CN116050670B - 一种基于数据驱动的道路养护决策方法及系统 - Google Patents
一种基于数据驱动的道路养护决策方法及系统 Download PDFInfo
- Publication number
- CN116050670B CN116050670B CN202310330570.6A CN202310330570A CN116050670B CN 116050670 B CN116050670 B CN 116050670B CN 202310330570 A CN202310330570 A CN 202310330570A CN 116050670 B CN116050670 B CN 116050670B
- Authority
- CN
- China
- Prior art keywords
- maintenance
- road
- performance
- data
- pavement
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 432
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000013528 artificial neural network Methods 0.000 claims abstract description 82
- 238000005457 optimization Methods 0.000 claims abstract description 70
- 241000283153 Cetacea Species 0.000 claims abstract description 57
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000000694 effects Effects 0.000 claims abstract description 15
- 230000008901 benefit Effects 0.000 claims abstract description 11
- 239000010410 layer Substances 0.000 claims description 160
- 230000006870 function Effects 0.000 claims description 33
- 230000008439 repair process Effects 0.000 claims description 29
- 239000002344 surface layer Substances 0.000 claims description 22
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 230000010354 integration Effects 0.000 claims description 7
- 230000004048 modification Effects 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000013079 data visualisation Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008929 regeneration Effects 0.000 claims description 5
- 238000011069 regeneration method Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 239000002356 single layer Substances 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000001723 curing Methods 0.000 description 24
- 239000004973 liquid crystal related substance Substances 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008676 import Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06Q10/063—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
- G06Q10/20—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
- G06Q50/10—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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明为一种基于数据驱动的道路养护决策方法及系统,所述道路养护决策系统包括路面使用性能预测模块、养护单元选择模块以及养护决策模块、数据库;路面使用性能预测模块包括由神经网络建立的道路性能预测模型,神经网络训练用的数据由数据库提供;养护单元选择模块,利用道路性能预测模型预测的路面使用性能来划分养护单元,选择出需要利用养护决策模块进行养护的养护单元;养护决策模块包括由神经网络建立的决策用性能预测模型。本发明能够充分考虑年道路环境因素、交通因素及路龄、养护次数、养护方式、道路结构等对养护效果的影响,并利用鲸鱼优化算法WOA对养护决策过程进行优化使养护效益达到最佳,有效提高了养护效益。
Description
技术领域
本发明涉及道路养护技术领域,尤其是涉及一种基于数据驱动的道路养护决策方法及养护决策系统。
背景技术
搭建日益完善的公路养护科学决策管理与技术体系,研究数据驱动型养护科学决策的实施路径,既是上级有关部门对养护管理的重要要求,也是行业内各级养护管理机构的刚性需求,因此建立一个科学合理可持续决策的养护决策模型就十分重要。
现有技术的不足之处在于,传统的道路养护工作过于依赖养护工程师们的主观经验,而非基于大数据驱动的养护优化,不是性能效益最佳方案。基于经验的养护决策不能充分考虑道路养护当中养护效果的客观条件的影响,如路面使用性能、交通因素及路龄、养护次数、道路结构、养护方式、道路环境因素等因素,导致养护效果差、养护效益低等问题。并且由于传统道路养护方法停留在从发现问题到解决问题这一阶段,忽略了中间过程中的养护程度的变化,这会导致错过最佳养护时机,极大地增加养护成本。
发明内容
