CN116362714B - 路面养护周期的预测方法和装置 - Google Patents
路面养护周期的预测方法和装置 Download PDFInfo
- Publication number
- CN116362714B CN116362714B CN202310188693.0A CN202310188693A CN116362714B CN 116362714 B CN116362714 B CN 116362714B CN 202310188693 A CN202310188693 A CN 202310188693A CN 116362714 B CN116362714 B CN 116362714B
- Authority
- CN
- China
- Prior art keywords
- road surface
- comprehensive performance
- performance index
- maintenance period
- 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 174
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 71
- 230000006870 function Effects 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 16
- 230000005855 radiation Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000012821 model calculation Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000003449 preventive effect Effects 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000013604 expression vector Substances 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/20—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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种路面养护周期的预测方法和装置。该方法包括：对目标路段的多个养护周期决策变量进行采样，得到养护周期决策变量在当前时间段内的观测序列；养护周期决策变量包括路面综合性能指标和路面综合性能指标的影响因素参数；将观测序列输入路面综合性能指标预测模型中，得到路面综合性能指标预测模型输出的路面综合性能指标预测序列；基于路面综合性能指标预测序列和目标路段的基本养护周期，计算得到目标路段的路面养护周期。本发明能够利用基于深度学习神经网络搭建的路面综合性能指标预测模型充分挖掘路面综合性能指标及其多个影响因素之间的关系，强化影响作用较大的影响因素在模型计算中的重要性，提高路面养护周期的评估准确性。
Description
技术领域
本发明涉及道路养护技术领域，尤其涉及一种路面养护周期的预测方法和装置。
背景技术
公路路面养护是为防治路面在使用过程中遭受行车和自然因素作用的损坏，保持路面的完好状态，并改善路面的技术状况以满足行车要求所进行的作业。在公路路面养护过程中，特别注重预防性养护。预防性养护的核心在于“决策”，决策者在选择预防性养护方案时不仅需要考虑合适的路段、合适的施工技术，更需要对路面养护的时机和效益有着精准的把控。
其中，对于路面养护的时机在业界一般根据公路养护周期这一指标来决定，公路养护周期是指从道路建成或者是上一次维修之后，由于路面结构强度不足(结构指数衰减到阈值)到再次需要进行大修或者多次预防性养护的最短间隔。在制定公路预防性养护方案时，需要先确定路段的养护周期，然后再确定最佳养护时机。
而对于路面养护周期的评估又依赖于公路性能指标的预测；目前多使用回归拟合方程或神经网络来预测未来的公路性能指标，然而这些预测方法预测得到的公路性能指标不够准确，影响路面养护周期的评估。
发明内容
本发明提供一种路面养护周期的预测方法和装置，用以解决现有技术中公路性能指标预测不准确的缺陷，实现路面养护周期的准确评估。
本发明提供一种路面养护周期的预测方法，包括：
对目标路段的多个养护周期决策变量进行采样，得到养护周期决策变量在当前时间段内的观测序列；所述养护周期决策变量包括路面综合性能指标和路面综合性能指标的影响因素参数；
将所述观测序列输入路面综合性能指标预测模型中，得到所述路面综合性能指标预测模型输出的路面综合性能指标预测序列；
基于所述路面综合性能指标预测序列和所述目标路段的基本养护周期，计算得到所述目标路段的路面养护周期；
其中，所述路面综合性能指标预测模型，用于表征路面综合性能指标与所述影响因素参数的相关性，对所述目标路段在预设未来时间段的路面综合性能指标进行预测；
所述路面综合性能指标预测模型是基于观测序列样本值、所述观测序列样本值对应的路面综合性能指标样本标签训练得到的。
