多维度的病害特征;
根据所述多维度的病害特征预测所述目标市政道路的路面状况指数;
获取所述目标市政道路的路面车辙深度和道路平整度指数;
根据所述路面状况指数、路面车辙深度和道路平整度指数确定所述目标市政道路的养护策略目标。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若所述目标市政道路的预测的所述路面状况指数与预期的路面状况指数的差值大于阈值,则确定所述多维度的病害特征是否包括关键病害特征;
若包括关键病害特征,则根据所述差值调整所述数据融合模型中与所述关键病害特征相关的各维度因素的权重,更新所述数据融合模型。
3.根据权利要求2所述的方法,其特征在于,若不包括关键病害特征,则根据所述差值调整所述数据融合模型中与非关键病害特征相关的各维度因素的权重,更新所述数据融合模型。
4.根据权利要求1所述的方法,其特征在于,根据所述路面状况指数、路面车辙深度和道路平整度指数确定所述目标市政道路的养护策略目标,包括:
当所述路面状况指数小于设定值时,根据所述路面状况指数、路面车辙深度和道路平整度指数查找养护决策表,确定所述目标市政道路的所述养护策略目标。
5.根据权利要求4所述的方法,其特征在于,所述路面状况指数根据路面状况阈值被划分为第一路面状况指数区间、第二路面状况指数区间和第三路面状况指数区间;所述路面车辙深度根据路面车辙深度阈值被划分为第一路面车辙深度区间、第二路面车辙深度区间和第三路面车辙深度区间,所述道路平整度指数根据道路平整度阈值被划分为第一道路平整度区间和第二道路平整度区间;
所述养护策略目标记录了各路面状况指数区间、路面车辙深度区间和道路平整度区间之间的映射关系,以及每种映射关系对应的养护策略目标。
6.根据权利要求1所述的方法,其特征在于,若所述目标市政道路的预测的所述路面状况指数与所述预期的路面状况指数的差值大于阈值,则根据多源数据的优先级,补充预设维度的多源数据源;若所述目标市政道路的预测的所述路面状况指数与所述预期的路面状况指数的差值大于阈值,则根据多源数据的优先级,删除预设维度的多源数据。
7.一种市政道路的养护策略处理装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标市政道路在多个预设维度的多源数据;
数据处理模块,用于对所述多源数据进行处理,将处理后的多源数据输入预先训练的数据融合模型,通过所述数据融合模型输出影响路面的多维度的病害特征;
数据预测模块,用于根据所述多维度的病害特征预测所述目标市政道路的路面状况指数;
所述数据获取模块,还用于获取所述目标市政道路的路面车辙深度和道路平整度指数;
数据分析模块,用于根据所述路面状况指数、路面车辙深度和道路平整度指数确定所述目标市政道路的养护策略目标。
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6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6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210567922.5A CN114855570A (zh) | 2022-05-24 | 2022-05-24 | 市政道路的养护策略处理方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210567922.5A CN114855570A (zh) | 2022-05-24 | 2022-05-24 | 市政道路的养护策略处理方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114855570A true CN114855570A (zh) | 2022-08-05 |
Family
ID=82638712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210567922.5A Pending CN114855570A (zh) | 2022-05-24 | 2022-05-24 | 市政道路的养护策略处理方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114855570A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115573230A (zh) * | 2022-12-09 | 2023-01-06 | 山东同陆云信息科技有限公司 | 一种基于大数据的智能养护预测系统及方法 |
CN115762155A (zh) * | 2022-11-14 | 2023-03-07 | 东南大学 | 一种高速公路路面异常监测方法和系统 |
CN117351367A (zh) * | 2023-12-06 | 2024-01-05 | 鄄城县公路事业发展中心 | 一种公路养护巡检方法、介质以及设备 |
WO2024138852A1 (zh) * | 2022-12-26 | 2024-07-04 | 中公高科养护科技股份有限公司 | 一种验证养护措施合格的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136368A (zh) * | 2013-03-20 | 2013-06-05 | 南京道润交通科技有限公司 | 路况评估查询方法和系统 |
CN111160728A (zh) * | 2019-12-09 | 2020-05-15 | 华南农业大学 | 一种路桥养护决策优化方法及装置 |
CN112738210A (zh) * | 2020-12-26 | 2021-04-30 | 西安科锐盛创新科技有限公司 | 一种路面养护方法及系统 |
CN112900212A (zh) * | 2021-01-21 | 2021-06-04 | 西湾智慧(广东)信息科技有限公司 | 一种基于道路管养的动态养护机制的养护方法 |
CN113516258A (zh) * | 2021-05-14 | 2021-10-19 | 交科院检测技术(北京)有限公司 | 公路养护智能决策分析系统 |
-
2022
- 2022-05-24 CN CN202210567922.5A patent/CN114855570A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136368A (zh) * | 2013-03-20 | 2013-06-05 | 南京道润交通科技有限公司 | 路况评估查询方法和系统 |
CN111160728A (zh) * | 2019-12-09 | 2020-05-15 | 华南农业大学 | 一种路桥养护决策优化方法及装置 |
CN112738210A (zh) * | 2020-12-26 | 2021-04-30 | 西安科锐盛创新科技有限公司 | 一种路面养护方法及系统 |
CN112900212A (zh) * | 2021-01-21 | 2021-06-04 | 西湾智慧(广东)信息科技有限公司 | 一种基于道路管养的动态养护机制的养护方法 |
