CN115841225A - 一种路网中道路维修优先级排序方法 - Google Patents
一种路网中道路维修优先级排序方法 Download PDFInfo
- Publication number
- CN115841225A CN115841225A CN202211460254.2A CN202211460254A CN115841225A CN 115841225 A CN115841225 A CN 115841225A CN 202211460254 A CN202211460254 A CN 202211460254A CN 115841225 A CN115841225 A CN 115841225A
- Authority
- CN
- China
- Prior art keywords
- pit
- matrix
- road
- factor
- depth
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种路网中道路维修优先级排序方法,属于道路养护领域。本发明基于坑槽的深度信息和轮廓信息,构建了坑槽深度分布因子和扩张因子,分别用于表征坑槽的深度分布和平面分布,通过采集不同时间对应的深度分布因子和扩张因子,计算坑槽深度分布因子变化梯度和扩张因子变化梯度,实现了坑槽在深度和平面两个方向演化规律的分析,可以准确判断坑槽的发育方向和发育速度,进而推测出坑槽的形成原因,在养护资金受限的条件下,能够更加准确、科学地分析路网中不同道路间的状态差异,辅助决策道路维修优先顺序,可有效保证行车安全、降低养护成本。
Description
技术领域
本发明属于道路养护技术领域,更具体地,涉及一种路网中道路维修优先级排序方法。
背景技术
道路是国家的经济动脉。道路网是在一定区域内,各种道路组成的相互联络、交织成网状分布的道路系统,道路网的形成和发展与城市的政治、经济、生产、生活的发展息息相关。因此,道路网中道路的服役性能状态维护,是道路养护的重点任务。
路面病害中,坑槽是最常见、且对车辆行驶影响最大的病害之一。因此,需要通过对路网中路面坑槽分布状态和演化规律的分析,制定合理的养护策略,保证道路能够维持较高的服役状态。
另一方面,我国道路里程长,道路养护部门存在养护资金缺乏的现状问题,基于此,可通过制定合理的面向路网的道路维修优先级方案,既能满足道路安全、舒适、耐久的养护目标,有序提升路网整体技术水平,实现道路网的畅通、协调、可持续发展,又能提升养护资金使用效率和科学决策水平,保证养护资金投资效益最大化,实现由被动养护向主动养护、科学养护转变。
目前,路网养护过程中,通常依据维修费用进行道路维修的优先级排序,将维修费用低的工作排在靠前的位置;或基于决策者的主观经验,通过决策者感兴趣的某个指标进行优先级排序,此类方法主观性强,难以保证决策效果的最优化。同时,路面坑槽演化规律直接影响路网的服役质量,同一路网中,不同道路的坑槽分布和演化规律存在差异,导致道路的维修优先级存在差异。现有研究中,对坑槽发育方向演化规律考虑不足,导致在坑槽修复决策过程中,未能准确考虑坑槽形成原因,最终引起坑槽维修不合理、养护资金浪费、路网维修决策方案主观性强等现象。
针对上述问题,本发明提出了一种基于路面坑槽的演化规律分析方法计算路网中道路维修优先级的方法,保证在养护资金受限的情况下,能做出最优的养护维修决策方案。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种路网中道路维修优先级排序方法,其目的在于提高道路养护维修决策方案的科学性,保证行车安全、降低养护成本。
为实现上述目的,本发明提供了一种路网中道路维修优先级排序方法,包括:S1.采集路面三维点云信息并对非坑槽区域和坑槽区域进行标记,得到三维矩阵L;采用平面投影的方式将三维矩阵L转化为包含坑槽深度信息的二维矩阵M;
S2.按照深度大小将二维矩阵M中各元素进行排序,统计不同深度值对应的元素数量,并计算不同深度值对应的元素数量相对全部元素数量的占比;