鉴于现有技术的不足,本发明拟解决的技术问题是提供一种基于数据驱动的道路养护决策方法及系统。能够充分考虑年道路环境因素、交通因素及路龄、养护次数、养护方式、道路结构等对养护效果的影响,利用高速公路维护数据(交通因素及路龄、养护次数、养护方式)以及高速公路客观条件数据(年道路环境因素、道路结构)训练神经网络,并利用鲸鱼优化算法WOA对养护决策过程进行优化使养护效益达到最佳。
为解决上述问题,本发明的技术方案为:
第一方面,本发明提供一种基于数据驱动的道路养护决策方法,所述养护决策方法包括以下内容:
以历史路面使用性能、面层厚度、基层厚度、底基层厚度、年平均降雨量、年平均温度、交通量、客货比、路龄以及养护次数为输入训练神经网络,并利用神经网络建立道路性能预测模型,以预测一年后的路面使用性能;
以历史路面使用性能、面层厚度、基层厚度、底基层厚度、年平均降雨量、年平均温度、交通量、客货比、路龄以及养护方式、养护次数为输入训练神经网络,并利用神经网路建立决策用性能预测模型,以预测路面养护后的路面使用性能衰变情况;
利用道路性能预测模型预测的路面使用性能来划分养护单元,以百米为一个养护单元,划分养护单元的选择逻辑为:若存在百米路段的路面使用性能值小于相应的第一阈值则将百米路段判断为必须进行养护的养护单元,称为必须养护单元;若百米路段的所有路面使用性能值都大于相应的第二阈值则将百米路段判断为无需养护单元;若存在百米路段的路面使用性能值不大于相应的第二阈值且所有路面使用性能值不小于相应的第一阈值,则将百米路段划分为模糊养护单元;不同路面使用性能值对应的所述第一阈值与第二阈值不同,第一阈值小于第二阈值;
将必须养护单元和模糊养护单元的当前年份的数据分别输入养护决策模块进行养护决策,确定必须养护单元的最优养护方式组合及确定模糊养护单元是否需要养护并给出最优养护方式组合;
所述养护决策模块包括决策用性能预测模型,选用鲸鱼优化算法WOA对养护决策过程进行优化,鲸鱼优化算法WOA的优化目标为获得最优养护方式组合,鲸鱼优化算法WOA的适应度函数利用所述决策用性能预测模型的预测结果获得。
所述适应度函数为按照下式获得的养护效益ME:
其中为决策用性能预测模型的输出,/>为当前年份的路面使用性能,i为第i个路面使用性能指标,i取值为1-5的整数;/>为采用j种养护方式每公里花费,单位为万元/km,n为养护方式的数量;/>为采用j种养护方式的养护长度,单位为km;E为养护成本;B为养护效果。
所述必须养护单元和模糊养护单元当前年份的数据为必须养护单元和模糊养护单元的面层厚度、基层厚度、底基层厚度、年平均降雨量、年平均温度、交通量、客货比、路龄以及养护方式、养护次数、当前年份的路面使用性能;
所述养护方式组合为同一养护路段上采取两种或两种以上不同的养护方式,最优养护方式组合为养护决策过程中鲸鱼优化算法WOA的输出。
所述决策方法还包括数据库,所述数据库具有实时储存、实时修改、实时调用、数据可视化的作用,数据库分为时间储存层、桩号储存层以及车道储存层,实现调用要进行养护决策的路段的目标时间区间、目标桩号区间、目标车道的客观条件,所述目标车道的客观条件包括路面使用性能、面层厚度、基层厚度、底基层厚度、年平均降雨量、年平均温度、交通量、客货比、路龄以及养护次数,储存养护方式、养护后路面使用性能作为下一阶段的起始条件。
所述数据库中的数据经数据预处理后用于神经网络的训练,从数据库中导出用于训练神经网络的数据,导出形式为纵向以时间和桩号为顺序排列,横向以面层厚度、基层厚度、底基层厚度、年平均降雨量、年平均温度、交通量、客货比、路龄以及养护次数、路面使用性能为顺序排列;
所述数据预处理包括数据归一化、异常数据剔除、独热编码;其中数据归一化将所有数据映射到0-1之间;
异常数据剔除:所述异常数据为任一路面使用性能出现小于60的数据,将异常数据剔除;
将养护方式进行独热编码,以所有养护方式的总数量作为向量的长度,属于哪种养护方式置为1,其余位均为0;
所述养护方式编码为:单层挖补[1,0,0,0,0,0]、双层挖补[0,1,0,0,0,0]、三层挖补[0,0,1,0,0,0]、热再生[0,0,0,1,0,0]、双层罩面[0,0,0,0,1,0]、微表处[0,0,0,0,0,1];
路面使用性能包括PCI、PQI、RDI、SRI、PSSI。
若临近的必须养护单元之间桩号连续,则需要进行集成处理,所述集成处理的过程是:将桩号连续的所有必须养护单元视为一个整体,以整体中所有必须养护单元中各个路面使用性能指标的最低值作为整体的路面使用性能指标,以整体的路面使用性能指标值对整体中每个必须养护单元的路面使用性能指标值进行相应替换修正,将替换修正后的必须养护单元作为养护决策模块的输入,所述输入到养护决策模块的必须养护单元中的路面使用性能指标为当前年份的路面使用性能,通过实验检测获得。
所述神经网络均包括输入层、隐藏层、输出层,其中隐含层第一层设置LSTM层,第二层设置BP神经网络,第三层设置Bi-LSTM层,第二层到第三层之间设置Dropout层,对各隐含层进行权重正则化和偏置正则化;激活函数设置为Relu,损失函数设置为MSE;
神经网络的超参数优化使用鲸鱼优化算法WOA,输入值为:Epoch范围为100-500,LSTM层单元数量范围为50-100,BP层单元数量范围为50-100,Bi-LSTM单元数量为50-100,Batchsize范围为64-256,学习率范围为0.001-0.01;通过鲸鱼优化算法WOA在空间内的迭代计算得出最优解,获得神经网络各个超参数具体值。
数据库具备数据实时更新功能,其中数据库中交通量、年平均降雨量、年平均温度的预测采用ARIMA模型,将交通量、年平均降雨量、年平均温度按照时间序列进行排列,行索引为百米桩号,列索引为年份,年份起点为高速公路开通时间节点,年份终点为高速公路养护周期的起点;所述ARIMA模型具体公式为:
其中为原始时间序列,/>表示经过d次差分后的平稳序列,/>表示零均值的白噪声随机误差序列,/>为常数,/>与/>为ARIMA模型的待估计参数,p和q为ARIMA模型的阶,其中d的确定由数据是否为平稳时间序列决定,若数据为非平稳时间序列则需要进行d阶差分运算;绘制自相关图与偏自相关图,寻找ARIMA模型p和q参数的最优值;
对路龄、养护次数的数据更新方式为:在完成一年的养护决策后路龄加一,养护次数的确定是:获取根据养护决策采用的最优养护方式组合中分别属于大修、中修和小修的次数,再在数据库中相应养护次数中分别加上大修、中修和小修对应的次数;
历史路面使用性能的更新采取利用决策用性能预测模型获得采取养护措施后预测的路面使用性能的方式更新;
在获得最优养护方式组合后,经过决策用性能预测模型获得采取养护措施一年后的路面使用性能PCI、PQI、RDI、SRI、PSSI,将采取养护措施一年后的路面使用性能假设为一年后的实际数据,以一年后的实际数据作为新的历史路面使用性能,并基于数据库更新的数据,利用道路性能预测模型对下一年的路面使用性能进行预测,并基于道路性能预测模型的预测结果进行养护单元划分,然后进行养护决策,循环迭代后能够预测出未来多年的采取养护措施后的路面使用性能,实现对路面进行长时间跨度的道路养护决策。
