CN115841190B - 道路pci多步预测方法及装置 - Google Patents

道路pci多步预测方法及装置 Download PDF

Info

Publication number
CN115841190B
CN115841190B CN202310108764.1A CN202310108764A CN115841190B CN 115841190 B CN115841190 B CN 115841190B CN 202310108764 A CN202310108764 A CN 202310108764A CN 115841190 B CN115841190 B CN 115841190B
Authority
CN
China
Prior art keywords
road
pci
prediction
index
training
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
CN202310108764.1A
Other languages
English (en)
Other versions
CN115841190A (zh
Inventor
张艳红
姜宏维
侯芸
李宇轩
仝鑫隆
董元帅
周晶
孙天成
杨思宇
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.)
Checsc Highway Maintenance And Test Technology Co ltd
China Highway Engineering Consultants Corp
CHECC Data Co Ltd
Original Assignee
Checsc Highway Maintenance And Test Technology Co ltd
China Highway Engineering Consultants Corp
CHECC Data 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 Checsc Highway Maintenance And Test Technology Co ltd, China Highway Engineering Consultants Corp, CHECC Data Co Ltd filed Critical Checsc Highway Maintenance And Test Technology Co ltd
Priority to CN202310108764.1A priority Critical patent/CN115841190B/zh
Publication of CN115841190A publication Critical patent/CN115841190A/zh
Priority to PCT/CN2023/092111 priority patent/WO2024169052A1/zh
Application granted granted Critical
Publication of CN115841190B publication Critical patent/CN115841190B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种道路PCI多步预测方法及装置，方法包括：获取待预测路况信息；将待预测路况信息输入至指数预测模型中，得到指数预测模型输出的PCI预测结果；其中，指数预测模型是基于路况训练信息和路况训练信息对应的PCI标签训练得到的；指数预测模型对基于待预测路况信息提取的路段间特征进行指数预测，得到PCI预测结果。本发明利用指数预测模型基于提取体现路段间和参数之间依赖关系的路段间特征进行预测，提高非线性关系的拟合效果，提升了PCI预测的精度与广度，实现了更高精度的多路段PCI多步预测。