S3.根据用户对不同坑槽深度关注度的差异,对不同深度值对应的占比赋予权重,计算坑槽深度分布因子;所述坑槽深度分布因子表征坑槽沿深度方向的发育情况;
S4.计算整个坑槽对应的边缘矩阵平均面积,得到坑槽扩张因子;所述坑槽扩张因子表征坑槽沿平面方向的发育情况;
S5.依次采集不同时刻对应的坑槽三维点云信息,对每个时刻采集到的坑槽三维点云信息执行步骤S1-S4,得到对应时间的坑槽分布因子和坑槽扩张因子;
S6.根据坑槽分布因子变化梯度和坑槽扩张因子变化梯度,得到坑槽演化规律;
S7.对路网中每条道路执行步骤S1-S6,得到对应的坑槽深度分布因子及其变化梯度、坑槽扩张因子及其变化梯度;
S8.利用每条道路的基础信息和对应的坑槽深度分布因子及其变化梯度、坑槽扩张因子及其变化梯度,确定道路维修的优先顺序。
进一步地,坑槽深度分布因子为:
Nhi表示不同深度值对应的数量,S表示二维矩阵中全部元素数量,q表示权重,hi表示不同深度值对应的元素。
进一步地,二维矩阵M构建方法如下:
x、y分别为两个方向的坐标,z为矩阵L的竖轴方向,以竖直向下为正方向;N为三维矩阵L的页数,i为第i页,i=1,2,3,…,N,N表示三维矩阵的页数。
进一步地,步骤S4具体包括:
依次提取三维矩阵L的第i页L(x,y,i)得到矩阵Li,提取Li的边缘轮廓矩阵Fi;
将矩阵Li分别与矩阵B和矩阵C执行如下操作:
LiB=Li[x,y]*B[x,y]
LiC=Li[x,y]*C[x,y]
式中,*表示卷积操作,LiB为图像矩阵Li与矩阵B运算形成的新矩阵;LiC为图像矩阵Li与矩阵C运算形成的新矩阵;矩阵B、矩阵C表示边缘算子;
计算LiB和LiC矩阵中相同位置的最大值,得到坑槽边缘矩阵Fi;
计算坑槽边缘矩阵Fi的面积AFi=∑Fi(x,y);
进一步地,步骤S8包括:
对影响道路维修优先级的各个影响因素引入权重,得到权重矩阵w;其中,影响因素包括对坑槽数量、坑槽深度分布因子、坑槽体积扩张因子、坑槽深度分布因子变化梯度、坑槽扩张体积因子变化梯度、道路宽度、道路等级、维修费用、交通量、路龄和维修周期;
w=[w1 w2...wj...w11]
wj为第j个因素对应的权重;
建立各条道路中不同影响因素的决策矩阵g:
rjk表示以第j个因素为排序对象,按照维修优先级将道路编码为ck的道路进行排序的位次;
建立优化排序矩阵o:
ok是道路编码为ck的道路对应的最优排序值;
计算o1~on并按照从小到大的顺序进行排序,得到路网中道路维修优先顺序。
进一步地,执行步骤S6之前,所述方法还包括根据系统误差分别对坑槽深度分布因子和扩张因子进行修正,得到坑槽修正深度分布因子U'q和坑槽修正扩张因子Z'。
进一步地,坑槽修正深度分布因子U'q和坑槽修正扩张因子Z'为:
V表示系统误差。
进一步地,步骤S1包括:
将路面三维点云信息转化为三维矩阵H;并对路面三维点云信息的每一层建立坑槽边缘矩阵;
利用坑槽边缘矩阵中非零值形成的矩阵对三维矩阵H进行切割,形成表征三维坑槽区域外接长方体的三维矩阵J;
将与路面平行的平面K自上往下或自下往上平移与矩阵J相交,在相交过程中分别对非坑槽区域和坑槽区域进行标记,得到三维矩阵L。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果。
(1)坑槽形成的原因是多样的,包括车辆行驶速度、车辆荷载、道路材料、环境等因素,不同成因形成的坑槽,其发育特点也存在差异,对应的坑槽修复措施也存在差异;而传统的三维检测方法无法分析坑槽的发育方向,难以提出面向坑槽修复的科学的养护措施,导致坑槽修复效果差,病害反复出现,增加养护成本;
本发明基于坑槽的深度信息和轮廓信息,构建了坑槽深度分布因子和扩张因子,分别用于表征坑槽的深度分布和平面分布,通过采集不同时间对应的深度分布因子和扩张因子,计算坑槽深度分布因子变化梯度和扩张因子变化梯度,实现了坑槽在深度和平面两个方向演化规律的分析,可以准确判断坑槽的发育方向和发育速度,进而推测出坑槽的形成原因,在养护资金受限的条件下,能够更加准确、科学地分析路网中不同道路间的状态差异,辅助决策道路维修优先顺序,可有效保证行车安全、降低养护成本。