根据本发明提供的一种养护周期的预测方法，所述路面综合性能指标预测模型包括：
特征表示层，用于基于多层感知机网络对所述观测序列进行特征编码，得到特征编码矩阵；
关系图构建层，用于针对所述路面综合性能指标和与路面综合性能指标相关性大于预设相关阈值的影响因素参数，通过全连接图构建邻接矩阵；所述邻接矩阵用于表示所述特征编码矩阵中的各个元素的序列关系；
图神经网络学习层，用于基于所述邻接矩阵，对所述特征编码矩阵进行非线性变换，得到每个时刻上的第一输出向量；
GRU网络编码层，用于对所有时刻上的第一输出向量进行计算，得到各养护周期决策变量之间的时序依赖关系；
GRU网络解码层，用于对所述各养护周期决策变量之间的时序依赖关系进行计算，得到预设未来时间段的路面综合性能指标预测序列。
根据本发明提供的一种养护周期的预测方法，所述邻接矩阵是通过如下方式构建的，包括：
根据所述观测序列，计算所述养护周期决策变量两两之间的皮尔逊相关系数；
根据所述皮尔逊相关系数确定矩阵元素值；
基于各个矩阵元素值构建所述邻接矩阵。
根据本发明提供的一种养护周期的预测方法，所述路面综合性能指标预测模型采用预设损失函数训练，所述预设损失函数是基于所述邻接矩阵构建的。
根据本发明提供的一种养护周期的预测方法，所述预设损失函数为：
L＝L1+L2； (7)
其中，L1为路面综合性能指标预测序列的均方误差；L2为确定性先验约束函数；t表示时刻；h表示共有h个时刻；函数Ω表示矩阵与矩阵A*对应元素相减后的差值的平方求和；A*是：将与PQI、交通量、养护投入和太阳辐射强度四个变量相关的行与列对应元素置1后得到的矩阵；/>和A*都是将先验知识作为子图的邻接矩阵，只是A*中PQI、交通量、养护投入和太阳辐射强度的相关强度设置为1，/>中是所述路面综合性能指标预测模型的预测结果。
根据本发明提供的一种养护周期的预测方法，所述基本养护周期是通过如下方式计算得到的，包括：
采集目标路段在当前时刻的路面结构强度观测数据；
基于所述路面结构强度观测数据，利用路面结构强度衰变模型，计算得到基准年；
利用所述路面结构强度衰变模型计算得到所述路面结构强度观测数据衰减到预设控制阈值时所需要的衰减时间；
根据所述衰减时间与所述基准年的差值确定基本养护周期。
根据本发明提供的一种养护周期的预测方法，所述路面养护周期T为：
其中，Tb为基本养护周期；PQIh+j为路面综合性能指标(PQI)预测序列；为根据所述路面结构强度衰变模型计算出的路面结构强度预测序列；M是预测的时间步。
本发明还提供一种路面养护周期的预测装置，包括：
观测序列采集模块，用于对目标路段的多个养护周期决策变量进行采样，得到养护周期决策变量在当前时间段内的观测序列；所述养护周期决策变量包括路面综合性能指标和路面综合性能指标的影响因素参数；
路面综合性能指标预测模块，用于将所述观测序列输入路面综合性能指标预测模型中，得到所述路面综合性能指标预测模型输出的路面综合性能指标预测序列；
路面养护周期计算模块，用于基于所述路面综合性能指标预测序列和所述目标路段的基本养护周期，计算得到所述目标路段的路面养护周期；
其中，所述路面综合性能指标预测模型，用于表征路面综合性能指标与所述影响因素参数的相关性，对所述目标路段在预设未来时间段的路面综合性能指标进行预测；
所述路面综合性能指标预测模型是基于观测序列样本值、所述观测序列样本值对应的路面综合性能指标样本标签训练得到的。
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路面养护周期的预测方法。
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路面养护周期的预测方法。
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路面养护周期的预测方法。
本发明提供的路面养护周期的预测方法和装置，通过对目标路段的路面综合性能指标PQI及其影响因素进行采样得到观测序列，将观测序列输入路面综合性能指标预测模型，得到路面综合性能指标(PQI)预测序列，并基于PQI预测序列计算得到目标路段的路面养护周期。本实施例利用基于深度学习神经网络搭建的路面综合性能指标预测模型充分挖掘PQI与多个影响因素之间的关系，从而强化影响作用较大的影响因素在模型计算中的重要性，提高路面养护周期的评估准确性。
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是本发明提供的路面养护周期的预测方法的流程示意图；
图2是本发明提供的路面养护周期的预测方法的主体框架图；
图3是本发明提供的路面养护周期的预测装置的结构示意图；
图4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。
需要说明的是，在本发明实施例的描述中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本申请中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
下面结合图1-图2描述本发明的具体实施步骤。
在一个实施例中，如图1所示，提供了一种路面养护周期的预测方法，包括以下步骤：