Description

道路PCI多步预测方法及装置
技术领域
本发明涉及路面工程技术领域，尤其涉及一种道路PCI多步预测方法及装置。
背景技术
随着我国交通路网不断完善，大部分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公路路面使用性能、行车舒适性及安全性。路面状况指数( PCI) 是标识路面损坏状况的重要指标，与车辆行驶安全性和舒适性密切相关。
目前，基于PCI预测的道路维护策略取得共识，并应用在各类道路维护周期中，PCI预测总体分为整体预测和个体预测，整体预测针对相似类型路段提取特征，进而建模并预测，个体预测针对单个道路特征和历史PCI数据进行回归预测。
然而上述模型只针对单条路段或固定长度的PCI预测，并未考虑同一道路之间、多个路段之间的空间关系，以致预测的PCI指数精度较差，进而影响后续采取的维护措施。
发明内容
本发明提供一种道路PCI多步预测方法及装置，用以解决现有技术中PCI指数精度较差的缺陷，基于路面属性与PCI的空间依赖关系，拟合路段间PCI与路面属性的高阶关系，从而实现高精度的多路段PCI预测。
本发明提供一种道路PCI多步预测方法，包括：获取待预测路况信息；将所述待预测路况信息输入至指数预测模型中，得到所述指数预测模型输出的路面状况指数PCI预测结果；其中，所述指数预测模型是基于路况训练信息和所述路况训练信息对应的PCI标签训练得到的；所述指数预测模型对基于所述待预测路况信息提取的路段间特征进行指数预测，得到PCI预测结果。
根据本发明提供的一种道路PCI多步预测方法，所述待预测路况信息包括多个路段的路面属性和对应各所述路段的路面状况指数PCI值，所述指数预测模型，包括：特征提取层，对输入的各个路段的路面属性和对应各所述路段的路面状况指数PCI值进行特征提取，得到路段间特征；指数预测层，对所述路段间特征进行指数预测，得到PCI预测结果。
根据本发明提供的一种道路PCI多步预测方法，所述对输入的各个路段的路面属性和对应各所述路段的路面状况指数PCI值进行特征提取，包括：根据输入的各个路段的路面属性和对应各所述路段的路面状况指数PCI值，构建知识图，所述知识图包括属性图和PCI图；对所述属性图进行特征提取，得到路面属性特征；根据所述路面属性特征和所述PCI图，得到路段间特征。
根据本发明提供的一种道路PCI多步预测方法，所述根据所述路面属性特征和所述PCI图，得到路段间特征，包括：将所述路面属性特征和所述PCI图进行拼接，得到拼接特征；对所述拼接特征进行编码，得到路段间特征。
根据本发明提供的一种道路PCI多步预测方法，所述对所述属性图进行特征提取，得到路面属性特征，包括：对所述属性图进行特征提取，得到属性特征；基于自适应图卷积神经网络对各所述属性特征进行编码，得到路面属性特征。
根据本发明提供的一种道路PCI多步预测方法，训练所述指数预测模型，包括：获取路况训练信息和所述路况训练信息对应的PCI标签；将所述路况训练信息作为训练使用的输入数据，将所述路况训练信息对应的PCI标签作为训练使用的标签数据，对待训练模型进行训练，得到用于预测PCI的指数预测模型。
根据本发明提供的一种道路PCI多步预测方法，所述对待训练模型进行训练，包括：将所述路况训练信息输入至待训练模型中，得到所述待训练模型输出的PCI训练预测结果；根据所述PCI训练预测结果和所述PCI标签，构建损失函数，并基于所述损失函数收敛，结束训练。
本发明还提供一种道路PCI多步预测装置，包括：信息获取模块，获取待预测路况信息；指数预测模块，将所述待预测路况信息输入至指数预测模型中，得到所述指数预测模型输出的路面状况指数PCI预测结果；其中，所述指数预测模型是基于路况训练信息和所述路况训练信息对应的PCI标签训练得到的；所述指数预测模型对基于所述待预测路况信息提取的路段间特征进行指数预测，得到PCI预测结果。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述道路PCI多步预测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述道路PCI多步预测方法的步骤。
本发明还提供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如上述任一种所述道路PCI多步预测方法的步骤。
