CN116703037B - 一种基于道路施工的监控方法及装置 - Google Patents
一种基于道路施工的监控方法及装置 Download PDFInfo
- Publication number
- CN116703037B CN116703037B CN202310820356.9A CN202310820356A CN116703037B CN 116703037 B CN116703037 B CN 116703037B CN 202310820356 A CN202310820356 A CN 202310820356A CN 116703037 B CN116703037 B CN 116703037B
- Authority
- CN
- China
- Prior art keywords
- asphalt temperature
- historical
- asphalt
- value
- data
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 101
- 238000012544 monitoring process Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 230000000295 complement effect Effects 0.000 claims abstract description 22
- 239000010426 asphalt Substances 0.000 claims description 418
- 230000007704 transition Effects 0.000 claims description 27
- 230000000153 supplemental effect Effects 0.000 claims description 17
- 230000001502 supplementing effect Effects 0.000 claims description 16
- 239000013589 supplement Substances 0.000 claims description 15
- 238000000556 factor analysis Methods 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 50
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000243 photosynthetic effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Road Paving Machines (AREA)
Abstract
本申请提供一种基于道路施工的监控方法及装置,通过对历史沥青温度数据进行校正得到历史沥青温度数据补充集,将所述历史沥青温度数据补充集分解为多个历史沥青温度数据补充集分量,确定对应多个历史沥青温度数据补充集分量的相应多个历史影响因子数据补充集分量,进而得到对沥青温度进行预测的训练样本集和测试样本集,由该训练样本集得到沥青温度影响因子最优度,进而得到沥青温度判定值,当沥青温度判定值处于沥青正常温度阈值段,发出正常施工信息,当沥青温度判定值低于沥青正常温度阈值段或超过沥青正常温度阈值段,则发出立即停止施工的预警信息,可在采用沥青进行道路施工的过程中,若沥青温度异常时可提前预警,防止施工事故的发生。
Description
技术领域
本申请涉及监控技术领域,更具体的说,本申请涉及一种基于道路施工的监控方法及装置。
背景技术