第二方面,本发明提供一种基于数据驱动的道路养护决策系统,使用上述的基于数据驱动的道路养护决策方法,所述道路养护决策系统包括路面使用性能预测模块1、养护单元选择模块2以及养护决策模块3、数据库4;
路面使用性能预测模块1包括由神经网络建立的道路性能预测模型,神经网络训练用的数据由数据库提供;
养护单元选择模块2,利用道路性能预测模型预测的路面使用性能来划分养护单元,选择出需要利用养护决策模块进行养护的养护单元;
养护决策模块3包括由神经网络建立的决策用性能预测模型,选用鲸鱼优化算法WOA对养护决策过程进行优化,鲸鱼优化算法WOA的优化目标为获得最优养护方式组合,鲸鱼优化算法WOA的适应度函数利用所述决策用性能预测模型的预测结果获得;
所述数据库具有时间储存层、桩号储存层和车道储存层,具备实时修改、实时存储、实时调用、数据可视化的功能;储存的数据包括指针数据、客观条件数据,所述指针数据包括时间、桩号和车道,所述客观条件数据包括路面使用性能、交通因素、养护次数、路龄、养护方式、道路环境因素和道路结构。
与现有技术相比,本发明有益效果在于:
本发明突出的实质性特点是:
本发明决策方法充分考虑了更多的条件如路面使用性能、面层厚度、基层厚度、底基层厚度、年平均降雨量、年平均温度、养护次数、养护方式、交通量(AADT)、路龄和客货比等,使得养护决策效果更好,根据道路路面使用性能的预测结果选择养护单元,且预测结果由训练好的神经网络进行预测其置信度很高,采用这样的养护单元选择方式避免了错过最佳养护时机,有效提高了养护效益。同时采用鲸鱼优化算法对养护决策过程进行优化,相比传统优化算法此优化效率更高。采用了新的养护效益公式作为鲸鱼优化算法WOA中的适应度函数更能够准确地反应养护的效果,使鲸鱼优化算法WOA计算出更适用的养护方式。
本发明的显著进步是:
1.本发明利用神经网络建立两种预测模型。神经网络的建立根据功能分为两种,第一种神经网络的建立的目的是根据现有的路面使用性能、道路结构、道路环境因素、交通因素及路龄以及养护次数预测未来一年后的路面使用性能。第二种神经网络的建立是根据现有的路面使用性能、道路客观因素道路环境因素、交通因素及路龄、养护方式、养护次数预测路面养护后的路面使用性能衰变情况,实现连续养护。在训练神经网络时采用客观条件与路面使用性能进行作为特征值进行训练,训练出的神经网络可以预测不同客观条件下对应的不同路面使用性能。
2.选用鲸鱼优化算法WOA(whale optimization algorithm)对养护决策过程进行优化。其中算法优化目标为养护方式的选择,鲸鱼优化算WOA的适应度函数以所述决策用性能预测模型的预测结果为基础进行计算,设置养护阈值避免由于节省养护成本导致的养护效果差的情况。此外,本申请中还使用鲸鱼优化算法对神经网络进行超参数优化,提高了模型预测精确度。
3.数据库具有实时储存、实时修改、实时调用、数据可视化的作用,数据库分为时间储存层、桩号储存层以及车道储存层,实现调用目标时间区间、目标桩号区间、目标车道的数据包括路面使用性能、道路结构、道路环境因素、养护次数、养护方式、交通因素及路龄。针对长时间养护决策规划,可储存并调用养护方式、养护后路面使用性能等数据作为下一阶段的起始条件。其中实时修改功能内置数据更新功能,在完成的养护决策后,对年平均日交通量(AADT)、年平均降雨量、年平均温度等内容更新,更新方式为采用ARIMA模型预测下一年的AADT、年平均降雨量、年平均温度。对路龄、养护次数的数据更新方式为,在完成一年的养护决策后路龄加一,养护次数根据养护决策采用的养护方式组合中是否属于大修、中修和小修而增加相应养护次数。
附图说明
图1为本发明鲸鱼优化算法WOA的算法流程图。
图2为本发明中一种实施例的决策用性能预测模型的网络结构示意图。
图3为本发明养护决策系统的结构框图。
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,不限制本申请权利要求的保护范围。
鲸鱼优化算法中的种群主体(Agent)具有以下三个捕猎行为:包围猎物、气泡网攻击猎物、搜寻猎物,在本实施例中将鲸鱼优化算法对养护决策过程进行优化时,最优解为最优养护方式组合,搜索空间为养护方式的组合。由于鲸鱼优化算法中的最优解是未知的,因此需要先假设当前最优解的位置向量为猎物所在位置,猎物所在位置即为最佳主体所在位置,定义最佳主体后,其他的主体将尝试以最佳主体为目标更新位置。其更新方程为:
其中t代表当前迭代次数,表示第t+1次迭代时的位置向量,/>表示第t次迭代时的位置向量,/>为计算过程的中间向量,没有具体含义;/>和/>为系数向量,/>代表得到的最优解的位置向量,|代表绝对值,/>和/>的计算如下:
气泡网络捕猎模式具有两种:收缩环绕和螺旋包围。其数学表达如下:
其中,表示第t代主体(鲸鱼)到猎物的距离,b为一个常数,l是范围在[-1,1]的随机数;p为随机概率,表示随机选取收缩环绕机制和螺旋包围机制来捕猎,若p不小于0.5表示使用螺旋包围机制来捕猎,若p小于0.5表示使用收缩环绕机制来捕猎。
搜寻猎物的目的是防止优化算法陷入局部最优解,其实现过程是根据的大小来决定的,如果/>,则使其他主体对其周围进行探索。以二维空间举例当前最优解为,假设某一随机主体位置为(X,Y)迭代后的位置为(X-AD,Y-AD)。
其数学表达如下:
图1为本发明鲸鱼优化算法WOA的算法流程图,算法过程是:开始,初始化鲸鱼种群,并初始化参数,计算每个主体适应度,再判断随机概率p是否小于0.5,若不小于,则采用螺旋包围机制来捕猎,并更新主体位置;若随机概率p是小于0.5,则需要继续判断是否小于1,若不小于1,则采用随机搜索机制进行捕猎即挑选一个随机主体,并更新主体位置;若/>小于1,则采用收缩环绕机制进行捕猎,并更新主体位置;所述随机搜索机制为在搜索空间内均匀随机搜索;
对于更新后的主体位置修正错误主体之后再次计算每个主体适应度,判断是否完成迭代,如果没有完成,则继续返回判断随机概率p是否小于0.5;若完成迭代,则优化结束,输出优化结果。判断是否完成迭代的条件为:判断循环次数是否大于200,若循环次数大于200则判断算法是否收敛,若收敛则完成迭代。上述收敛的判断条件为返回值MSE的波动是否在10%范围内,若波动在10%范围内则完成迭代,即设置精度要求为10%。