步骤101，对目标路段的多个养护周期决策变量进行采样，得到养护周期决策变量在当前时间段内的观测序列；所述养护周期决策变量包括路面综合性能指标(PavementQuality or Performance Index，PQI)和路面综合性能指标的影响因素参数；
其中，路面综合性能指标(Pavement Quality or Performance Index，PQI)用于综合评价路面损坏、平整度、车辙、跳车、磨耗、抗滑性能和结构强度技术状况，是检验公路养护工作的重要指标。PQI的影响因素包括交通量、年降雨量、最高气温、最低气温、货车比例、养护投入和太阳辐射强度等，将这些影响因素设置为影响因素参数。路面综合性能指标PQI和上述影响因素参数共同决定了目标路段的养护周期。
具体地，采集并整理目标路段多个养护周期决策变量在当前时间段(从t1到th)内的观测序列D0。
相应地，如果是在训练阶段，则采集并整理目标路段的路面综合性能指标PQI及其影响因素参数在预设时间段(从t1到th+q)内的观测序列；上述影响因素参数和路面综合性能指标PQI共同组成数据集D＝[Dx，Dy]，其中，Dx记录各个指标(指标包括PQI及其影响因素参数)在t1到th的观测值，共h个时间点；Dy记录各个指标在th+1到th+q的观测值，共q个时间点；
作为一个示例，上述观测序列D的维度可以是8×(h+q)，Dx的维度可以是8×h，Dy的维度可以是8×q。其中的8代表8个指标，即PQI、交通量、年降雨量、最高气温、最低气温、货车比例、养护投入和太阳辐射强度。
步骤102，将上述观测序列输入路面综合性能指标预测模型中，得到所述路面综合性能指标预测模型输出的路面综合性能指标预测序列；
其中，路面综合性能指标预测模型，用于表征路面综合性能指标与所述影响因素参数的相关性，对目标路段在预设未来时间段的路面综合性能指标进行预测；上述路面综合性能指标预测模型是基于观测序列样本值、观测序列样本值对应的路面综合性能指标样本标签训练得到的。路面综合性能指标预测序列，也称PQI预测序列，即对路面综合性能指标PQI在预设未来时间段内的预测值序列。
具体地，将上述观测序列D或实时观测序列D0输入路面综合性能指标预测模型，得到其输出的在预设未来时间段内的路面综合性能指标预测序列，即PQI预测序列，在本实施例中表示为PQIh+j(j＝1，2，…，M，M为正整数)；
步骤103，基于上述路面综合性能指标预测序列PQIh+j和上述目标路段的基本养护周期，计算得到目标路段的路面养护周期。
其中，基本养护周期是预测路面养护周期的基准参数，在本实施例中用Tb表示。
具体地，本实施例使用的计算路面养护周期T的计算公式为：
其中，Tb为基本养护周期；PQIh+j为路面综合性能指标预测模型输出的PQI预测序列；为路面结构强度预测序列。路面结构强度PSSI的计算公式为：
PSSI＝f(t)＝AeBt； (2)
其中，t表示时间(以年为单位)，f(t)为PSSI的衰变函数，A和B均为衰变系数，可基于对目标路段的PSSI观测值，利用回归方法计算得到衰变系数A和B的值。
上述实施例，通过对目标路段的路面综合性能指标PQI及其影响因素进行采样得到观测序列，将观测序列输入路面综合性能指标预测模型，得到路面综合性能指标(PQI)预测序列，并基于PQI预测序列计算得到目标路段的路面养护周期。本实施例利用基于深度学习神经网络搭建的路面综合性能指标预测模型充分挖掘PQI与多个影响因素之间的关系，从而强化影响作用较大的影响因素在模型计算中的重要性，提高路面养护周期的评估准确性。
在一实施例中，如图2所示，图2展示了本发明的总体框架，上述路面综合性能指标预测模型包括(1)特征表示层、(2)关系图构建层、(3)图神经网络学习层、(4)GRU网络编码层和(5)GRU网络解码层；其中，
(1)特征表示层，用于基于多层感知机网络(Multilayer Perceptron，MLP)对上述观测序列D进行特征编码，得到特征编码矩阵Ei,t；
具体地，特征表示层，是将每个时间点上的PQI及其影响因素的取值通过多层感知机网络MLP分别进行编码，即：
Ei，t＝MLP(Di，t)； (3)
其中，Di，t表示观测序列D或D0中的第i行第t个时间点的取值，也就是第i个参数的第t个时间点的取值；MLP表示多层感知机网络；Ei，t表示第i个参数的第t个时间点的取值对应的特征向量，特征编码矩阵Ei，t如图2中的E1……Eh所示。
示例性地，E是特征编码矩阵，维度可以是[8，8]，即每个观测值对应的特征向量长度是8。也就是说，上述特征表示层的输入数据维度是1，输出数据维度是8。
(2)关系图构建层，用于针对所述路面综合性能指标和与路面综合性能指标相关性大于预设相关阈值的影响因素参数，通过全连接图构建邻接矩阵；所述邻接矩阵用于表示所述特征编码矩阵中的各个元素的序列关系。
这里的关系，即上述PQI及其影响因素所构成的养护周期决策变量之间的相关关系。针对上述养护周期决策变量对应的观测序列之间关系的复杂性，本发明采用图结构来表示它们之间的关系，构建观测序列关系图的邻接矩阵At(i，j)为：
其中，α为预设相关阈值，可根据实验数据灵活设置，通常可以为0.5；Ei，t和Ej，t为观测序列D或D0的特征编码矩阵，其中，Ei，t为D或D0中第i个变量(或称指标)的特征编码矩阵；Ej，t为D或D0中第j个变量(或称指标)的特征编码矩阵。