(2)本发明提出的平面投影方法,可将位置信息投影到平面上,实现了降低坑槽矩阵维度的目的,同时,将点云深度信息以平面矩阵元素的形式,保留在二维平面矩阵上,实现了三维坑槽矩阵向二维矩阵的高效转化,解决了三维数据处理对计算机算力要求高、计算时间长的问题;同时,在不增加系统计算负荷的情况下,考虑了坑槽深度方向的信息,提高了分析的准确率。
(3)本发明采用数理统计的方式,统计得到不同坑槽深度值的分布频次和占比,并引入权重参数,可用于表征不同坑槽深度的权重差异,反应养护管理人员对坑槽深度的关注程度。
(4)本发明在计算深度分布因子和扩张因子时,考虑了系统误差的影响,提高了计算结果的准确性。
附图说明
图1是路网中道路维修优先级排序方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
结合图1,本发明方法包括以下步骤:
S1.采集路面三维点云信息并对非坑槽区域和坑槽区域进行标记,得到三维矩阵L;采用平面投影的方式将三维矩阵L转化为包含坑槽深度信息的二维矩阵M;
步骤S1具体包括以下过程:
采集路面三维点云信息,将其转化为三维矩阵H;并对路面三维点云信息的每一层建立坑槽边缘矩阵;
利用坑槽边缘矩阵中非零值形成的矩阵对三维矩阵H进行切割,形成表征三维坑槽区域外接长方体的三维矩阵J;具体地,搜索矩阵F中的非零值,形成新的矩阵G;采用矩阵G对三维矩阵H进行切割,形成三维矩阵J,J即为三维坑槽区域的外接长方体矩阵;
将与路面平行的平面K自上往下或自下往上平移与矩阵J相交,在相交过程中分别对非坑槽区域和坑槽区域进行标记,得到三维矩阵L;具体地,平移步长为1个像素,平面K与三维矩阵J相交过程中,将非坑槽区域为0,坑槽区域记为1,由此可得到三维矩阵J中,一个仅由0和1组成的三维矩阵L;
采用平面投影的方式将三维矩阵L转化为包含坑槽深度信息的二维矩阵M;
上述步骤建立了坑槽的三维矩阵,由于三维矩阵计算过程对计算机算力要求高、占用资源大、计算成本高,因此,本发明通过将坑槽的三维矩阵转变为二维矩阵的方式,降低矩阵计算的资源需求。
现有的平面投影方式,主要关注的是点云位置信息的投影,投影完毕后,删除了点云深度方向上的信息,仅能分析平面信息。针对此种情况,本发明改进了平面投影的方法。本法明提出的平面投影方法,可将位置信息投影到平面上,实现了降低坑槽矩阵维度的目的,同时,将点云深度信息以平面矩阵元素的形式,保留在二维平面矩阵上。
基于三维矩阵L,构建新的二维矩阵M,构建方法如下:
式中,z为矩阵L的竖轴方向,以竖直向下为正方向;N为三维矩阵L的页数,i为第i页;二维矩阵中的元素表示不同坑槽位置的深度信息;
S2.按照深度大小将二维矩阵M中各元素进行排序,统计不同深度值对应的元素数量,并计算不同深度值对应的元素数量相对全部元素数量的占比;
具体地,二维矩阵M中,每个元素值代表对应位置的深度值。由于路面同一坑槽内部的深度分布是随机、无序的,因此,二维矩阵M中,各元素大小排列是随机的。为了分析坑槽的深度分布规律,采用数理统计的方法,首先,需要将无需的数据转为有序的数据,因此,本发明首先按照深度大小将二维矩阵M中的元素进行排序,依次记为h1,h2,…,hi…,hn,其中,如果多个元素值的大小相同,只标记一次:统计不同深度值对应的元素数量,依次记为Nh1,Nh2,…,Nhn。计算不同深度的数量所占全部数量S的比值Ti,计算方法如下:
式中,Nhi表示排序值为hi的深度对应的矩阵元素值的数量。
S3.根据用户对不同坑槽深度关注度的差异,对不同深度值对应的占比赋予权重,计算坑槽深度分布因子;所述坑槽深度分布因子表征坑槽沿深度方向的发育情况;
在对坑槽深度信息进行分析时,不同占比的坑槽深度,不同研究人员的关注度存在差异,例如:部分人员较为关注出现频率或占比较大的坑槽深度;而其它人员可能对整体的坑槽深度分布更加关注。因此,本发明在占比Ti中引入权重q的概念,记为转换占比Tiz,
当q>1时,表明对坑槽内部出现频次较高的深度值关注度较高;
当q=1时,表明对坑槽内部出现频次较高和较低的深度值的关注度相同;当q<1时,表明对坑槽内部出现频次较低的深度值关注度较高。