监控技术是指通过使用各种传感器、设备和系统来实时监测、检测和记录特定环境、过程、系统或活动的状态、行为和性能的技术。它旨在收集和分析数据以实现:实时监测目标对象或系统的状态和行为;通过应用数据分析技术,识别出潜在的问题、异常行为或趋势,一旦监测到异常或超过预设范围,可以发出警报或触发相应的动作,监控人员可以实时监控和干预,无需亲自在现场,监控技术在许多领域都有广泛的应用,如工业过程监控、环境监测、交通监控、安防监控、健康监测等。
道路施工的监控是指在道路施工过程中采用各种监控技术和方法来实时监测、评估和管理施工活动,以确保施工项目按照安全合规的进行,并提供准确的数据和信息用于决策和调整,现有的道路施工的监控方法是根据实时监控画面对道路施工进行监控,但对于采用沥青进行道路施工的过程中,若沥青温度异常时并不能提前预警,待等到实时监控画面发现道路施工过程中沥青温度异常时,则可能已造成比较严重的事故。
发明内容
本申请提供一种基于道路施工的监控方法及装置,以解决采用沥青进行道路施工的过程中,沥青温度异常时不能提前预警的技术问题。
为解决上述技术问题,本申请采用如下技术方案:
第一方面,本申请提供一种基于道路施工的监控方法,包括如下步骤:
启动道路施工监控,获取道路施工时的历史沥青温度数据集,对所述历史沥青温度数据进行校正得到历史沥青温度数据补充集;
将所述历史沥青温度数据补充集分解为多个历史沥青温度数据补充集分量,确定对应多个历史沥青温度数据补充集分量的相应多个历史影响因子数据补充集分量,将该多个历史沥青温度数据补充集分量和相应多个历史影响因子数据补充集分量划分为对沥青温度进行预测的训练样本集和测试样本集;
由所述对沥青温度进行预测的训练样本集得到沥青温度影响因子最优度,进而确定沥青温度影响因子最优度对应的权值系数,对所述权值系数和对沥青温度进行预测的测试样本集分别进行计算,得到多个沥青温度预测预值,对所述多个沥青温度预测预值和每个沥青温度预测预值对应的实时沥青温度值进行拟合,确定多个沥青温度预测值,对所述多个沥青温度预测值进行求和,得到沥青温度判定值;
当沥青温度判定值处于沥青正常温度阈值段,则发出维持正常施工信息,当沥青温度判定值低于沥青正常温度阈值段或超过沥青正常温度阈值段,则发出立即停止施工的预警信息。
在一些实施例中,对所述历史沥青温度数据进行校正得到历史沥青温度数据补充集具体包括:
确定获取的历史沥青温度数据集中前后数据差值的阈值;
若前后数据差值超过阈值,则采用沥青温度就近值对所述前后数据差值对应的历史沥青温度数据进行补充,依此类推,直至前后数据差值低于阈值;
将补充后的历史沥青温度数据集作为历史沥青温度数据补充集。
在一些实施例中,确定沥青温度就近值采用下述步骤:
确定第个公共因子在第/>个影响指标上的实测沥青温度值/>;
确定第个公共因子在第/>个影响指标上的比重系数/>;
确定第个公共因子在因子分析中的贡献值/>;
根据所述第个公共因子在第/>个影响指标上的实测沥青温度值/>、所述第/>个公共因子在第/>个影响指标上的比重系数/>和所述第/>个公共因子在因子分析中的贡献值/>确定沥青温度就近值,其中沥青温度就近值采用下述公式确定:
其中,表示沥青温度就近值,/>,/>。
在一些实施例中,将所述历史沥青温度数据补充集分解为多个历史沥青温度数据补充集分量具体包括:
获取所述历史沥青温度数据补充集中沥青温度极大值和沥青温度极小值,由所述沥青温度极大值和所述沥青温度极小值确定沥青温度上包围曲线和沥青温度下包围曲线;
对所述沥青温度上包围曲线和所述沥青温度下包围曲线计算差值,得到沥青温度数据补充集过渡分量;
由所述沥青温度数据补充集过渡分量确定过渡分量值,若所述过渡分量值超过设定阈值,则将所述沥青温度数据补充集过渡分量作为第一个历史沥青温度数据补充集分量;
将所述历史沥青温度数据补充集减去第一个历史沥青温度数据补充集分量,得到第一个过渡沥青温度数据补充集,将第一个过渡沥青温度数据补充集重复上述由所述历史沥青温度数据补充集确定第一个历史沥青温度数据补充集分量的步骤,直至达到最大迭代次数,得到多个历史沥青温度数据补充集分量。