由上述公式可以看出，本发明采用的是动态图构建方式，即每个时刻根据各变量的观测值的表示向量构建图。
进一步地，在本实施例中，通过相关性分析选取多个养护周期决策变量中与PQI关系较强的影响因素参数构建全连接图。作为一个示例，本实施例采用皮尔逊相关系数分析上述8个养护周期决策变量对应的观测序列之间的关系，并得出结论：PQI与交通量、养护投入、太阳辐射强度、降雨量之间的关联关系较强。在此，可将PQI、交通量、养护投入和太阳辐射强度四个变量通过全连接图进行建模，并将整个全连接图作为At(i，j)的约束条件。
本发明通过相关性分析确定影响较大的变量，PQI、交通量、养护投入和太阳辐射强度四个变量建模为全连接图，这种方式也称为确定性先验，因为它们之间的关系是非常明显的。
(3)图神经网络学习层，用于基于所述邻接矩阵，对所述特征编码矩阵进行非线性变换，得到每个时刻上的第一输出向量。
具体地，对于上述关系图构建层对每个时刻上的变量值进行构建得到的变量关系图，例如针对t1时刻的PQI值、交通量值、养护投入值、太阳辐射强度值构建关系图，图神经网络学习层将每个时刻上的变量关系图作为本层的输入，对各变量之间的相关关系进行表示学习。
作为一个示例，本实施例中采用经典的图神经网络(Graph ConvolutionalNetwork，GCN)进行学习，得到每个时刻的第一输出向量Gt，即：
Gt＝GCN(At(i，j))； (5)
其中，At(i，j)为时刻t的变量关系邻接矩阵；每个时刻的第一输出向量Gt，维度为1×16，即长度为16的向量。
(4)GRU网络编码层，用于对所有时刻上的第一输出向量进行计算，得到各养护周期决策变量之间的时序依赖关系；
本实施例采用经验的GRU网络进行表示学习，GRU(Gated Recurrent Unit，门控循环单元)是一种常用的门控循环神经网络，用于挖掘各养护周期决策变量在h+q个时刻之间的时序依赖关系。这里设置GRU网络编码层的层数为1，每个GRU单元的输入维度是16，输出维度是16。
(5)GRU网络解码层，用于对所述各养护周期决策变量之间的时序依赖关系进行计算，得到预设未来时间段的路面综合性能指标预测序列。
具体地，GRU网络解码层，是实现未来M个时刻的PQI预测。
特别地，以训练阶段作为示例，GRU网络解码层，是实现未来q个时刻的PQI预测。GRU网络解码层，也是采用经典的GRU网络进行预测，其设置层数为1，每个GRU单元的输入维度是16，输出维度是1。GRU网络解码层的输出是PQI序列，即[PQIh+1，PQIh+2，……，PQIh+M]，序列的长度是M，M＝Ceiling(Te)，即对路面结构强度PSSI的衰减时间Te向上取整。衰减时间Te是指路面结构强度PSSI逐渐衰减到预设阈值时所对应的时间。
上述实施例，通过分别构建特征表示层、关系图构建层、图神经网络学习层、GRU网络编码层和GRU网络解码层，得到路面综合性能指标预测模型的总体框架，并基于图神经网络完成各个养护周期决策变量之间的关系建模，为特征表示以及PQI预测提供模型基础。
在一实施例中，上述邻接矩阵At(i，j)是通过如下方式构建的，包括：根据上述观测序列D，计算养护周期决策变量两两之间的皮尔逊相关系数；根据皮尔逊相关系数确定矩阵元素值；基于各个矩阵元素值构建所述邻接矩阵。
其中，皮尔逊相关系数，在统计学中用于度量两个变量X和Y之间的相关度(线性相关)，其值介于-1与1之间。
上述实施例，利用皮尔逊相关系数分析各变量之间的相关度，从而确定与PQI相关度较高的影响因素参数，有利于提高PQI预测的准确度。
在一实施例中，上述路面综合性能指标预测模型采用预设损失函数训练，该预设损失函数是基于上述邻接矩阵At(i，j)构建的。
具体地，本实施例将PQI、交通量、养护投入和太阳辐射强度四个变量通过全连接图进行建模，并将整个全连接图作为At(i，j)的约束条件，展开来说，即基于上述邻接矩阵构建确定性先验约束L2，L2的计算公式为：
其中，L2为确定性先验约束函数；t表示时刻；h表示共有h个时刻；函数Ω表示矩阵与矩阵A*对应元素相减后的差值的平方求和；A*是：将与PQI、交通量、养护投入和太阳辐射强度四个变量相关的行与列对应元素置1后的矩阵；/>是邻接矩阵At中，将与PQI、交通量、养护投入和太阳辐射强度四个变量无关的行与列对应元素置0后的矩阵；/>和A*都是将先验知识作为子图的邻接矩阵，只是A*中PQI、交通量、养护投入和太阳辐射强度的相关强度设置为1，/>中是所述路面综合性能指标预测模型的预测结果。
在一实施例中，本发明所采用的预设损失函数包括两部分，具体可表示为：
L＝L1+L2； (7)
其中，L1为路面综合性能指标预测序列的均方误差，L2为上述确定性先验约束函数。在L2中，是邻接矩阵At中，将与PQI、交通量、养护投入和太阳辐射强度四个变量无关的行与列对应元素置0后的矩阵；A*为将邻接矩阵At中，与PQI、交通量、养护投入和太阳辐射强度四个变量相关的行与列对应元素置1后的矩阵。/>和A*都是将先验知识作为子图的邻接矩阵，只是A*中PQI、交通量、养护投入和太阳辐射强度的相关强度设置为1，/>中是所述路面综合性能指标预测模型的预测结果。L2的目的就是强制约束模型预测过程中学习到的图中PQI、交通量、养护投入和太阳辐射四个变量要满足强相关。