本发明对深度值占比赋予权重有助于养护人员确定关注的深度值时,结合深度所占权重进行考虑;同时采用占比值,可以消除量纲的影响,计算简便,提高方法的普适性。
本发明引入坑槽深度分布因子Uq,表示坑槽深度分布情况,该值越大,表明坑槽整体分布深度越深;该值变化速度越快,表明沿深度方向发育越快。与传统的坑槽表征指标(体积、深度)相比,该指标考虑了道路养护者对不同坑槽深度关注度的差异,且该指标是基于全部采集数据计算得到的,计算结果更加准确,可准确反应整个坑槽的整体深度情况。
S4.计算整个坑槽对应的边缘矩阵平均面积,得到坑槽扩张因子;
坑槽扩张因子Z指坑槽沿平面方向发育,扩张因子变大,说明坑槽沿平面发育,扩张因子变化速度越快,表明坑槽的扩张速度越快。该指标将用于评价坑槽在平面方向的发育情况。
1)依次提取三维矩阵L的第i页L(x,y,i),记为矩阵Li,i=1,2,3,…,N;提取Li的边缘轮廓矩阵Fi,具体方式如下:
2)建立矩阵B和C,分别如下:
3)将矩阵Li分别与矩阵B和矩阵C执行如下操作:
LiB=Li[x,y]*B[x,y]
LiC=Li[x,y]*C[x,y]
式中,*表示卷积操作,x,y分别为两个方向的坐标,LiB为图像矩阵Li与矩阵B运算形成的新矩阵;LiC为图像矩阵Li与矩阵C运算形成的新矩阵。
4)计算LiB和LiC矩阵中,相同位置的最大值,并建立坑槽边缘矩阵Fi,计算过程如下式:
Fi=Max(LiB,LiC)
5)计算坑槽边缘矩阵Fi的面积AFi:
AFi=∑Fi(x,y)
6)计算整个坑槽对应边缘矩阵平均面积Z,该指标即为坑槽的扩张因子:
作为本发明的一种优选实施例,考虑到设备采集数据过程中,受到传感器不稳定等的影响,系统会存在误差,且系统误差V通常服从高斯分布W,即:
V~W(μ,σ2)
μ为数学期望,σ为标准差。
因此本发明采用高斯分布分别对坑槽深度分布因子和扩张因子进行修正,得到坑槽修正深度分布因子U'q和修正扩张因子Z':
S5.依次采集不同时刻对应的坑槽三维点云信息,对每个时刻采集到的坑槽三维点云信息执行步骤S1-S4,得到对应时间的坑槽分布因子和坑槽扩张因子;
具体地,采集不同时间的数据,并计算对应的坑槽修正深度分布因子和修正扩张因子,并计算修正深度分布因子变化梯度和修正扩张因子变化梯度,分析坑槽尺寸变化规律,具体如下:
1)依次采集时刻为t1,t2,…,tN对应的坑槽三维点云信息,重复步骤S1-S6,得到对应时间的修正坑槽分布因子U'q1,U'q2,…,U'qN,和修正坑槽扩张因子Z'1,Z'2,…,Z'N;建立坑槽分布因子变化梯度dU,计算如下:
△t=ti+1-ti
式中,△t为时间间隔,ti+1和ti分别为第i+1时刻和第i时刻,U'qi和U'q(i+1)分别为第i时刻和第i+1时刻的修正坑槽分布因子。
建立坑槽扩张因子变化梯度dU,计算如下:
S6.根据坑槽分布因子变化梯度和坑槽扩张因子变化梯度,得到坑槽演化规律。
具体地,1)当dZ>0,dU>0时,表明坑槽同时沿深度方向和平面方向发育;
2)当dZ>0,dU=0时,表明坑槽沿深度方向发育,不沿平面方向发育;
3)当dZ>0,dU<0时,表明坑槽沿深度方向发育,沿平面方向收缩;
4)当dZ=0,dU>0时,表明坑槽沿深度方向不发育,沿平面方向发育;
5)当dZ=0,dU=0时,表明坑槽沿深度方向不发育,不沿平面方向发育;
6)当dZ=0,dU<0时,表明坑槽沿深度方向不发育,沿平面方向收缩;
7)当dZ<0,dU>0时,表明坑槽沿深度方向变浅,沿平面方向发育;
8)当dZ<0,dU=0时,表明坑槽沿深度方向变浅,不沿平面方向发育;
9)当dZ<0,dU<0时,表明坑槽沿深度方向变浅,沿平面方向收缩。
S7.对路网中的道路进行编码:c1~cn;n为道路的数量;对每条道路的坑槽信息进行统计,具体包含指标如下:
各条道路的坑槽数量:ec1~ecn;
计算各条道路的坑槽深度分布因子:
U'qci为第ci条道路的坑槽深度分布因子;eci为第ci条道路的坑槽数量;U'qcim为第ci条道路的第m个坑槽的坑槽深度分布因子;