本发明提供的道路PCI多步预测方法及装置，利用指数预测模型基于提取体现路段间和参数之间依赖关系的路段间特征进行预测，提高非线性关系的拟合效果，提升了PCI预测的精度与广度，实现了更高精度的多路段PCI多步预测。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的道路PCI多步预测方法的流程示意图；
图2是本发明提供的属性图的示意图；
图3是本发明提供的路段间特征的示意图；
图4是本发明提供的道路PCI多步预测的框架示意图；
图5是本发明提供的道路PCI多步预测装置的结构示意图；
图6是本发明提供的电子设备的结构示意图。
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，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1示出了一种道路PCI多步预测方法的流程示意图，该方法包括：
S11，获取待预测路况信息；
S12，将待预测路况信息输入至指数预测模型中，得到指数预测模型输出的路面状况指数PCI预测结果；其中，指数预测模型是基于路况训练信息和路况训练信息对应的PCI标签训练得到的；指数预测模型对基于待预测路况信息提取的路段间特征进行指数预测，得到PCI预测结果。
需要说明的是，本说明书中的S1N不代表道路PCI多步预测方法的先后顺序，下面具体结合图2-图4描述本发明的道路PCI多步预测方法。
步骤S11，获取待预测路况信息。
本实施例中，待预测路况信息包括多个路段信息集合，且每个路段信息包括路面属性和对应的路面状况指数PCI值。
举例而言，假设路段数量为n个，相应的路况信息表示为
Figure SMS_1
，其中
Figure SMS_4
表示n个路段信息的集合；
Figure SMS_6
，
Figure SMS_3
表示对应第i时刻、第j个路段的路段信息；
Figure SMS_5
，
Figure SMS_10
表示第i时刻、第j个路段的属性节点集合，
Figure SMS_11
，
Figure SMS_2
，
Figure SMS_7
表示第i时刻、第j路段、第k个属性，
Figure SMS_8
表示第i时刻、第j个路段的PCI值，
Figure SMS_9
。需要说明的是，每个路段中有d 维参数；属性可以包括沥青路面的龟裂、纵向裂缝、横向裂缝等。
步骤S12，将待预测路况信息输入至指数预测模型中，得到指数预测模型输出的路面状况指数PCI预测结果；其中，指数预测模型是基于路况训练信息和路况训练信息对应的PCI标签训练得到的；指数预测模型对基于待预测路况信息提取的路段间特征进行指数预测，得到PCI预测结果。
在本实施例中，待预测路况信息包括多个路段的路面属性和对应各路段的路面状况指数PCI值，指数预测模型，包括：特征提取层，对输入的各个路段的路面属性和对应各路段的路面状况指数PCI值进行特征提取，得到路段间特征；指数预测层，对路段间特征进行指数预测，得到PCI预测结果。
具体而言，对输入的各个路段的路面属性和对应各路段的路面状况指数PCI值进行特征提取，包括：根据输入的各个路段的路面属性和对应各路段的路面状况指数PCI值，构建知识图，知识图包括属性图和PCI图；对属性图进行特征提取，得到路面属性特征；根据路面属性特征和PCI图，得到路段间特征。
需要补充的是，知识图表示为：
Figure SMS_12
其中，
Figure SMS_13
表示知识图，
Figure SMS_14
表示属性图，
Figure SMS_15
表示PCI图。
属性图，表示为：
Figure SMS_16
其中，
Figure SMS_17
表示属性图对应的第i时刻、第j个路段的属性节点集合，
Figure SMS_18
表示属性图的边集合，n表示路段数量，
Figure SMS_19
表示第i时刻、第j路段、第k个属性，
Figure SMS_20
表示属性节点对应的边集合，d表示路段中参数的维度。
PCI图，表示为：
Figure SMS_21
其中，
Figure SMS_22
表示PCI图对应的第i时刻、第j个路段的PCI值，
Figure SMS_23
表示PCI图的边集合。