上述实施例，通过构造满足强相关的损失函数，保证了模型预测结果的准确性。
在一实施例中，上述基本养护周期Tb是通过如下方式计算得到的，包括：采集目标路段在当前时刻的路面结构强度观测数据(PSSI)；基于所述路面结构强度观测数据(PSSI)，利用路面结构强度衰变模型，计算得到基准年T0；利用所述路面结构强度衰变模型计算得到所述路面结构强度观测数据(PSSI)衰减到预设控制阈值时所需要的PSSI衰减时间Te；根据PSSI衰减时间Te与基准年T0的差值确定基本养护周期Tb。
其中，路面结构强度(Pavement Structure Strength Index，PSSI)用于表示路面结构抵御外部荷载及环境因素作用，保持自身状况完好的程度。
对于基本养护周期Tb的计算，需要知道两个时间，第一个是基准年T0，第二个就是路面结构强度PSSI的衰减时间Te，即PSSI逐渐衰减到预设控制阈值时所需要的时间。定义基本养护周期Tb为：
Tb＝f(Te，T0)＝Te-T0； (8)
为了计算基本养护周期Tb，首先采集目标路段在当前时刻Ti的路面结构强度观测数据，即PSSI观测数据，记为Pi；基于该PSSI观测数据Pi，利用路面结构强度衰变模型，计算得到基准年T0。其中，路面结构强度衰变模型f(t)可表述为上述公式(2)：PSSI＝f(t)＝AeBt；
其中，A和B均为衰变函数f(t)的衰变系数，可基于PSSI观测值，利用回归方法求得A和B的值。确定A和B的取值后，则根据上式可得到时间t的函数：
记当前时刻Ti的路面结构强度观测数据为Pi，则根据上述公式，可以得到基准年T0：
同理，利用，上述路面结构强度衰变模型f(t)计算得到当前路面结构强度观测数据Pi衰减到预设控制阈值时所需要的衰减时间Te：
其中，预设控制阈值Threshold，按照国家标准设置为80。
最后，根据上述公式Tb＝f(Te，T0)＝Te-T0计算得到基本养护周期Tb。
上述实施例，通过路面结构强度衰变模型f(t)计算得到基准年T0和当前路面结构强度观测数据Pi衰减到预设控制阈值时所需要的衰减时间Te，进而计算得到目标路段的基本养护周期Tb，为后续计算目标路段的路面养护周期T提供数据基础。
下面对本发明提供的路面养护周期的预测装置进行描述，下文描述的路面养护周期的预测装置与上文描述的路面养护周期的预测方法可相互对应参照。
在一个实施例中，如图3所示，提供了一种路面养护周期的预测装置，包括：观测序列采集模块301、路面综合性能指标预测模块302和路面养护周期计算模块303，其中，
观测序列采集模块301，用于对目标路段的多个养护周期决策变量进行采样，得到养护周期决策变量在当前时间段内的观测序列；所述养护周期决策变量包括路面综合性能指标和路面综合性能指标的影响因素参数；
路面综合性能指标预测模块302，用于将所述观测序列输入路面综合性能指标预测模型中，得到所述路面综合性能指标预测模型输出的路面综合性能指标预测序列；
路面养护周期计算模块303，用于基于所述路面综合性能指标预测序列和所述目标路段的基本养护周期，计算得到所述目标路段的路面养护周期；
其中，所述路面综合性能指标预测模型，用于表征路面综合性能指标与所述影响因素参数的相关性，对所述目标路段在预设未来时间段的路面综合性能指标进行预测；
所述路面综合性能指标预测模型是基于观测序列样本值、所述观测序列样本值对应的路面综合性能指标样本标签训练得到的。
本发明实施例提供的路面养护周期的预测装置，通过对目标路段的路面综合性能指标PQI及其影响因素进行采样得到观测序列，将观测序列输入路面综合性能指标预测模型，得到路面综合性能指标(PQI)预测序列，并基于PQI预测序列计算得到目标路段的路面养护周期。本实施例利用基于深度学习神经网络搭建的路面综合性能指标预测模型充分挖掘PQI与多个影响因素之间的关系，从而强化影响作用较大的影响因素在模型计算中的重要性，提高路面养护周期的评估准确性。
在一实施例中，上述路面综合性能指标预测模块302，包括：
特征表示层，用于基于多层感知机网络对所述观测序列进行特征编码，得到特征编码矩阵；
关系图构建层，用于针对所述路面综合性能指标和与路面综合性能指标相关性大于预设相关阈值的影响因素参数，通过全连接图构建邻接矩阵；所述邻接矩阵用于表示所述特征编码矩阵中的各个元素的序列关系；
图神经网络学习层，用于基于所述邻接矩阵，对所述特征编码矩阵进行非线性变换，得到每个时刻上的第一输出向量；
GRU网络编码层，用于对所有时刻上的第一输出向量进行计算，得到各养护周期决策变量之间的时序依赖关系；
GRU网络解码层，用于对所述各养护周期决策变量之间的时序依赖关系进行计算，得到预设未来时间段的路面综合性能指标预测序列。
在一实施例中，上述路面综合性能指标预测模块302，进一步用于：根据所述观测序列，计算所述养护周期决策变量两两之间的皮尔逊相关系数；根据所述皮尔逊相关系数确定矩阵元素值；基于各个矩阵元素值构建所述邻接矩阵。
在一实施例中，所述路面综合性能指标预测模型采用预设损失函数训练，所述预设损失函数是基于所述邻接矩阵构建的。
在一实施例中，所述预设损失函数如上述公式(6)、(7)所示，此处不再赘述。