图2为本发明中一种实施例的决策用性能预测模型的网络结构示意图,决策用性能预测模型的神经网络框架为ANN结构,包括输入层、隐藏层、输出层,其中隐藏层包括第一层的LSTM层,第二层的BP神经网络,第三层的Bi-LSTM层,在第二层到第三层之间设置Dropout层,形成四层混合网络构成的隐藏层;神经网络的输出为各种路面使用性能。对于决策用性能预测模型其输入的特征值为历史路面使用性能(SRI\PCI\RDI\PQI\PSSI)、道路环境因素(年平均降雨量、年平均温度)、交通因素及路龄(AADT、客货比、路龄)、养护次数(大修养护次数、中修养护次数、小修养护次数)、养护方式(单层挖补、双层挖补、三层挖补、热再生、双层罩面、微表处)、道路结构(面层厚度、基层厚度、底基层厚度),目标值为路面使用性能。
所述道路性能预测模型的训练使用的神经网络架构与决策用性能预测模型的神经网络框架相同,不同之处在于,道路性能预测模型的训练使用的神经网络架构的输入中没有养护方式,其输入的特征值为历史路面使用性能(SRI\PCI\RDI\PQI\PSSI)、道路环境因素(年平均降雨量、年平均温度)、交通因素及路龄(AADT、客货比、路龄)、养护次数(大修养护次数、中修养护次数、小修养护次数)、道路结构(面层厚度、基层厚度、底基层厚度),目标值为路面使用性能。
本发明基于数据驱动的道路养护决策系统,利用神经网络预测路面使用性能、利用鲸鱼优化算法优化决策过程的养护决策,可用于对路面进行长时间跨度的道路养护决策。如图3所示,道路养护决策系统包括路面使用性能预测模块1、养护单元选择模块2以及养护决策模块3、数据库4。
路面使用性能预测模块1包括由神经网络建立的道路性能预测模型,神经网络训练用的数据由数据库提供;
养护单元选择模块2利用道路性能预测模型预测的路面使用性能来划分养护单元,选择出需要利用养护决策模块进行养护的养护单元;
养护决策模块3包括由神经网络建立的决策用性能预测模型,选用鲸鱼优化算法WOA对养护决策过程进行优化,鲸鱼优化算法WOA的优化目标为获得最优养护方式组合,鲸鱼优化算法WOA的适应度函数利用所述决策用性能预测模型的预测结果获得。
上述中道路性能预测模型和决策用性能预测模型的神经网络超参数的优化也由鲸鱼优化算法WOA进行优化,使用鲸鱼优化算法WOA对神经网络超参数优化时搜索空间为神经网络超参数的组合。
所述数据库具有时间储存层、桩号储存层和车道储存层,时间储存层可以将数据按照时间序列的方式导入和导出,桩号储存层可以将数据按照桩号序列的方式导入和导出,车道储存层可以将数据按照车道序列的方式导入和导出。数据库同样具备可实时修改、实时存储、实时调用的功能,可以实现将养护后的预测数据储存更新、能够为路面使用性能预测模块1提供数据。数据库同样具备数据可视化的功能,实现对病害分布、预测准确度、养护方式和养护效果的可视化。由输入的路面使用性能数据来描述路面的病害分布,计算均方误差MSE,以均方误差的大小表示预测准确度。
数据库的数据来自于高速公路的历史数据,其中储存的数据包括指针数据即时间、桩号和车道,客观条件数据包括路面使用性能、交通因素(本实施例中选择年平均日交通量AADT和客货比表示)、养护次数、路龄、养护方式、道路环境因素(年平均降雨量、年平均温度)、道路结构(面层厚度、基层厚度、底基层厚度),其中,数据库中的路面使用性能部分将会接收养护后的路面使用性能,对此数据进行更新。
数据库更新过程:数据库中AADT、年平均降雨量、年平均温度的预测采用ARIMA模型(Autoregressive Integrated Moving Average)。将AADT、年平均降雨量、年平均温度按照时间序列进行排列,行索引为百米桩号,列索引为年份,年份起点为高速公路开通时间节点,年份终点为高速公路养护周期的起点。其中ARIMA模型具体公式如下:
其中为原始时间序列,/>表示经过d次差分后的平稳序列,/>表示零均值的白噪声随机误差序列,/>为常数,/>与/>为ARIMA模型的待估计参数,p和q为ARIMA模型的阶,ARIMA模型记为ARIMA(p,d,q)。其中d代表差分的阶数,由数据是否为平稳时间序列决定,若数据为非平稳时间序列则需要进行d阶差分运算。绘制自相关(ACF)图与偏自相关(PACF)图,寻找ARIMA模型p和q参数的最优值。对路龄、养护次数的数据更新方式为:在完成一年的养护决策后路龄加一,养护次数的确定是:获取根据养护决策采用的最优养护方式组合中分别属于大修、中修和小修的次数,再在数据库中相应养护次数中分别加上大修、中修和小修对应的次数;即根据养护方式本身属于大修、中修和小修中的哪种,进而增加属于大修、中修和小修的养护次数。
历史路面使用性能利用决策用性能预测模型获得采取养护措施后预测的路面使用性能进行更新;面层厚度、基层厚度、底基层厚度、客货比不进行更新。
所述路面使用性能包括PCI、PQI、RDI、SRI、PSSI;年平均降雨量为一年内每天降雨量的平均值;年平均温度为一年内每天温度的平均值;交通量为AATD(年平均日交通量);为了区分不同养护方式对于路面性能的影响将养护次数分成大修养护次数、中修养护次数、小修养护次数,在养护方式组合中大、中、小修养护次数的数据同时存在,其中大修对应的养护方式包括:单层挖补、双层挖补、三层挖补,中修对应的养护方式包括热再生、双层罩面,小修对应的养护方式包括微表处。路龄为从道路投入使用开始到现在的年数。养护方式以上述养护方式为例,还可以根据养护地区的特点以及养护公司掌握的技术等因素来定具体的养护方式类型。面层厚度、基层厚度、底基层厚度为道路各个组成层次的厚度;客货比为车道内小客车与货车之比。
数据在用于神经网络训练之前需要进行数据预处理,所述数据预处理包括数据归一化、异常数据剔除、独热编码。其中数据归一化的目的是为了能将所有数据映射到0-1之间,具体数据公式如下:
异常数据剔除:异常数据一般为任一路面使用性能出现小于60,这些是由于数据来源于人工检测会有出错的地方,路面使用性能会出现0值的情况,0值是因为在桩号连接处会设置有0值。
独热编码(一位有效编码):将养护方式进行独热编码,以所有养护方式的数量为向量的长度,属于哪种养护方式置为1,其余位均为0。为了能够将养护方式这种非数字类的数据作为特征值,将养护方式编为如下方式: 单层挖补[1,0,0,0,0,0]、双层挖补[0,1,0,0,0,0]、三层挖补[0,0,1,0,0,0]、热再生[0,0,0,1,0,0]、双层罩面[0,0,0,0,1,0]、微表处[0,0,0,0,0,1]。
训练道路性能预测模型的神经网络需要用到特征值为路面使用性能(SRI\PCI\RDI\PQI\PSSI)、道路环境因素(年平均降雨量、年平均温度)、交通因素及路龄(AADT、客货比、路龄)、养护次数(大修养护次数、中修养护次数、小修养护次数)、道路结构(面层厚度、基层厚度、底基层厚度),训练决策用性能预测模型的神经网络需要用到的特征值相比道路性能预测模型的神经网络多养护方式这一项,其他不变。两个神经网络的输出值均为路面使用性能。