更进一步地说，对属性图进行特征提取，得到路面属性特征，包括：对属性图进行特征提取，得到属性特征；基于自适应图卷积神经网络对各属性特征进行编码，得到路面属性特征。需要补充的是，属性特征包括不同时刻、不同路段对应的多个路面属性。
需要说明的是，路面属性特征，表示为：
Figure SMS_24
其中，
Figure SMS_25
表示第i时刻、第j个路段的路面属性特征；
Figure SMS_26
表示第一尺度属性聚合函数；
Figure SMS_27
表示第 l 次卷积后节点的表示矩阵，
Figure SMS_28
；
Figure SMS_29
表示非线性激活函数；
Figure SMS_30
表示模型参数，
Figure SMS_31
表示第i时刻、第j路段、第k个属性。
举例而言，参考图2，属性图对应为图中
Figure SMS_32
、
Figure SMS_33
、
Figure SMS_34
和
Figure SMS_35
部分的图结构，通过对属性图进行特征提取并编码，以进行第一尺度卷积，得到路面属性特征
Figure SMS_36
。
另外，根据路面属性特征和PCI图，得到路段间特征，包括：将路面属性特征和PCI图进行拼接，得到拼接特征；对拼接特征进行编码，得到路段间特征。
需要说明的是，路段间特征，表示为：
Figure SMS_37
其中，
Figure SMS_40
表示路段间特征；
Figure SMS_41
表示第二尺度路段特征聚合函数；
Figure SMS_45
表示第 l 次卷积后节点的表示矩阵，
Figure SMS_39
；
Figure SMS_43
表示非线性激活函数；
Figure SMS_44
表示模型参数，
Figure SMS_46
表示第i时刻、第j个路段的拼接特征；
Figure SMS_38
表示第i时刻、第j个路段的路面属性特征；
Figure SMS_42
表示第i时刻、第j个路段的PCI值。
举例而言，参考图3，拼接特征对应为图中
Figure SMS_47
和
Figure SMS_48
部分的图结构，通过对拼接特征进行第二尺度卷积，以得到体现路段间和参数之间依赖关系的路段间特征
Figure SMS_49
，从而便于后续提高基于路段建特征的多路段PCI的预测精度。需要说明的是，编码是用于将提取的特征转化为固定序列的向量，从而便于后续基于输出的路段间特征进行指数预测。另外，第一尺度卷积和第二尺度卷积具体根据实际训练情况确定，此处不作进一步限定。
应当补充的是，在利用指数预测层，对路段间特征进行指数预测，得到PCI预测结果时，可以采用递归神经网络，比如transformer网络预测未来q个时期的PCI，参考图4。
需要说明的是，通过自适应图神经网络实施多尺度编码，对知识图实施两个尺度的自适应卷积操作，以提取体现路段间和参数之间依赖关系的路段间特征，进而便于后续根据路段间特征进行预测，以提高多路段PCI 的多步预测精度。
在一个可选实施例中，将待预测路况信息输入至指数预测模型中，得到指数预测模型输出的PCI预测结果，包括：将待预测路况信息输入至特征提取层，以对输入的各个路段的路面属性和对应各路段的路面状况指数PCI值进行特征提取，得到特征提取层输出的路段间特征；将路段间特征输入至指数预测层，以对路段间特征进行指数预测，得到指数预测层输出的PCI预测结果。
在一个可选实施例中，在将待预测路况信息输入至指数预测模型中之前，还包括训练指数预测模型。具体而言，训练指数预测模型，包括：获取路况训练信息和路况训练信息对应的PCI标签；将路况训练信息作为训练使用的输入数据，将路况训练信息对应的PCI标签作为训练使用的标签数据，对待训练模型进行训练，得到用于预测PCI的指数预测模型。
需要说明的是，待训练网络可以是训练装置中内置的已有网络，该已有网络通常包括一个网络结构，也可以是用户指定的其他网络，如transformer神经网络等。待训练网络中通常包括分别用于提取路段间特征的特征提取层、对应检测各提取出的路段间特征的指数预测层和损失函数；按照预设的迭代规则，将上述路况训练信息输入至待训练模型中进行训练，得到训练后的指数预测模型。
具体而言，获取路况训练信息和路况训练信息对应的PCI标签，包括：获取多个路段的历史信息集合，各路段的历史信息包括路面属性和对应的PCI值；针对单个路段，选择某一时刻的PCI值作为PCI标签，并将所选时刻的在先一定时间段内的路段历史信息作为该路段的路况训练信息，得到各个路段的路况训练信息及各路段路况训练信息对应的PCI标签。