在一实施例中，上述路面养护周期计算模块303，还用于：采集目标路段在当前时刻的路面结构强度观测数据；基于所述路面结构强度观测数据，利用路面结构强度衰变模型，计算得到基准年；利用所述路面结构强度衰变模型计算得到所述路面结构强度观测数据衰减到预设控制阈值时所需要的衰减时间；根据所述衰减时间与所述基准年的差值确定基本养护周期。
在一实施例中，上述路面养护周期T的计算公式如公式(1)所示，此处不再赘述。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行路面养护周期的预测方法，该方法包括：对目标路段的多个养护周期决策变量进行采样，得到养护周期决策变量在当前时间段内的观测序列；养护周期决策变量包括路面综合性能指标和路面综合性能指标的影响因素参数；将观测序列输入路面综合性能指标预测模型中，得到路面综合性能指标预测模型输出的路面综合性能指标预测序列；基于路面综合性能指标预测序列和目标路段的基本养护周期，计算得到目标路段的路面养护周期；其中，路面综合性能指标预测模型是基于观测序列样本值、所述观测序列样本值对应的路面综合性能指标样本标签训练得到的。
此外，上述的存储器430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路面养护周期的预测方法，该方法包括：对目标路段的多个养护周期决策变量进行采样，得到养护周期决策变量在当前时间段内的观测序列；养护周期决策变量包括路面综合性能指标和路面综合性能指标的影响因素参数；将观测序列输入路面综合性能指标预测模型中，得到路面综合性能指标预测模型输出的路面综合性能指标预测序列；基于路面综合性能指标预测序列和目标路段的基本养护周期，计算得到目标路段的路面养护周期；其中，路面综合性能指标预测模型是基于观测序列样本值、所述观测序列样本值对应的路面综合性能指标样本标签训练得到的。
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路面养护周期的预测方法，该方法包括：对目标路段的多个养护周期决策变量进行采样，得到养护周期决策变量在当前时间段内的观测序列；养护周期决策变量包括路面综合性能指标和路面综合性能指标的影响因素参数；将观测序列输入路面综合性能指标预测模型中，得到路面综合性能指标预测模型输出的路面综合性能指标预测序列；基于路面综合性能指标预测序列和目标路段的基本养护周期，计算得到目标路段的路面养护周期；其中，路面综合性能指标预测模型是基于观测序列样本值、所述观测序列样本值对应的路面综合性能指标样本标签训练得到的。
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 (9)
1.一种路面养护周期的预测方法，其特征在于，包括：
对目标路段的多个养护周期决策变量进行采样，得到养护周期决策变量在当前时间段内的观测序列；所述养护周期决策变量包括路面综合性能指标和路面综合性能指标的影响因素参数；
将所述观测序列输入路面综合性能指标预测模型中，得到所述路面综合性能指标预测模型输出的路面综合性能指标预测序列；
基于所述路面综合性能指标预测序列和所述目标路段的基本养护周期，计算得到所述目标路段的路面养护周期；
其中，所述路面综合性能指标预测模型，用于表征路面综合性能指标与所述影响因素参数的相关性，对所述目标路段在预设未来时间段的路面综合性能指标进行预测；
所述路面综合性能指标预测模型是基于观测序列样本值、所述观测序列样本值对应的路面综合性能指标样本标签训练得到的；
其中，所述路面综合性能指标预测模型包括：
特征表示层，用于基于多层感知机网络对所述观测序列进行特征编码，得到特征编码矩阵；
关系图构建层，用于针对所述路面综合性能指标和与路面综合性能指标相关性大于预设相关阈值的影响因素参数，通过全连接图构建邻接矩阵；所述邻接矩阵用于表示所述特征编码矩阵中的各个元素的序列关系；
图神经网络学习层，用于基于所述邻接矩阵，对所述特征编码矩阵进行非线性变换，得到每个时刻上的第一输出向量；
GRU网络编码层，用于对所有时刻上的第一输出向量进行计算，得到各养护周期决策变量之间的时序依赖关系；
GRU网络解码层，用于对所述各养护周期决策变量之间的时序依赖关系进行计算，得到预设未来时间段的路面综合性能指标预测序列。
2.根据权利要求1所述的路面养护周期的预测方法，其特征在于，所述邻接矩阵是通过如下方式构建的，包括：
根据所述观测序列，计算所述养护周期决策变量两两之间的皮尔逊相关系数；
根据所述皮尔逊相关系数确定矩阵元素值；
基于各个矩阵元素值构建所述邻接矩阵。
3.根据权利要求2所述的路面养护周期的预测方法，其特征在于，所述路面综合性能指标预测模型采用预设损失函数训练，所述预设损失函数是基于所述邻接矩阵构建的。
4.根据权利要求3所述的路面养护周期的预测方法，其特征在于，所述预设损失函数为：
L＝L1+L2； (7)
其中，L1为路面综合性能指标预测序列的均方误差；L2为确定性先验约束函数；t表示时刻；h表示共有h个时刻；函数Ω表示矩阵与矩阵A*对应元素相减后的差值的平方求和；A*是：将与PQI、交通量、养护投入和太阳辐射强度四个变量相关的行与列对应元素置1后得到的矩阵；/>是所述路面综合性能指标预测模型的预测结果。