在一些实施例中,确定过渡分量值采用下述公式:
其中,表示过渡分量值,/>表示/>时刻第/>个沥青温度数据补充集过渡分量,/>表示/>时刻第/>个沥青温度数据补充集过渡分量,。
在一些实施例中,若拟合值超过设定阈值,则将所述沥青温度预测预值作为沥青温度预测值。
在一些实施例中,所述历史沥青温度数据集中的数据按照时间由远及近排序。
第二方面,本申请提供基于道路施工的监控装置,包括有道路施工监控单元,所述道路施工监控单元包括:
历史沥青温度数据补充集确定模块,用于启动道路施工监控,获取道路施工时的历史沥青温度数据集,对所述历史沥青温度数据进行校正得到历史沥青温度数据补充集;
分量划分模块,用于将所述历史沥青温度数据补充集分解为多个历史沥青温度数据补充集分量,确定对应多个历史沥青温度数据补充集分量的相应多个历史影响因子数据补充集分量,将该多个历史沥青温度数据补充集分量和相应多个历史影响因子数据补充集分量划分为对沥青温度进行预测的训练样本集和测试样本集;
沥青温度判定值确定模块,用于由所述对沥青温度进行预测的训练样本集得到沥青温度影响因子最优度,进而确定沥青温度影响因子最优度对应的权值系数,对所述权值系数和对沥青温度进行预测的测试样本集分别进行计算,得到多个沥青温度预测预值,对所述多个沥青温度预测预值和每个沥青温度预测预值对应的实时沥青温度值进行拟合,确定多个沥青温度预测值,对所述多个沥青温度预测值进行求和,得到沥青温度判定值;
道路施工控制模块,用于当沥青温度判定值处于沥青正常温度阈值段,则发出维持正常施工信息,当沥青温度判定值低于沥青正常温度阈值段或超过沥青正常温度阈值段,则发出立即停止施工的预警信息。
第三方面,本申请提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有代码,所述处理器被配置为获取所述代码,并执行上述的基于道路施工的监控方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的基于道路施工的监控方法。
本申请公开的实施例提供的技术方案具有以下有益效果:
本申请提供的基于道路施工的监控方法及装置中,首先启动道路施工监控,获取道路施工时的历史沥青温度数据集,对所述历史沥青温度数据进行校正得到历史沥青温度数据补充集,将所述历史沥青温度数据补充集分解为多个历史沥青温度数据补充集分量,确定对应多个历史沥青温度数据补充集分量的相应多个历史影响因子数据补充集分量,将该多个历史沥青温度数据补充集分量和相应多个历史影响因子数据补充集分量划分为对沥青温度进行预测的训练样本集和测试样本集,由所述对沥青温度进行预测的训练样本集得到沥青温度影响因子最优度,进而确定沥青温度影响因子最优度对应的权值系数,对所述权值系数和对沥青温度进行预测的测试样本集分别进行计算,得到多个沥青温度预测预值,对所述多个沥青温度预测预值和每个沥青温度预测预值对应的实时沥青温度值进行拟合,确定多个沥青温度预测值,对所述多个沥青温度预测值进行求和,得到沥青温度判定值,当沥青温度判定值处于沥青正常温度阈值段,则发出维持正常施工信息,当沥青温度判定值低于沥青正常温度阈值段或超过沥青正常温度阈值段,则发出立即停止施工的预警信息,上述方案中通过将所述历史沥青温度数据补充集分解为多个历史沥青温度数据补充集分量,能够得到对沥青温度进行预测的训练样本集和测试样本集,从而由所述对沥青温度进行预测的训练样本集得到沥青温度影响因子最优度确定沥青温度预测预值,最终得到沥青温度判定值,并根据沥青温度判定值,在沥青温度异常时,例如沥青温度判定值低于沥青正常温度阈值段或超过沥青正常温度阈值段发出立即停止施工的预警信号,从而在采用沥青进行道路施工的过程中,若沥青温度异常时可以提前预警,防止施工事故的发生。
附图说明
图1是根据本申请一些实施例所示的基于道路施工的监控方法的示例性流程图;
图2是根据本申请一些实施例所示的道路施工监控单元的示例性硬件和/或软件的示意图;