计算各条道路的坑槽深度分布因子变化梯度:
dUci为第ci条道路的坑槽深度分布因子变化梯度;eci为第ci条道路的坑槽数量;dUcim为第ci条道路的第m个坑槽的坑槽深度分布因子变化梯度;
计算各条道路的坑槽扩张因子:
Zci为第ci条道路的坑槽扩张因子;eci为第ci条道路的坑槽数量;Zcim为第ci条道路的第m个坑槽的坑槽扩张因子;
计算各条道路的坑槽扩张因子变化梯度:
dZci为第ci条道路的坑槽扩张因子变化梯度;eci为第ci条道路的坑槽数量;dZcim为第ci条道路的第m个坑槽的坑槽扩张因子变化梯度。
本发明中,路网中道路维修优先级确定过程中需考虑的因素包含:
坑槽数量、坑槽深度分布因子、坑槽扩张因子、坑槽深度分布因子变化梯度、坑槽扩张因子变化梯度、道路宽度、道路等级、维修费用、交通量、路龄、维修周期,共计11个因素;
为了方便描述,将上述11个因素,依次编码为:f1~f11;
结合步骤S7可知,路网中的道路编码为:c1~cn;n为道路的数量;
为了差异化表示上述十一个因素,引入各因素所占权重,依次表示为:w1~w11,并建立权重矩阵w:
w=[w1 w2...wj...w11]
wj为第j个因素对应的权重。
建立包含11个因素的决策矩阵g:
矩阵中,rjk表示以第j个因素fj为排序对象,按照维修优先级将道路编码为ck的道路进行排序的位次。
建立优化排序矩阵o:
式中,ok是道路编码为ck的道路对应的最优排序值。
计算o1~on,并按照从小到大的顺序进行排序,即为路网中道路维修优先顺序。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种路网中道路维修优先级排序方法,其特征在于,包括:
S1.采集路面三维点云信息并对非坑槽区域和坑槽区域进行标记,得到三维矩阵L;采用平面投影的方式将三维矩阵L转化为包含坑槽深度信息的二维矩阵M;
S2.按照深度大小将二维矩阵M中各元素进行排序,统计不同深度值对应的元素数量,并计算不同深度值对应的元素数量相对全部元素数量的占比;
S3.根据用户对不同坑槽深度关注度的差异,对不同深度值对应的占比赋予权重,计算坑槽深度分布因子;所述坑槽深度分布因子表征坑槽沿深度方向的发育情况;
S4.计算整个坑槽对应的边缘矩阵平均面积,得到坑槽扩张因子;所述坑槽扩张因子表征坑槽沿平面方向的发育情况;
S5.依次采集不同时刻对应的坑槽三维点云信息,对每个时刻采集到的坑槽三维点云信息执行步骤S1-S4,得到对应时间的坑槽分布因子和坑槽扩张因子;
S6.根据坑槽分布因子变化梯度和坑槽扩张因子变化梯度,得到坑槽演化规律;
S7.对路网中每条道路执行步骤S1-S6,得到对应的坑槽深度分布因子及其变化梯度、坑槽扩张因子及其变化梯度;
S8.利用每条道路的基础信息和对应的坑槽深度分布因子及其变化梯度、坑槽扩张因子及其变化梯度,确定道路维修的优先顺序。
4.根据权利要求3所述的一种路网中道路维修优先级排序方法,其特征在于,步骤S4具体包括:
依次提取三维矩阵L的第i页L(x,y,i)得到矩阵Li,提取Li的边缘轮廓矩阵Fi;
将矩阵Li分别与矩阵B和矩阵C执行如下操作:
LiB=Li[x,y]*B[x,y]
LiC=Li[x,y]*C[x,y]
式中,*表示卷积操作,LiB为图像矩阵Li与矩阵B运算形成的新矩阵;LiC为图像矩阵Li与矩阵C运算形成的新矩阵;矩阵B、矩阵C表示边缘算子;
计算LiB和LiC矩阵中相同位置的最大值,得到坑槽边缘矩阵Fi;
计算坑槽边缘矩阵Fi的面积AFi=∑Fi(x,y);
5.根据权利要求4所述的一种路网中道路维修优先级排序方法,其特征在于,步骤S8包括:
对影响道路维修优先级的各个影响因素引入权重,得到权重矩阵w;其中,影响因素包括对坑槽数量、坑槽深度分布因子、坑槽体积扩张因子、坑槽深度分布因子变化梯度、坑槽扩张体积因子变化梯度、道路宽度、道路等级、维修费用、交通量、路龄和维修周期;
w=[w1 w2...wj...w11]
wj为第j个因素对应的权重;
建立各条道路中不同影响因素的决策矩阵g:
rjk表示以第j个因素为排序对象,按照维修优先级将道路编码为ck的道路进行排序的位次;
建立优化排序矩阵o:
ok是道路编码为ck的道路对应的最优排序值;
计算o1~on并按照从小到大的顺序进行排序,得到路网中道路维修优先顺序。
6.根据权利要求1-5任一项所述的一种路网中道路维修优先级排序方法,其特征在于,执行步骤S6之前,所述方法还包括根据系统误差分别对坑槽深度分布因子和扩张因子进行修正,得到坑槽修正深度分布因子U'q和坑槽修正扩张因子Z'。
8.根据权利要求1-7任一项所述的一种路网中道路维修优先级排序方法,其特征在于,步骤S1包括:
将路面三维点云信息转化为三维矩阵H;并对路面三维点云信息的每一层建立坑槽边缘矩阵;
利用坑槽边缘矩阵中非零值形成的矩阵对三维矩阵H进行切割,形成表征三维坑槽区域外接长方体的三维矩阵J;
将与路面平行的平面K自上往下或自下往上平移与矩阵J相交,在相交过程中分别对非坑槽区域和坑槽区域进行标记,得到三维矩阵L。
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,所述程序被处理器执行时实现如权利要求1-8中任一项所述的路网中道路维修优先级排序方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211460254.2A CN115841225A (zh) | 2022-11-17 | 2022-11-17 | 一种路网中道路维修优先级排序方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211460254.2A CN115841225A (zh) | 2022-11-17 | 2022-11-17 | 一种路网中道路维修优先级排序方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115841225A true CN115841225A (zh) | 2023-03-24 |
Family
ID=85577229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211460254.2A Pending CN115841225A (zh) | 2022-11-17 | 2022-11-17 | 一种路网中道路维修优先级排序方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115841225A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078235A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 全面评估的路网养护维修方法、电子设备及存储介质 |
CN117078234A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种优化的路网养护维修方法、电子设备及存储介质 |
CN117094703A (zh) * | 2023-10-17 | 2023-11-21 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种面向道路裂缝的路网养护维修顺序确定方法 |
-
2022
- 2022-11-17 CN CN202211460254.2A patent/CN115841225A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078235A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 全面评估的路网养护维修方法、电子设备及存储介质 |
CN117078234A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种优化的路网养护维修方法、电子设备及存储介质 |