5.根据权利要求1所述的路面养护周期的预测方法，其特征在于，所述基本养护周期是通过如下方式计算得到的，包括：
采集目标路段在当前时刻的路面结构强度观测数据；
基于所述路面结构强度观测数据，利用路面结构强度衰变模型，计算得到基准年；
利用所述路面结构强度衰变模型计算得到所述路面结构强度观测数据衰减到预设控制阈值时所需要的衰减时间；
根据所述衰减时间与所述基准年的差值确定基本养护周期。
6.根据权利要求5所述的路面养护周期的预测方法，其特征在于，所述路面养护周期T为：
其中，Tb为基本养护周期；PQIh+j为路面综合性能指标(PQI)预测序列；为根据所述路面结构强度衰变模型计算出的路面结构强度预测序列；M是预测的时间步。
7.一种路面养护周期的预测装置，其特征在于，包括：
观测序列采集模块，用于对目标路段的多个养护周期决策变量进行采样，得到养护周期决策变量在当前时间段内的观测序列；所述养护周期决策变量包括路面综合性能指标和路面综合性能指标的影响因素参数；
路面综合性能指标预测模块，用于将所述观测序列输入路面综合性能指标预测模型中，得到所述路面综合性能指标预测模型输出的路面综合性能指标预测序列；
路面养护周期计算模块，用于基于所述路面综合性能指标预测序列和所述目标路段的基本养护周期，计算得到所述目标路段的路面养护周期；
其中，所述路面综合性能指标预测模型，用于表征路面综合性能指标与所述影响因素参数的相关性，对所述目标路段在预设未来时间段的路面综合性能指标进行预测；
所述路面综合性能指标预测模型是基于观测序列样本值、所述观测序列样本值对应的路面综合性能指标样本标签训练得到的；
其中，所述路面综合性能指标预测模块包括：
特征表示层，用于基于多层感知机网络对所述观测序列进行特征编码，得到特征编码矩阵；
关系图构建层，用于针对所述路面综合性能指标和与路面综合性能指标相关性大于预设相关阈值的影响因素参数，通过全连接图构建邻接矩阵；所述邻接矩阵用于表示所述特征编码矩阵中的各个元素的序列关系；
图神经网络学习层，用于基于所述邻接矩阵，对所述特征编码矩阵进行非线性变换，得到每个时刻上的第一输出向量；
GRU网络编码层，用于对所有时刻上的第一输出向量进行计算，得到各养护周期决策变量之间的时序依赖关系；
GRU网络解码层，用于对所述各养护周期决策变量之间的时序依赖关系进行计算，得到预设未来时间段的路面综合性能指标预测序列。
8.一种电子设备，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6任一项所述路面养护周期的预测方法。
9.一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6任一项所述路面养护周期的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310188693.0A CN116362714B (zh) | 2023-02-21 | 2023-02-21 | 路面养护周期的预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310188693.0A CN116362714B (zh) | 2023-02-21 | 2023-02-21 | 路面养护周期的预测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116362714A CN116362714A (zh) | 2023-06-30 |
| CN116362714B true CN116362714B (zh) | 2023-11-03 |
Family
ID=86939053
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310188693.0A Active CN116362714B (zh) | 2023-02-21 | 2023-02-21 | 路面养护周期的预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116362714B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109993223A (zh) * | 2019-03-26 | 2019-07-09 | 南京道润交通科技有限公司 | 路面使用性能预测方法、存储介质、电子设备 |
| 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 |
| CN113065722A (zh) * | 2021-05-08 | 2021-07-02 | 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 |
| WO2022077767A1 (zh) * | 2020-10-16 | 2022-04-21 | 深圳先进技术研究院 | 交通流量预测方法及装置、计算机设备及可读存储介质 |
| CN115048862A (zh) * | 2022-06-07 | 2022-09-13 | 东南大学 | 一种基于多元传递熵和图神经网络的沥青路面车辙预测方法 |