图3是根据本申请一些实施例所示的实现基于道路施工的监控方法的计算机设备的结构示意图。
具体实施方式
本申请基于道路施工的监控方法核心是启动道路施工监控,获取道路施工时的历史沥青温度数据集,对所述历史沥青温度数据进行校正得到历史沥青温度数据补充集,将所述历史沥青温度数据补充集分解为多个历史沥青温度数据补充集分量,确定对应多个历史沥青温度数据补充集分量的相应多个历史影响因子数据补充集分量,将该多个历史沥青温度数据补充集分量和相应多个历史影响因子数据补充集分量划分为对沥青温度进行预测的训练样本集和测试样本集,由所述对沥青温度进行预测的训练样本集得到沥青温度影响因子最优度,进而确定沥青温度影响因子最优度对应的权值系数,对所述权值系数和对沥青温度进行预测的测试样本集分别进行计算,得到多个沥青温度预测预值,对所述多个沥青温度预测预值和每个沥青温度预测预值对应的实时沥青温度值进行拟合,确定多个沥青温度预测值,对所述多个沥青温度预测值进行求和,得到沥青温度判定值,当沥青温度判定值处于沥青正常温度阈值段,则发出维持正常施工信息,当沥青温度判定值低于沥青正常温度阈值段或超过沥青正常温度阈值段,则发出立即停止施工的预警信息,上述方案可以在采用沥青进行道路施工的过程中,若沥青温度异常时可以提前预警,防止施工事故的发生。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。参考图1,该图是根据本申请一些实施例所示的基于道路施工的监控方法的示例性流程图,该基于道路施工的监控方法100主要包括如下步骤:
在步骤S101,启动道路施工监控,获取道路施工时的历史沥青温度数据集,对历史沥青温度数据进行校正得到历史沥青温度数据补充集。
具体实现时,将采集的历史沥青温度数据进行存储和备份,启动道路施工监控后,获取道路施工时的历史沥青温度数据集时,可直接从存储文件中读取,将历史沥青温度数据集中的数据按照时间由远及近排序,需要说明的是,采集道路施工时的历史沥青温度可采用现有技术中的智能颗粒进行沥青温度采集,这里不在赘述。
在一些实施例中,对历史沥青温度数据进行校正得到历史沥青温度数据补充集可采用下述方式实现,即:
确定获取的历史沥青温度数据集中前后数据差值的阈值;
若前后数据差值超过阈值,则采用沥青温度就近值对所述前后数据差值对应的历史沥青温度数据进行补充,依此类推,直至前后数据差值低于阈值;
将补充后的历史沥青温度数据集作为历史沥青温度数据补充集。
需要说明的是,基于相似时间段内天气条件相似概率较高,建立就近原则体系,沥青的温度在相似天气条件下也具有一定规律,故以相似时间相似天气为评价对象,将监控系统采集的气象指标:大气压强、空气相对湿度、空气温度、空气中二氧化碳浓度、光合有效辐射度和风速等指标纳入就近原则体系,利用沥青温度监测数据和气象环境数据在时间上的连续性,设定这些采集的沥青温度数据任意时刻前后差值超过l0%时,判定沥青温度传感器发生偏差,数据需要进行误差校正,遵循就近原则体系,对这些发生偏差的历史沥青温度数据进行补充,将沥青温度就近值相近的对应沥青温度数据进行插入补充,并保证补充后的沥青温度数据前后差值不超过10%,这里不再赘述。
需要说明的是,在一些实施例中,确定沥青温度就近值采用可采用下述步骤实现,即:
确定第个公共因子在第/>个影响指标上的实测沥青温度值/>;
确定第个公共因子在第/>个影响指标上的比重系数/>;
确定第个公共因子在因子分析中的贡献值/>;
根据所述第个公共因子在第/>个影响指标上的实测沥青温度值/>、所述第/>个公共因子在第/>个影响指标上的比重系数/>和所述第/>个公共因子在因子分析中的贡献值/>确定沥青温度就近值,其中沥青温度就近值采用下述公式确定:
其中,表示沥青温度就近值,/>,/>。