充分考虑到养护性能的预测与较长时间段的前后因素关系性都比较大的问题,神经网络构架设置四层混合网络的隐含层,神经网络构架总体上包括输入层、隐藏层、输出层,其中隐含层第一层设置LSTM层,第二层设置BP神经网络,第三层设置Bi-LSTM层,在第二层到第三层之间设置Dropout层,有效防止出现过拟合的现象,同时为了保证神经网络的泛化效果,对各隐含层进行权重正则化和偏置正则化。激活函数设置为Relu,损失函数设置MSE:
神经网络超参数使用鲸鱼优化算法WOA进行优化,鲸鱼优化算法WOA的输入值为:Epoch范围为100-500,LSTM层单元数量范围为50-100,BP层单元数量范围为50-100,Bi-LSTM单元数量为50-100,Batchsize范围为64-256,学习率范围为0.001-0.01,超参数调优用的是验证集数据,返回值具体指标为MSE。通过鲸鱼优化算法WOA在空间内的迭代计算得出最优解,所述最优解为各个超参数具体值,此时对应的神经网络结构为针对本实施例中数据集的最佳网络结构并有较强的泛化能力。
数据集在经历数据预处理后划分为训练集、验证集、测试集。训练集用于训练神经网络,占数据集的70%,验证集用于验证不同参数的神经网络的效果,占数据集的15%,测试集用于测试神经网络的误差,占数据集的15%。
路面性能预测模块1,由数据库提供数据集,数据集各数据纵向以时间和桩号为顺序展开,横向以各客观条件和路面使用性能展开,并以此选用不同的车道数据。路面性能预测模块中的神经网络的特征值包含以下数据:路面使用性能(PCIbefore、PQIbefore、RDIbefore、SRIbefore、PSSIbefore);道路环境因素(年平均降雨量、年平均温度);交通因素及路龄(AADT、客货比、路龄);养护次数(大修养护次数、中修养护次数、小修养护次数);道路结构(面层厚度、基层厚度、底基层厚度)。目标值为PCIafter1、PQIafter1、RDIafter1、SRIafter1、PSSIafter1,为一年后路面性能值。
养护单元选择模块2,利用道路性能预测模型预测的路面使用性能来划分养护单元,以百米为一个养护单元,划分养护单元的选择逻辑为:若存在百米路段的路面使用性能值小于相应的第一阈值则将百米路段判断为必须进行养护的养护单元,称为必须养护单元;若百米路段的所有路面使用性能值都大于相应的第二阈值则将百米路段判断为无需养护单元;若存在百米路段的路面使用性能值不大于相应的第二阈值且所有路面使用性能值不小于相应的第一阈值,则将百米路段划分为模糊养护单元;不同路面使用性能值对应的所述第一阈值与第二阈值不同,第一阈值小于第二阈值,二者的具体取值可依据经验或工程规范确定,本实施例中所述第一阈值和第二阈值的具体取值见表1;
模糊养护单元在这里先不确定是否要养护,交由养护决策模块判断是否需要进行养护,如需养护的话给出最优养护方式组合。
集成处理:若临近的必须养护单元之间桩号连续,则需要进行集成处理,所述集成处理的过程是:将桩号连续的所有必须养护单元视为一个整体,以整体中所有必须养护单元中各个路面使用性能指标的最低值作为整体的路面使用性能指标,以整体的路面使用性能指标值对整体中每个必须养护单元的路面使用性能指标值进行相应替换修正,整体的路面使用性能指标记为整体值,即将整体值替换每个必须养护单元本身的路面使用性能指标值,将替换修正后的必须养护单元作为养护决策模块的输入,所述输入到养护决策模块的必须养护单元中的路面使用性能指标为当前年份的路面使用性能,通过实验检测获得,在进行集成处理时也是以必须养护单元当前年份的路面使用性能指标进行的计算:
养护单元选择完成后将必须养护单元当前年份的数据输入养护决策模块进行养护决策,确定必须养护单元的最优养护方式组合,同时将模糊养护单元当前年份的数据也输入养护决策模块进行养护决策,确定模糊养护单元的最优养护方式组合。
养护决策模块3,选用鲸鱼优化算法WOA对养护决策过程进行优化,鲸鱼优化算法WOA的优化目标为获得最优养护方式组合,鲸鱼优化算法WOA的适应度函数利用所述决策用性能预测模型的预测结果获得。鲸鱼优化算法WOA的输入值为养护方式,由于各个养护方式之间没有倍数关系,因此,采用独热编码即采用该养护方式为1,不采用该养护方式为0。
所述决策用性能预测模型的神经网络的特征值设置为养护方式;PCIbefore、PQIbefore、RDIbefore、SRIbefore、PSSIbefore;年平均降雨量;年平均温度;AATD(年平均日交通量);大修养护次数、中修养护次数、小修养护次数;路龄;面层厚度、基层厚度、底基层厚度;客货比。目标值为PCIafter2、PQIafter2、RDIafter2、SRIafter2、PSSIafter2。下标1代表为路面性能预测模块1的预测结果,下标2表示为决策用性能预测模型的预测结果,这里的目标值为采取养护措施后的路面使用性能。
在获得最优养护措施后也预测得到了采取养护措施后的路面使用性能PCIafter2、PQIafter2、RDIafter2、SRIafter2、PSSIafter2,这些路面使用性能可以假设为一年后的实际数据,将一年后的实际数据作为下一轮养护决策的起始年份,并假设这些路面使用性能为起始年份的实际观测数据,以一年后的实际数据作为新的历史路面使用性能,并基于数据库更新的数据,利用道路性能预测模型对下一年的路面使用性能进行预测,并基于道路性能预测模型的预测结果进行养护单元划分,然后进行养护决策,循环迭代后能够预测出未来多年的采取养护措施后的路面使用性能,实现对路面进行长时间跨度的道路养护决策。
本发明基于数据驱动的道路养护决策方法的具体流程是:
步骤1.构建神经网络架构,并从数据库中抽取数据训练神经网络。
(1)将数据集从数据库中导出,导出的数据形式为纵向以时间和桩号为顺序排列,横向以面层厚度、基层厚度、底基层厚度、年平均降雨量、年平均温度、交通量、客货比、路龄以及养护次数、路面使用性能为顺序排列;如桩号分布在K0+100—K0+200,时间跨度为3年,则其从上到下排列形式为第一年该桩号的数据、第二年该桩号的数据、第三年该桩号的数据。其中K为千米Km缩写,K0+100代表路段0×1000+100米处,K1+100代表路段1×1000+100米处,即路段第1100米处。
(2)将特征值进行数据归一化处理并删除异常数据。
(3)将数据集按照0.7:0.15:0.15的比例随机划分为训练集、验证集、测试集。
(4)初始化权重矩阵设置激活函数与损失函数。
激活函数设置为ReLU:
损失函数设置为均方差MSE,以均方差MSE表示预测准确度。
(5)由python中tensorflow中的keras代码包设置神经网络架构,具体架构包括输入层、隐藏层、输出层,其中隐含层第一层设置LSTM层,第二层设置BP神经网络,第三层设置Bi-LSTM层,第二层到第三层之间设置Dropout层,利用训练集训练神经网络,并对神经网络的超参数利用鲸鱼优化算法WOA进行优化,设置超参数优化过程中的最大迭代次数,使算法输出最后结果的收敛。