CN117094703A (zh) * | 2023-10-17 | 2023-11-21 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种面向道路裂缝的路网养护维修顺序确定方法 |
CN117078234B (zh) * | 2023-10-17 | 2024-02-27 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种优化的路网养护维修方法、电子设备及存储介质 |
CN117078235B (zh) * | 2023-10-17 | 2024-03-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 全面评估的路网养护维修方法、电子设备及存储介质 |
CN117094703B (zh) * | 2023-10-17 | 2024-03-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种面向道路裂缝的路网养护维修顺序确定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115841225A (zh) | 一种路网中道路维修优先级排序方法 | |
CN102867408B (zh) | 一种公交出行路线的选择方法 | |
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 | |
CN106599230A (zh) | 一种分布式数据挖掘模型评估的方法与系统 | |
CN103336894B (zh) | 一种城市容积率自动分区方法 | |
CN106777093A (zh) | 基于空间时序数据流应用的Skyline查询系统 | |
CN112348404A (zh) | 一种村庄规划实施评估系统 | |
CN111310294A (zh) | 交通管理与控制服务指数的评价指标体系建立及发布方法 | |
CN115993440A (zh) | 一种路面坑槽的演化规律分析方法 | |
CN110110994A (zh) | 基于大数据的精准招商企业投资意向评估系统及方法 | |
CN114548771A (zh) | 一种乡村文旅发展潜力评价方法 | |
CN112766800A (zh) | 一种基于模糊层次分析法的城市绿色交通系统评价方法 | |
CN107274061A (zh) | 一种基于熵权法的智慧城市评价方法 | |
Zheng et al. | Measuring network configuration of the Yangtze River middle reaches urban agglomeration: based on modified radiation model | |
CN116739376A (zh) | 一种基于数据挖掘的公路路面预防性养护决策方法 | |
CN111738527B (zh) | 一种基于热点探测模型的城市交通小区划分方法 | |
CN108564396A (zh) | 基于D-error有效设计的多模式交通出行问卷调查设计方法 | |
WO2020118517A1 (zh) | 交通管理与控制服务指数的评价指标体系建立及发布方法 | |
CN113034033B (zh) | 一种新研装备备件品种确定方法 | |
CN115146840A (zh) | 一种基于数据驱动的轨道交通新线接入客流预测方法 | |
CN115271221A (zh) | 一种城市扩展预测方法、装置、介质及设备 | |
CN113919729A (zh) | 一种区域三生空间影响与协作水平评估方法及系统 | |
CN103164531A (zh) | 基于模糊优先级的二阶段实例层数据集成方法 | |
CN112116230A (zh) | 基于大数据的产业园评估方法及装置 |
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 |