需要说明的是,上述因子分析是用于揭示历史沥青温度数据集背后的潜在因素或潜在构建块,而公共因子是指在因子分析中发现的潜在变量或潜在构建块,可以解释多个沥青温度值之间的共同方差,影响指标指的是受该公共因子影响的沥青温度值;比重系数估计了每个沥青温度值与潜在因子之间的关系强度;贡献值是特征值的一种归一化形式,用于表示每个公共因子对总方差的解释程度,计算公式如下:贡献值=特征值/总特征值,特征值表示每个公共因子的解释方差量。
在步骤S102,将所述历史沥青温度数据补充集分解为多个历史沥青温度数据补充集分量,确定对应多个历史沥青温度数据补充集分量的相应多个历史影响因子数据补充集分量,将该多个历史沥青温度数据补充集分量和相应多个历史影响因子数据补充集分量划分为对沥青温度进行预测的训练样本集和测试样本集。
在一些实施例中,将所述历史沥青温度数据补充集分解为多个历史沥青温度数据补充集分量具体可采用下述方式,即:
获取所述历史沥青温度数据补充集中沥青温度极大值和沥青温度极小值,由所述沥青温度极大值和所述沥青温度极小值确定沥青温度上包围曲线和沥青温度下包围曲线;
对所述沥青温度上包围曲线和所述沥青温度下包围曲线计算差值,得到沥青温度数据补充集过渡分量;
由所述沥青温度数据补充集过渡分量确定过渡分量值,若所述过渡分量值超过设定阈值,则将所述沥青温度数据补充集过渡分量作为第一个历史沥青温度数据补充集分量;
将所述历史沥青温度数据补充集减去第一个历史沥青温度数据补充集分量,得到第一个过渡沥青温度数据补充集,将第一个过渡沥青温度数据补充集重复上述由所述历史沥青温度数据补充集确定第一个历史沥青温度数据补充集分量的步骤,直至达到最大迭代次数,得到多个历史沥青温度数据补充集分量。
具体实现时,上述沥青温度极大值和沥青温度极小值可从所述沥青温度数据补充集中提取得到,并按照时间顺序排列,将沥青温度极大值和沥青温度极小值的时间点作为插值的节点,包括沥青温度极大值和沥青温度极小值本身的时间点,以及相邻的时间点;利用插值方法对沥青温度极大值和沥青温度极小值的温度进行插值计算,通过对插值的节点进行插值,并在相邻节点之间拟合,可以形成平滑的曲线;将插值计算得到的曲线,作为沥青温度上包围曲线和沥青温度下包围曲线,其中沥青温度上包围曲线为连接所有极大值点的插值结果,沥青温度下包围曲线为连接所有极小值点的插值结果。
需要说明的是,利用插值方法对沥青温度极大值和沥青温度极小值的温度进行插值计算,采用的是现有技术中的三次样条插值方法实现。
而判断是否达到最大迭代次数,可以通过监测目标函数值或误差的变化情况来判断是否达到最大迭代次数或事先确定最大迭代次数等方式来实现,这里不在赘述。
在一些实施例中,确定过渡分量值可采用下述公式:
其中,表示过渡分量值,/>表示/>时刻第/>个沥青温度数据补充集过渡分量,/>表示/>时刻第/>个沥青温度数据补充集过渡分量,。
在一些实施例中,确定对应多个历史沥青温度数据补充集分量的相应多个历史影响因子数据补充集分量,将该多个历史沥青温度数据补充集分量和相应多个历史影响因子数据补充集分量划分为对沥青温度进行预测的训练样本集和测试样本集可采用下述方式实现,即:
采集相应的历史影响因子数据补充集;
将多个历史沥青温度数据补充集分量与对应的历史影响因子数据补充集分量进行对应和匹配;
采用随机划分的方法,将多个历史沥青温度数据补充集分量按照预定比例划分为两个独立的对沥青温度进行预测的训练样本集和测试样本集。
本申请中由于沥青环境因子和气象环境因子对沥青温度的变化均具有一定的影响,可选择监测指标中沥青pH值、沥青稀稠度、大气压强、空气相对湿度、空气温度、空气中二氧化碳浓度、照度、光合有效辐射度和风速等指标进行关联分析,将关联分析中关联性强的因子作为历史沥青温度数据补充集对应的影响因子,并采集影响因子相应的历史影响因子数据补充集;采用随机划分即为:打乱历史沥青温度数据补充集分量的顺序,可以防止历史沥青温度数据补充集分量中的任何特定顺序对划分结果产生偏差,按照例如70%训练集、30%测试集的比例对多个历史沥青温度数据补充集分量进行划分,需要说明的是,可采用现有技术中的皮尔逊相关分析对这些指标与沥青温度变化进行关联分析,并选择与沥青温度变换相关性强的指标对应的影响因子数据,这里不在赘述。