| CN115374903A (zh) * | 2022-06-19 | 2022-11-22 | 山东高速集团有限公司 | 一种基于高速公路传感网布设的长期路面监测数据增强方法 |
-
2023
- 2023-02-21 CN CN202310188693.0A patent/CN116362714B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109993223A (zh) * | 2019-03-26 | 2019-07-09 | 南京道润交通科技有限公司 | 路面使用性能预测方法、存储介质、电子设备 |
| 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 |
| WO2022077767A1 (zh) * | 2020-10-16 | 2022-04-21 | 深圳先进技术研究院 | 交通流量预测方法及装置、计算机设备及可读存储介质 |
| CN113065722A (zh) * | 2021-05-08 | 2021-07-02 | 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 |
| CN115048862A (zh) * | 2022-06-07 | 2022-09-13 | 东南大学 | 一种基于多元传递熵和图神经网络的沥青路面车辙预测方法 |
| CN115374903A (zh) * | 2022-06-19 | 2022-11-22 | 山东高速集团有限公司 | 一种基于高速公路传感网布设的长期路面监测数据增强方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于灰色系统的高速公路沥青路面综合使用性能预测;范喜安;;国防交通工程与技术(04);第24-27页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116362714A (zh) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116451879B (zh) | 一种干旱风险预测方法、系统及电子设备 | |
| CN111612029B (zh) | 机载电子产品故障预测方法 | |
| CN110824915A (zh) | 基于ga-dbn网络的废水处理智能监控方法及系统 | |
| CN107133400A (zh) | 一种飞机结构疲劳可靠度贝叶斯组合预测方法 | |
| CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
| CN108595803A (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
| CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
| CN107798431A (zh) | 一种基于改进Elman神经网络的中长期径流预报方法 | |
| CN109726517A (zh) | 一种基于多变量关联数据的设备剩余寿命预测方法 | |
| 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 | |
| CN114358435A (zh) | 双阶段时空注意力机制的污染源-水质预测模型权重影响计算方法 | |
| CN114091600B (zh) | 一种数据驱动的卫星关联故障传播路径辨识方法及系统 | |
| CN115495991A (zh) | 一种基于时间卷积网络的降水区间预测方法 | |
| CN114510870B (zh) | 一种城市轨道交通地下结构的剩余寿命预测方法及装置 | |
| CN113918538A (zh) | 一种基于人工神经网络的新建道路养护数据迁移系统 | |
| CN110782083B (zh) | 基于深度Croston方法的航空发动机备用需求预测方法 | |
| CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
| CN115948964A (zh) | 一种基于ga-bp神经网络的路面平整度预测方法 | |
| CN115456245A (zh) | 一种感潮河网区溶解氧预测方法 | |
| CN116362714B (zh) | 路面养护周期的预测方法和装置 | |
| CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
| CN111582634B (zh) | 一种地下大空间施工多因素安全分级方法及系统 | |
| CN117636467A (zh) | 一种动作质量的评估方法、装置、电子设备及存储介质 | |
| CN113393102B (zh) | 一种基于数据驱动的配电变压器运行状态趋势预测方法 | |
| CN114720129A (zh) | 一种基于双向gru的滚动轴承剩余寿命预测方法及系统 |
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 |