需要说明的是，通过获取各个路段的路况训练信息及各路段路况训练信息对应的PCI标签，以便于后续利用待训练模型基于路况训练信息对未来时刻（即上述所选时刻）的PCI值进行预测，得到PCI训练预测结果，进而根据PCI训练预测结果及上述所选时刻的真实PCI值（即PCI标签）构建损失函数，以在损失函数收敛的情况下，结束训练。
另外，对待训练模型进行训练，包括：将路况训练信息输入至待训练模型中，得到待训练模型输出的PCI训练预测结果；根据PCI训练预测结果和PCI标签，构建损失函数，并基于损失函数收敛，结束训练。应当注意，通过学习路段信息的多尺度表达，并利用Transformer网络提升PCI预测的精度与广度，以实现更高精度的多路段PCI预测。
综上所述，本发明实施例利用指数预测模型基于提取体现路段间和参数之间依赖关系的路段间特征进行预测，提高非线性关系的拟合效果，提升了PCI预测的精度与广度，实现了更高精度的多路段PCI多步预测。
下面对本发明提供的道路PCI多步预测装置进行描述，下文描述的道路PCI多步预测装置与上文描述的道路PCI多步预测方法可相互对应参照。
图5示出了一种道路PCI多步预测装置的结构示意图，该装置，包括：
信息获取模块51，获取待预测路况信息；
指数预测模块52，将待预测路况信息输入至指数预测模型中，得到指数预测模型输出的路面状况指数PCI预测结果；其中，指数预测模型是基于路况训练信息和路况训练信息对应的PCI标签训练得到的；指数预测模型对基于待预测路况信息提取的路段间特征进行指数预测，得到PCI预测结果。
本实施例中，待预测路况信息包括多个路段信息集合，且每个路段信息包括路面属性和对应的路面状况指数PCI值。
指数预测模块52，包括：数据输入单元，将待预测路况信息输入至指数预测模型中；指数预测单元，利用指数预测模型对待预测路况信息进行指数预测，得到PCI预测结果；数据输出单元，将指数预测模型得到的PCI预测结果输出。
更进一步地说，指数预测模型，包括：特征提取层，对输入的各个路段的路面属性和对应各路段的路面状况指数PCI值进行特征提取，得到路段间特征；指数预测层，对路段间特征进行指数预测，得到PCI预测结果。
相应地，指数预测单元，包括：特征提取子单元，将待预测路况信息输入至特征提取层，以对输入的各个路段的路面属性和对应各路段的路面状况指数PCI值进行特征提取，得到特征提取层输出的路段间特征；指数预测子单元，将路段间特征输入至指数预测层，以对路段间特征进行指数预测，得到指数预测层输出的PCI预测结果。
进一步地，特征提取层，包括：知识图构建子层，根据输入的各个路段的路面属性和对应各路段的路面状况指数PCI值，构建知识图，知识图包括属性图和PCI图；第一特征提取子层，对属性图进行特征提取，得到路面属性特征；第二特征提取子层，根据路面属性特征和PCI图，得到路段间特征。
相应地，特征提取子单元，包括：知识图构建孙单元，将各个路段的路面属性和对应各路段的路面状况指数PCI值输入至知识图构建子层中，以根据输入的各个路段的路面属性和对应各路段的路面状况指数PCI值，构建知识图，知识图包括属性图和PCI图；第一特征提取孙单元，将知识图中的属性图输入至第一特征提取子层中，以对属性图进行特征提取，得到第一特征提取子层输出的路面属性特征；第二特征提取孙单元，将路面属性特征和PCI图输入至第二特征提取子层中，以根据路面属性特征和PCI图，得到路段间特征。需要说明的是，通过自适应图神经网络实施多尺度编码，对知识图实施两个尺度的自适应卷积操作，以提取体现路段间和参数之间依赖关系的路段间特征，进而便于后续根据路段间特征进行预测，以提高多路段PCI 的多步预测精度。
进一步地，第一特征提取子层包括：节点提取孙层，对属性图进行特征提取，得到属性特征；第一编码孙层，基于自适应图卷积神经网络对各属性特征进行编码，得到路面属性特征。
相应地，第一特征提取孙单元，包括：节点提取曾孙单元，利用节点提取孙层对属性图进行特征提取，得到属性特征；第一编码曾孙单元，利用第一编码孙层基于自适应图卷积神经网络对各属性特征进行编码，得到路面属性特征。
进一步地，第二特征提取子层包括：拼接孙层，将路面属性特征和PCI图进行拼接，得到拼接特征；第二编码孙层，对拼接特征进行编码，得到路段间特征。