在步骤S103,由所述对沥青温度进行预测的训练样本集得到沥青温度影响因子最优度,进而确定沥青温度影响因子最优度对应的权值系数,对所述权值系数和对沥青温度进行预测的测试样本集分别进行计算,得到多个沥青温度预测预值,对所述多个沥青温度预测预值和每个沥青温度预测预值对应的实时沥青温度值进行拟合,确定多个沥青温度预测值,对所述多个沥青温度预测值进行求和,得到沥青温度判定值。
在一些实施例中,由所述对沥青温度进行预测的训练样本集得到沥青温度影响因子最优度,进而确定沥青温度影响因子最优度对应的权值系数可采用下述方式,即:
设置训练样本集的初始种群规模和最大进化代数;
随机生成初始种群,其中每个个体代表一组权值系数;
计算初始种群中每个个体的影响因子度值,根据影响因子度值,选择影响因子度值高的个体作为父代个体,按照影响因子度值的大小对父代个体进行排序,影响因子度值小的与小的配对,影响因子度值大的与大的配对,得到父代配对序列;
利用随机性确定完成后的父代配对序列中交叉点位置;
根据交叉点位置,完成交叉项交叉操作,生成新的个体,重复上述步骤,直到达到最大进化代数;
在最后一代种群中,找到影响因子度值最高的个体,将其影响因子度值作为影响因子最优度,并记录其对应的权值系数。
需要说明的是,本申请中初始种群规模可为10,迭代次数为50,依据多次运行均方误差最小的原则,确定交叉概率为0.1,变异概率为0.1。计算初始种群中每个个体的影响因子度值,可以根据描述问题的具体目标和约束计算其影响因子度值,影响因子度值可以衡量每个个体的性能或贡献,利用随机性确定完成后的父代配对中交叉点位置,按如下所示,对于父代配对序列,利用随机性产生一个正整数/>,并以/>为交叉点对父代配对序列/>中的序列进行单点交叉,得到新的父代配对序列/>,其中/>。
需要说明的是,上述对权值系数和对沥青温度进行预测的测试样本集分别进行计算,得到多个沥青温度预测预值可采用下述方式,即:
将所述训练样本集中的历史沥青温度数据补充集分量和历史影响因子数据补充集分量分别设置为输出数据和输入数据,将权值系数作为隐藏层权值系数;
将输入数据与隐藏层权值系数相乘,得到隐藏层的输出数据;
对所述隐藏层的输出数据中的每个元素应用激活函数,通过计算隐藏层的输出数据的伪逆得到输出权值;
将所述输出权值和所述测试样本集中的数据相乘,得到多个沥青温度预测预值。
本申请中,隐藏层权值系数指的是连接输入层和隐藏层之间的权重参数。神经网络通常由输入层、隐藏层和输出层组成,隐藏层是介于输入层和输出层之间的一层或多层神经元,隐藏层权值系数决定了输入层和隐藏层之间每个连接的权重大小,它们是神经网络的参数之一。需要说明的是,本申请中应用的激活函数可采用现有技术中的Softlus等,也可以使用现有技术中的奇异值分解方法对隐藏层的输出数据进行伪逆计算,这里不在赘述。
在一些实施例中,对所述多个沥青温度预测预值和每个沥青温度预测预值对应的实时沥青温度值进行拟合可采用下述方式实现,即:
对所述多个沥青温度预测预值和每个沥青温度预测预值对应的实时沥青温度值计算相关系数,若所述相关系数超过设定的正常阈值,则将所述沥青温度预测预值作为沥青温度预测值,若所述相关系数低于设定的正常阈值,则淘汰。
具体实现时,计算相关系数可采用下述公式确定:
其中,表示相关系数,/>表示第/>个/>时刻的实时沥青温度值,/>表示第/>个/>时刻的沥青温度预测预值,/>。
在一些实施例中,对上述得到的所述多个沥青温度预测值可进行求和计算,将求和得到的值作为沥青温度判定值,这里不再赘述。
在步骤S104,当沥青温度判定值处于沥青正常温度阈值段,则发出维持正常施工信息,当沥青温度判定值低于沥青正常温度阈值段或超过沥青正常温度阈值段,则发出立即停止施工的预警信息。