步骤2.以历史路面使用性能、面层厚度、基层厚度、底基层厚度、年平均降雨量、年平均温度、交通量、客货比、路龄以及养护次数为输入训练神经网络,建立道路性能预测模型,预测得到一年后的路面使用性能预测值。以历史路面使用性能、面层厚度、基层厚度、底基层厚度、年平均降雨量、年平均温度、交通量、客货比、路龄以及养护方式、养护次数为输入训练神经网络,并利用神经网路建立决策用性能预测模型,以预测路面养护后的路面使用性能衰变情况。
步骤3.利用道路性能预测模型预测的路面使用性能来划分养护单元,以百米为一个养护单元,得到必须养护单元、无需养护单元、模糊养护单元;划分养护单元的选择逻辑为:若存在百米路段的路面使用性能值小于相应的第一阈值则将百米路段判断为必须进行养护的养护单元,称为必须养护单元;若百米路段的所有路面使用性能值都大于相应的第二阈值则将百米路段判断为无需养护单元;若存在百米路段的路面使用性能值不大于相应的第二阈值且所有路面使用性能值不小于相应的第一阈值,则将百米路段划分为模糊养护单元;不同路面使用性能值对应的所述第一阈值与第二阈值不同,第一阈值小于第二阈值;
若临近的必须养护单元之间桩号连续则需要进行集成处理;
步骤4.初始化养护方式组合,将必须养护单元和模糊养护单元的数据分别输入养护决策模块进行养护决策,
将模糊养护单元、必须养护单元的数据作为特征值输入养护决策模块中的决策用性能预测模型中,得到目标值为路面使用性能,并根据决策用性能预测模型输出的目标值计算养护效益ME(Maintenance Efficiency),设置养护阈值为60,路面性能指标值低于养护阈值60,则被视为异常数据,
其中,为第二个神经网络的输出,表示第二个神经网络输出的第i个路面使用性能指标,i取值为1-5的整数,/>为PCIafter2、/>为PQIafter2、为RDIafter2、/>为SRIafter2、/>为PSSIafter2;/>为当前年份的路面使用性能,/>为PCIbefore、/>为PQIbefore、/>为RDIbefore、为SRIbefore、/>为PSSIbefore,/>为采用j养护方式每公里花费单位为万元/km,n为养护方式的数量(共六种养护方式),/>为采用此种养护方式的养护长度单位为km;E为养护成本;B为养护效果。
第一个神经网络输出不进行养护的路面使用性能预测,仅用于养护单元划分,第二个神经网络输出进行养护的路面使用性能预测并用于养护决策。
步骤5.将养护效益ME作为鲸鱼优化算法WOA的适应度函数返回值,鲸鱼优化算法WOA对养护方式组合在规定范围内进行搜索并得到更优的养护方式组合。
鲸鱼优化算法对养护方式组合的优化过程如下:
(5)若p>0.5,则根据下式更新当前主体位置:
(6)检查是否有主体超出搜索空间并对其进行修改;
(7)计算每个主体的适应度并更新适应度最优,若达到设定的最大迭代次数且达到设定的精度要求则退出循环,若未达到则返回步骤(3)。
步骤6.将养护方式组合作为特征值输入到决策用性能预测模型中,同时将此养护方式组合对应的路面使用性能、面层厚度、基层厚度、底基层厚度、年平均降雨量、年平均温度、交通量、客货比、路龄以及养护方式、养护次数也作为输入,目标值为路面使用性能,经过决策用性能预测模型处理后获得预测结果。利用预测结果再次计算ME,重复步骤5调用鲸鱼优化算法WOA,当满足(达到设定的最大迭代次数且达到设定的精度要求)得到最优解,也就是获得了此条件下的最优养护方式组合;
再将最优养护方式组合再次输入到决策用性能预测模型中,计算当前年份采取养护措施后的路面使用性能预测值。
步骤7.若想进行多年的养护决策则将步骤6得到的当前年份采取养护措施后的路面使用性能预测值作为下一轮养护决策的起始年份,并假设这些路面使用性能为起始年份的实际观测数据,并在数据库中更新年平均降雨量、年平均温度以及年平均交通量(AADT)、路龄、养护次数,形成新的样本,输入到道路性能预测模型中,预测得到不考虑养护措施的下一年路面使用性能,根据道路性能预测模型预测得到的路面使用性能数据进行养护单元划分,然后基于养护单元的划分结果进行养护决策,循环迭代后能够预测出未来多年的采取养护措施后的路面使用性能,实现对路面进行长时间跨度的道路养护决策。
对于长时间跨度养护决策,以5年时间跨度为例,养护周期为五年,本实施例采用1年为一个循环,进行5次循环,每一次循环进行一次预测、养护单元选择、养护方式决策。
本申请充分考虑客观条件下,道路受到不同养护方式后的养护效果,并基于不同的养护效果使用鲸鱼优化算法WOA选择出最佳的养护方式。本发明养护决策模块不再通过决策树做具体的分类,而是在养护单元选择模块完成分类后将模糊单元和必须养护单元全部交给养护决策部分进行处理,显著增加模型的鲁棒性,解决了决策树分类不够灵活的缺点。使用ME作为适应度,由于ME中的B是由决策用性能预测模型的预测结果获得的,充分考虑了客观条件,再利用鲸鱼优化算法WOA对养护方式组合进行优化。本发明决策方法在道路养护时充分考虑客观条件的影响,同时在不同客观条件下选择更适合的养护方式,实现长时间跨度的养护决策。
本发明未述及之处适用于现有技术。
Claims (8)
1.一种基于数据驱动的道路养护决策方法,其特征在于,所述养护决策方法包括以下内容:
以历史路面使用性能、面层厚度、基层厚度、底基层厚度、年平均降雨量、年平均温度、交通量、客货比、路龄以及养护次数为输入训练神经网络,并利用神经网络建立道路性能预测模型,以预测一年后的路面使用性能;
以历史路面使用性能、面层厚度、基层厚度、底基层厚度、年平均降雨量、年平均温度、交通量、客货比、路龄以及养护方式、养护次数为输入训练神经网络,并利用神经网路建立决策用性能预测模型,以预测路面养护后的路面使用性能衰变情况;
利用道路性能预测模型预测的路面使用性能来划分养护单元,以百米为一个养护单元,划分养护单元的选择逻辑为:若存在百米路段的路面使用性能值小于相应的第一阈值则将百米路段判断为必须进行养护的养护单元,称为必须养护单元;若百米路段的所有路面使用性能值都大于相应的第二阈值则将百米路段判断为无需养护单元;若存在百米路段的路面使用性能值不大于相应的第二阈值且所有路面使用性能值不小于相应的第一阈值,则将百米路段划分为模糊养护单元;第一阈值小于第二阈值;
将必须养护单元和模糊养护单元的当前年份的数据分别输入养护决策模块进行养护决策,确定必须养护单元的最优养护方式组合及确定模糊养护单元是否需要养护并给出最优养护方式组合;
所述养护决策模块包括决策用性能预测模型,选用鲸鱼优化算法WOA对养护决策过程进行优化,鲸鱼优化算法WOA的优化目标为获得最优养护方式组合,鲸鱼优化算法WOA的适应度函数利用所述决策用性能预测模型的预测结果获得;
所述适应度函数为按照下式获得的养护效益ME:
其中,Saverage为决策用性能预测模型的预测结果的所有路面使用性能的平均值,范围为60—100;k1,k2,θ1,θ2为系数;