相应地，第二特征提取孙单元，包括：拼接曾孙单元，利用拼接孙层将路面属性特征和PCI图进行拼接，得到拼接特征；第二编码曾孙单元，利用第二编码孙层对拼接特征进行编码，得到路段间特征。
在一个可选实施例中，该装置还包括：训练模块，在将待预测路况信息输入至指数预测模型中之前，训练指数预测模型。具体而言，训练模块，包括：训练数据获取单元，获取路况训练信息和路况训练信息对应的PCI标签；训练单元，将路况训练信息作为训练使用的输入数据，将路况训练信息对应的PCI标签作为训练使用的标签数据，对待训练模型进行训练，得到用于预测PCI的指数预测模型。
更进一步地说，训练数据获取单元，包括：历史信息获取子单元，获取多个路段的历史信息集合，各路段的历史信息包括路面属性和对应的PCI值；训练数据获取子单元，针对单个路段，选择某一时刻的PCI值作为PCI标签，并将所选时刻的在先一定时间段内的路段历史信息作为该路段的路况训练信息，得到各个路段的路况训练信息及各路段路况训练信息对应的PCI标签。
需要说明的是，通过获取各个路段的路况训练信息及各路段路况训练信息对应的PCI标签，以便于后续利用待训练模型基于路况训练信息对未来时刻（即上述所选时刻）的PCI值进行预测，得到PCI训练预测结果，进而根据PCI训练预测结果及上述所选时刻的真实PCI值（即PCI标签）构建损失函数，以在损失函数收敛的情况下，结束训练。
另外，训练单元，包括：PCI预测子单元，将路况训练信息输入至待训练模型中，得到待训练模型输出的PCI训练预测结果；训练子单元，根据PCI训练预测结果和PCI标签，构建损失函数，并基于损失函数收敛，结束训练。应当注意，通过学习路段信息的多尺度表达，并利用Transformer网络提升PCI预测的精度与广度，以实现更高精度的多路段PCI预测。
综上所述，本发明实施例利用指数预测模型基于提取体现路段间和参数之间依赖关系的路段间特征进行预测，提高非线性关系的拟合效果，提升了PCI预测的精度与广度，实现了更高精度的多路段PCI多步预测。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)61、通信接口(Communications Interface)62、存储器(memory)63和通信总线64，其中，处理器61，通信接口62，存储器63通过通信总线64完成相互间的通信。处理器61可以调用存储器63中的逻辑指令，以执行道路PCI多步预测方法，该方法包括：获取待预测路况信息；将待预测路况信息输入至指数预测模型中，得到指数预测模型输出的路面状况指数PCI预测结果；其中，指数预测模型是基于路况训练信息和路况训练信息对应的PCI标签训练得到的；指数预测模型对基于待预测路况信息提取的路段间特征进行指数预测，得到PCI预测结果。
此外，上述的存储器63中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供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，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的道路PCI多步预测方法，该方法包括：获取待预测路况信息；将待预测路况信息输入至指数预测模型中，得到指数预测模型输出的路面状况指数PCI预测结果；其中，指数预测模型是基于路况训练信息和路况训练信息对应的PCI标签训练得到的；指数预测模型对基于待预测路况信息提取的路段间特征进行指数预测，得到PCI预测结果。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的道路PCI多步预测方法，该方法包括：获取待预测路况信息；将待预测路况信息输入至指数预测模型中，得到指数预测模型输出的路面状况指数PCI预测结果；其中，指数预测模型是基于路况训练信息和路况训练信息对应的PCI标签训练得到的；指数预测模型对基于待预测路况信息提取的路段间特征进行指数预测，得到PCI预测结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种道路PCI多步预测方法，其特征在于，包括：
获取待预测路况信息；
将所述待预测路况信息输入至指数预测模型中，得到所述指数预测模型输出的路面状况指数PCI预测结果；其中，所述指数预测模型是基于路况训练信息和所述路况训练信息对应的PCI标签训练得到的；