具体实现时,将预测得到的沥青温度判定值与沥青正常温度阈值段进行比较,若沥青温度判定值处于沥青正常温度阈值段内,表示沥青温度处于正常状态,施工可以正常继续进行,发出维持正常施工信息,若沥青温度判定值低于沥青正常温度阈值段或超过沥青正常温度阈值段,则表示沥青温度异常,需要发出立即停止施工的预警信息,以防止施工事故发生。
另外,本申请的另一方面,在一些实施例中,本申请提供一种基于道路施工的监控装置,该装置包括有道路施工监控单元,参考图2,该图是根据本申请一些实施例所示的道路施工监控单元的示例性硬件和/或软件的示意图,该道路施工监控单元200包括:历史沥青温度数据补充集确定模块201、分量划分模块202、沥青温度判定值确定模块203和道路施工控制模块204,分别说明如下:
历史沥青温度数据补充集确定模块201,本申请中历史沥青温度数据补充集确定模块201主要用于启动道路施工监控,获取道路施工时的历史沥青温度数据集,对所述历史沥青温度数据进行校正得到历史沥青温度数据补充集;
分量划分模块202,本申请中分量划分模块202主要用于将所述历史沥青温度数据补充集分解为多个历史沥青温度数据补充集分量,确定对应多个历史沥青温度数据补充集分量的相应多个历史影响因子数据补充集分量,将该多个历史沥青温度数据补充集分量和相应多个历史影响因子数据补充集分量划分为对沥青温度进行预测的训练样本集和测试样本集;
沥青温度判定值确定模块203,本申请中沥青温度判定值确定模块203主要用于由所述对沥青温度进行预测的训练样本集得到沥青温度影响因子最优度,进而确定沥青温度影响因子最优度对应的权值系数,对所述权值系数和对沥青温度进行预测的测试样本集分别进行计算,得到多个沥青温度预测预值,对所述多个沥青温度预测预值和每个沥青温度预测预值对应的实时沥青温度值进行拟合,确定多个沥青温度预测值,对所述多个沥青温度预测值进行求和,得到沥青温度判定值;
道路施工控制模块204,本申请中道路施工控制模块204主要用于当沥青温度判定值处于沥青正常温度阈值段,则发出维持正常施工信息,当沥青温度判定值低于沥青正常温度阈值段或超过沥青正常温度阈值段,则发出立即停止施工的预警信息。
另外,本申请还提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有代码,所述处理器被配置为获取所述代码,并执行上述的基于道路施工的监控方法。
在一些实施例中,参考图3,该图是根据本申请一些实施例所示的实现基于道路施工的监控方法的计算机设备的结构示意图。上述实施例中的基于道路施工的监控方法可以通过图3所示的计算机设备来实现,该计算机设备包括至少一个处理器301、通信总线302、存储器303以及至少一个通信接口304。
处理器301可以是一个通用中央处理器(central processing unit,CPU)、特定应用集成电路(application-specific integrated circuit,ASIC)或一个或多个用于控制本申请中的基于道路施工的监控方法的执行。
通信总线302可包括一通路,在上述组件之间传送信息。
存储器303可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其它类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其它类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only Memory,CD-ROM)或其它光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘或者其它磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质,但不限于此。存储器303可以是独立存在,通过通信总线302与处理器301相连接。存储器303也可以和处理器301集成在一起。