其中Safter2-i为决策用性能预测模型的输出,Sbefore-i为当前年份的路面使用性能,i取值为1-5的整数;Cj为采用j种养护方式每公里花费,单位为万元/km,n为养护方式的数量;Lj为采用j种养护方式的养护长度,单位为km;E为养护成本;B为养护效果;
所述必须养护单元和模糊养护单元当前年份的数据为必须养护单元和模糊养护单元的面层厚度、基层厚度、底基层厚度、年平均降雨量、年平均温度、交通量、客货比、路龄以及养护方式、养护次数、当前年份的路面使用性能;养护方式组合为同一养护路段上采取两种或两种以上不同的养护方式。
2.根据权利要求1所述的基于数据驱动的道路养护决策方法,其特征在于,所述k1,k2,θ1,θ2的取值均为1。
3.根据权利要求1所述的基于数据驱动的道路养护决策方法,其特征在于,所述决策方法还包括数据库,所述数据库具有实时储存、实时修改、实时调用、数据可视化的作用,数据库分为时间储存层、桩号储存层以及车道储存层,实现调用要进行养护决策的路段的目标时间区间、目标桩号区间、目标车道的客观条件,所述目标车道的客观条件包括路面使用性能、面层厚度、基层厚度、底基层厚度、年平均降雨量、年平均温度、交通量、客货比、路龄以及养护次数,储存养护方式、养护后路面使用性能作为下一阶段的起始条件。
4.根据权利要求3所述的基于数据驱动的道路养护决策方法,其特征在于,所述数据库中的数据经数据预处理后用于神经网络的训练,从数据库中导出用于训练神经网络的数据,导出形式为纵向以时间和桩号为顺序排列,横向以面层厚度、基层厚度、底基层厚度、年平均降雨量、年平均温度、交通量、客货比、路龄以及养护次数、路面使用性能为顺序排列;
所述数据预处理包括数据归一化、异常数据剔除、独热编码;其中数据归一化将所有数据映射到0-1之间;
异常数据剔除:所述异常数据为任一路面使用性能出现小于60的数据,将异常数据剔除;
将养护方式进行独热编码,以所有养护方式的总数量作为向量的长度,属于哪种养护方式置为1,其余位均为0;
所述养护方式编码为:单层挖补[1,0,0,0,0,0]、双层挖补[0,1,0,0,0,0]、三层挖补[0,0,1,0,0,0]、热再生[0,0,0,1,0,0]、双层罩面[0,0,0,0,1,0]、微表处[0,0,0,0,0,1];
路面使用性能包括PCI、PQI、RDI、SRI、PSSI。
5.根据权利要求1所述的基于数据驱动的道路养护决策方法,其特征在于,若临近的必须养护单元之间桩号连续,则需要进行集成处理,所述集成处理的过程是:将桩号连续的所有必须养护单元视为一个整体,以整体中所有必须养护单元中各个路面使用性能指标的最低值作为整体的路面使用性能指标,以整体的路面使用性能指标值对整体中每个必须养护单元的路面使用性能指标值进行相应替换修正,将替换修正后的必须养护单元作为养护决策模块的输入,所述输入到养护决策模块的必须养护单元中的路面使用性能指标为当前年份的路面使用性能,通过实验检测获得。
6.根据权利要求1所述的基于数据驱动的道路养护决策方法,其特征在于,所述神经网络均包括输入层、隐藏层、输出层,其中隐含层第一层设置LSTM层,第二层设置BP神经网络,第三层设置Bi-LSTM层,第二层到第三层之间设置Dropout层,对各隐含层进行权重正则化和偏置正则化;激活函数设置为Relu,损失函数设置为MSE;
神经网络的超参数优化使用鲸鱼优化算法WOA,输入值为:Epoch范围为100-500,LSTM层单元数量范围为50-100,BP层单元数量范围为50-100,Bi-LSTM单元数量为50-100,Batchsize范围为64-256,学习率范围为0.001-0.01;通过鲸鱼优化算法WOA在空间内的迭代计算得出最优解,获得神经网络各个超参数具体值。
7.根据权利要求1所述的基于数据驱动的道路养护决策方法,其特征在于,数据库具备数据实时更新功能,其中数据库中交通量、年平均降雨量、年平均温度采用ARIMA模型进行预测,将交通量、年平均降雨量、年平均温度按照时间序列进行排列,行索引为百米桩号,列索引为年份,年份起点为高速公路开通时间节点,年份终点为高速公路养护周期的起点;所述ARIMA模型具体公式为:
其中yt为原始时间序列,Δdyt表示经过d次差分后的平稳序列,εt-1表示零均值的白噪声随机误差序列,θ0为常数,与θj为ARIMA模型的待估计参数,p和q为ARIMA模型的阶,其中d的确定由数据是否为平稳时间序列决定,若数据为非平稳时间序列则需要进行d阶差分运算;绘制自相关图与偏自相关图,寻找ARIMA模型p和q参数的最优值;
对路龄、养护次数的数据更新方式为:在完成一年的养护决策后路龄加一,养护次数的确定是:获取根据养护决策采用的最优养护方式组合中分别属于大修、中修和小修的次数,再在数据库中相应养护次数中分别加上大修、中修和小修对应的次数;
历史路面使用性能的更新采取利用决策用性能预测模型获得采取养护措施后预测的路面使用性能的方式更新;
在获得最优养护方式组合后,经过决策用性能预测模型获得采取养护措施一年后的路面使用性能PCI、PQI、RDI、SRI、PSSI,将采取养护措施一年后的路面使用性能假设为一年后的实际数据,以一年后的实际数据作为新的历史路面使用性能,并基于数据库更新的数据,利用道路性能预测模型对下一年的路面使用性能进行预测,并基于道路性能预测模型的预测结果进行养护单元划分,然后进行养护决策,循环迭代后能够预测出未来多年的采取养护措施后的路面使用性能,实现对路面进行长时间跨度的道路养护决策。
8.一种基于数据驱动的道路养护决策系统,其特征在于,使用权利要求1-7任一所述的基于数据驱动的道路养护决策方法,
所述道路养护决策系统包括路面使用性能预测模块、养护单元选择模块以及养护决策模块、数据库;
路面使用性能预测模块包括由神经网络建立的道路性能预测模型,神经网络训练用的数据由数据库提供;
养护单元选择模块,利用道路性能预测模型预测的路面使用性能来划分养护单元,选择出需要利用养护决策模块进行养护的养护单元;
养护决策模块包括由神经网络建立的决策用性能预测模型,选用鲸鱼优化算法WOA对养护决策过程进行优化,鲸鱼优化算法WOA的优化目标为获得最优养护方式组合,鲸鱼优化算法WOA的适应度函数利用所述决策用性能预测模型的预测结果获得;