所述指数预测模型对基于所述待预测路况信息提取的路段间特征进行指数预测，得到PCI预测结果；
所述待预测路况信息包括多个路段的路面属性和对应各所述路段的路面状况指数PCI值，所述指数预测模型，包括：
特征提取层，对输入的各个路段的路面属性和对应各所述路段的路面状况指数PCI值进行特征提取，得到路段间特征；
指数预测层，对所述路段间特征进行指数预测，得到PCI预测结果；
所述对输入的各个路段的路面属性和对应各所述路段的路面状况指数PCI值进行特征提取，包括：
根据输入的各个路段的路面属性和对应各所述路段的路面状况指数PCI值，构建知识图，所述知识图包括属性图和PCI图；
对所述属性图进行特征提取，得到路面属性特征；
根据所述路面属性特征和所述PCI图，得到路段间特征。
2.根据权利要求1所述的道路PCI多步预测方法，其特征在于，所述根据所述路面属性特征和所述PCI图，得到路段间特征，包括：
将所述路面属性特征和所述PCI图进行拼接，得到拼接特征；
对所述拼接特征进行编码，得到路段间特征。
3.根据权利要求2所述的道路PCI多步预测方法，其特征在于，所述对所述属性图进行特征提取，得到路面属性特征，包括：
对所述属性图进行特征提取，得到属性特征；
基于自适应图卷积神经网络对各所述属性特征进行编码，得到路面属性特征。
4.根据权利要求1所述的道路PCI多步预测方法，其特征在于，训练所述指数预测模型，包括：
获取路况训练信息和所述路况训练信息对应的PCI标签；
将所述路况训练信息作为训练使用的输入数据，将所述路况训练信息对应的PCI标签作为训练使用的标签数据，对待训练模型进行训练，得到用于预测PCI的指数预测模型。
5.根据权利要求4所述的道路PCI多步预测方法，其特征在于，所述对待训练模型进行训练，包括：
将所述路况训练信息输入至待训练模型中，得到所述待训练模型输出的PCI训练预测结果；
根据所述PCI训练预测结果和所述PCI标签，构建损失函数，并基于所述损失函数收敛，结束训练。
6.一种道路PCI多步预测装置，其特征在于，包括：
信息获取模块，获取待预测路况信息；
指数预测模块，将所述待预测路况信息输入至指数预测模型中，得到所述指数预测模型输出的路面状况指数PCI预测结果；其中，所述指数预测模型是基于路况训练信息和所述路况训练信息对应的PCI标签训练得到的；
所述指数预测模型对基于所述待预测路况信息提取的路段间特征进行指数预测，得到PCI预测结果；
所述待预测路况信息包括多个路段的路面属性和对应各所述路段的路面状况指数PCI值，所述指数预测模型，包括：
特征提取层，对输入的各个路段的路面属性和对应各所述路段的路面状况指数PCI值进行特征提取，得到路段间特征；
指数预测层，对所述路段间特征进行指数预测，得到PCI预测结果；
所述特征提取层，包括：
知识图构建子层，根据输入的各个路段的路面属性和对应各所述路段的路面状况指数PCI值，构建知识图，所述知识图包括属性图和PCI图；
第一特征提取子层，对所述属性图进行特征提取，得到路面属性特征；
第二特征提取子层，根据所述路面属性特征和所述PCI图，得到路段间特征。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述道路PCI多步预测方法的步骤。
8.一种非暂态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如权利要求1至5任一项所述道路PCI多步预测方法的步骤。
CN202310108764.1A 2023-02-14 2023-02-14 道路pci多步预测方法及装置 Active CN115841190B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202310108764.1A CN115841190B (zh) 2023-02-14 2023-02-14 道路pci多步预测方法及装置
PCT/CN2023/092111 WO2024169052A1 (zh) 2023-02-14 2023-05-04 道路pci多步预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310108764.1A CN115841190B (zh) 2023-02-14 2023-02-14 道路pci多步预测方法及装置