CN113516258A (zh) * | 2021-05-14 | 2021-10-19 | 交科院检测技术(北京)有限公司 | 公路养护智能决策分析系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115762155A (zh) * | 2022-11-14 | 2023-03-07 | 东南大学 | 一种高速公路路面异常监测方法和系统 |
CN115762155B (zh) * | 2022-11-14 | 2024-03-22 | 东南大学 | 一种高速公路路面异常监测方法和系统 |
CN115573230A (zh) * | 2022-12-09 | 2023-01-06 | 山东同陆云信息科技有限公司 | 一种基于大数据的智能养护预测系统及方法 |
WO2024138852A1 (zh) * | 2022-12-26 | 2024-07-04 | 中公高科养护科技股份有限公司 | 一种验证养护措施合格的方法 |
CN117351367A (zh) * | 2023-12-06 | 2024-01-05 | 鄄城县公路事业发展中心 | 一种公路养护巡检方法、介质以及设备 |
CN117351367B (zh) * | 2023-12-06 | 2024-02-09 | 鄄城县公路事业发展中心 | 一种公路养护巡检方法、介质以及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114855570A (zh) | 市政道路的养护策略处理方法、装置和计算机设备 | |
Li et al. | Automated decision making in highway pavement preventive maintenance based on deep learning | |
Ahmed et al. | Prioritization of pavement maintenance sections using objective based Analytic Hierarchy Process | |
Yu et al. | A methodology for evaluating micro-surfacing treatment on asphalt pavement based on grey system models and grey rational degree theory | |
Piryonesi et al. | Examining the relationship between two road performance indicators: Pavement condition index and international roughness index | |
Zhou et al. | Impacts of building configurations on urban stormwater management at a block scale using XGBoost | |
Alharbi | Predicting pavement performance utilizing artificial neural network (ANN) models | |
CN114912635A (zh) | 一种公路养护决策方法、系统、存储介质和电子设备 | |
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 | |
Solatifar et al. | Development of an artificial neural network model for asphalt pavement deterioration using LTPP data | |
CN113191660A (zh) | 公路沥青路面养护智能决策方法 | |
Kumar et al. | Evaluation of pavement condition index using artificial neural network approach | |
Luo et al. | Effectiveness evaluation and influencing factor analysis of pavement seal coat treatments using random forests | |
CN111222678B (zh) | 路面技术状况预测方法 | |
Barzegaran et al. | Estimation of IRI from PASER using ANN based on k-means and fuzzy c-means clustering techniques: a case study | |
Ercisli | Development of enhanced pavement deterioration curves | |
CN117574493B (zh) | 一种多年冻土地区高速公路冻土范围形变识别方法及系统 | |
Shu et al. | Large-scale evaluation of pavement performance models utilizing automated pavement condition survey data | |
Sandamal et al. | Development of pavement roughness prediction model for national highways in Sri Lanka | |
Wu et al. | Sensitivity analysis of asphalt pavement performance under freeze-thaw cycles by applying reliability method | |
Semnarshad et al. | Development of a Pavement Overall Deterioration Index (Case Study: Iran) | |
Paplauskas et al. | Road pavement condition index deterioration model for network-level analysis of national road network based on pavement condition scanning data | |
Tighe et al. | Environmental and traffic deterioration with mechanistic–empirical pavement design model: Canadian example | |
Efe et al. | Proposal on implementing machine learning with highway datasets | |
Ali et al. | Development of International Roughness Index from Pavement Distress Using Artificial Neural Networks (ANNs) |
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 |