所述数据库具有时间储存层、桩号储存层和车道储存层,具备实时修改、实时存储、实时调用、数据可视化的功能;储存的数据包括指针数据、客观条件数据,所述指针数据包括时间、桩号和车道,所述客观条件数据包括路面使用性能、交通因素、养护次数、路龄、养护方式、道路环境因素和道路结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310330570.6A CN116050670B (zh) | 2023-03-31 | 2023-03-31 | 一种基于数据驱动的道路养护决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310330570.6A CN116050670B (zh) | 2023-03-31 | 2023-03-31 | 一种基于数据驱动的道路养护决策方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116050670A CN116050670A (zh) | 2023-05-02 |
CN116050670B true CN116050670B (zh) | 2023-06-06 |
Family
ID=86118518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310330570.6A Active CN116050670B (zh) | 2023-03-31 | 2023-03-31 | 一种基于数据驱动的道路养护决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116050670B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117162263B (zh) * | 2023-11-02 | 2023-12-29 | 江苏菲尔浦工程科技有限公司 | 一种混凝土的生产工艺优化方法及系统 |
CN117557122B (zh) * | 2024-01-11 | 2024-03-22 | 山东路科公路信息咨询有限公司 | 基于数据关系图谱技术的公路养护决策分析方法及系统 |
CN117952288A (zh) * | 2024-03-27 | 2024-04-30 | 交通运输部规划研究院 | 公路养护决策优化方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711722A (zh) * | 2018-12-26 | 2019-05-03 | 江苏北极星交通产业集团有限公司 | 一种网级道路养护管理决策系统 |
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 |
CN114118539A (zh) * | 2021-11-11 | 2022-03-01 | 河北工业大学 | 一种基于微观单元性能预测的高速公路精准养护决策方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113918538B (zh) * | 2021-10-14 | 2024-05-14 | 河北工业大学 | 一种基于人工神经网络的新建道路养护数据迁移系统 |
-
2023
- 2023-03-31 CN CN202310330570.6A patent/CN116050670B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711722A (zh) * | 2018-12-26 | 2019-05-03 | 江苏北极星交通产业集团有限公司 | 一种网级道路养护管理决策系统 |
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 |
CN114118539A (zh) * | 2021-11-11 | 2022-03-01 | 河北工业大学 | 一种基于微观单元性能预测的高速公路精准养护决策方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116050670A (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116050670B (zh) | 一种基于数据驱动的道路养护决策方法及系统 | |
CN111915059B (zh) | 基于注意力机制的Seq2seq泊位占有率预测方法 | |
CN112733442B (zh) | 基于深度学习的路面长期性能预测模型的构建方法 | |
CN109242140A (zh) | 一种基于LSTM_Attention网络的交通流预测方法 | |
CN112507610B (zh) | 一种热轧卷取温度的区间预测方法 | |
CN109993223A (zh) | 路面使用性能预测方法、存储介质、电子设备 | |
CN106677763B (zh) | 一种基于动态集成建模的油井动液面预测方法 | |
CN111292534A (zh) | 一种基于聚类与深度序列学习的交通状态估计方法 | |
CN109919356B (zh) | 一种基于bp神经网络区间需水预测方法 | |
CN110909924A (zh) | 基于交叉熵优化器的城市扩张多情景模拟元胞自动机方法 | |
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 | |
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 | |
CN112101684A (zh) | 一种插电式混合动力车辆实时能量管理方法和系统 | |
CN114912635A (zh) | 一种公路养护决策方法、系统、存储介质和电子设备 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN111144636B (zh) | 一种边坡变形预测方法 | |
CN109190839A (zh) | 一种融合风向的铁路沿线风速智能滚动预测方法 | |
CN112614021A (zh) | 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法 | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
CN115948964A (zh) | 一种基于ga-bp神经网络的路面平整度预测方法 | |
CN112419131A (zh) | 交通起讫点需求估算方法 | |
CN112163669A (zh) | 基于bp神经网络的路面沉陷预测方法 | |
CN116739376A (zh) | 一种基于数据挖掘的公路路面预防性养护决策方法 | |
CN114118539A (zh) | 一种基于微观单元性能预测的高速公路精准养护决策方法 | |
CN114881359B (zh) | 融合GBDT和XGBoost的路面IRI预测方法 |
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 |