Publications (2)

Publication Number Publication Date
CN115841190A CN115841190A (zh) 2023-03-24
CN115841190B true CN115841190B (zh) 2023-06-06

Family

ID=85579618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310108764.1A Active CN115841190B (zh) 2023-02-14 2023-02-14 道路pci多步预测方法及装置

Country Status (2)

Country Link
CN (1) CN115841190B (zh)
WO (1) WO2024169052A1 (zh)

Families Citing this family (1)

* 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

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107038478B (zh) * 2017-04-20 2023-10-27 百度在线网络技术（北京）有限公司 路况预测方法及装置、计算机设备与可读介质
JP7106794B2 (ja) * 2019-03-28 2022-07-27 ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド 道路状況予測方法、装置、機器、プログラム及びコンピュータ記憶媒体
CN112651550A (zh) * 2020-12-21 2021-04-13 北京世纪高通科技有限公司 一种路况预测方法、装置及可读存储介质
CN112382099B (zh) * 2021-01-15 2021-04-13 腾讯科技（深圳）有限公司 交通路况预测方法、装置、电子设备及存储介质
US20240167962A1 (en) * 2021-03-15 2024-05-23 Iris R&D Group Inc. System and method for automatic monitoring of pavement condition
CN113255963A (zh) * 2021-04-20 2021-08-13 东南大学 基于路元拆分和深度学习模型lstm的路面使用性能预测方法
CN113065722B (zh) * 2021-05-08 2022-07-01 河北工业大学 一种基于深度学习的连续多步预测道路智能养护系统
CN113822387B (zh) * 2021-11-24 2022-04-01 佛山市交通科技有限公司 路面损坏状况指数预测方法、系统、设备及介质
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

Also Published As

Publication number Publication date
WO2024169052A1 (zh) 2024-08-22
CN115841190A (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN111898364A (zh) 神经网络关系抽取方法、计算机设备及可读存储介质
CN110837602A (zh) 基于表示学习和多模态卷积神经网络的用户推荐方法
CN117475038B (zh) 一种图像生成方法、装置、设备及计算机可读存储介质
CN114898121A (zh) 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法
CN114491039B (zh) 基于梯度改进的元学习少样本文本分类方法
CN115841190B (zh) 道路pci多步预测方法及装置
CN115545350B (zh) 综合深度神经网络与强化学习的车辆路径问题求解方法
CN117454495B (zh) 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置
CN113705196A (zh) 基于图神经网络的中文开放信息抽取方法和装置
CN112199884B (zh) 物品分子生成方法、装置、设备及存储介质
CN116543153A (zh) 一种基于选点主动学习的半监督点云语义分割方法
CN114419884B (zh) 基于强化学习和相位竞争的自适应信号控制方法及系统
CN113705402B (zh) 视频行为预测方法、系统、电子设备及存储介质
CN111126607B (zh) 一种模型训练的数据处理方法、装置与系统
CN116861262B (zh) 一种感知模型训练方法、装置及电子设备和存储介质
CN111507499B (zh) 预测用模型的构建方法、测试方法、装置及系统
CN115545035B (zh) 一种文本实体识别模型及其构建方法、装置及应用
CN116401455A (zh) 链接关系预测方法、实体知识图谱生成方法及装置
CN114372627B (zh) 基于混合深度学习框架的城市车辆旅行时间估计方法
CN112633285B (zh) 领域适应方法、装置、电子设备及存储介质
CN115620514B (zh) 一种基于自适应广义PageRank图神经网络的交通流预测方法
CN117874346B (zh) 面向Non-IID图数据的推荐模型构建方法及系统
CN116821512B (zh) 推荐模型训练方法及装置、推荐方法及装置
CN117573085B (zh) 一种基于层次结构特征和序列特征的代码补全方法
CN118052347B (zh) 一种基于浮动车出行轨迹序列的旅行时间估计方法及系统

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