其中,存储器303用于存储执行本申请方案的程序代码,并由处理器301来控制执行。处理器301用于执行存储器303中存储的程序代码。程序代码中可以包括一个或多个软件模块。上述实施例中基于道路施工的监控方法可以通过处理器301以及存储器303中的程序代码中的一个或多个软件模块实现。
通信接口304,使用任何收发器一类的装置,用于与其它设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN)等。
在具体实现中,作为一种实施例,计算机设备可以包括多个处理器,这些处理器中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
上述的计算机设备可以是一个通用计算机设备或者是一个专用计算机设备。在具体实现中,计算机设备可以是台式机、便携式电脑、网络服务器、掌上电脑(personaldigital assistant,PDA)、移动手机、平板电脑、无线终端设备、通信设备或者嵌入式设备。本申请实施例不限定计算机设备的类型。
另外,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的基于道路施工的监控方法。
综上,本申请实施例公开的基于道路施工的监控方法及装置中,首先,启动道路施工监控,获取道路施工时的历史沥青温度数据集,对所述历史沥青温度数据进行校正得到历史沥青温度数据补充集,将所述历史沥青温度数据补充集分解为多个历史沥青温度数据补充集分量,确定对应多个历史沥青温度数据补充集分量的相应多个历史影响因子数据补充集分量,将该多个历史沥青温度数据补充集分量和相应多个历史影响因子数据补充集分量划分为对沥青温度进行预测的训练样本集和测试样本集,由所述对沥青温度进行预测的训练样本集得到沥青温度影响因子最优度,进而确定沥青温度影响因子最优度对应的权值系数,对所述权值系数和对沥青温度进行预测的测试样本集分别进行计算,得到多个沥青温度预测预值,对所述多个沥青温度预测预值和每个沥青温度预测预值对应的实时沥青温度值进行拟合,确定多个沥青温度预测值,对所述多个沥青温度预测值进行求和,得到沥青温度判定值,当沥青温度判定值处于沥青正常温度阈值段,则发出维持正常施工信息,当沥青温度判定值低于沥青正常温度阈值段或超过沥青正常温度阈值段,则发出立即停止施工的预警信息,上述方案可在采用沥青进行道路施工的过程中,若沥青温度异常时可提前预警,防止施工事故的发生。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (7)
1.一种基于道路施工的监控方法,其特征在于,包括如下步骤:
启动道路施工监控,获取道路施工时的历史沥青温度数据集,对历史沥青温度数据进行校正得到历史沥青温度数据补充集,其中对历史沥青温度数据进行校正得到历史沥青温度数据补充集具体包括:
确定获取的历史沥青温度数据集中前后数据差值的阈值;
若前后数据差值超过阈值,则采用沥青温度就近值对所述前后数据差值对应的历史沥青温度数据进行补充,依此类推,直至前后数据差值低于阈值,其中,确定沥青温度就近值采用下述步骤:
确定第个公共因子在第/>个影响指标上的实测沥青温度值/>;
确定第个公共因子在第/>个影响指标上的比重系数/>;
确定第个公共因子在因子分析中的贡献值/>;
根据所述第个公共因子在第/>个影响指标上的实测沥青温度值/>、所述第/>个公共因子在第/>个影响指标上的比重系数/>和所述第/>个公共因子在因子分析中的贡献值/>确定沥青温度就近值,其中沥青温度就近值采用下述公式确定:
其中,表示沥青温度就近值,/>,/>;
将补充后的历史沥青温度数据集作为历史沥青温度数据补充集;
将所述历史沥青温度数据补充集分解为多个历史沥青温度数据补充集分量,其中,将所述历史沥青温度数据补充集分解为多个历史沥青温度数据补充集分量具体包括:
获取所述历史沥青温度数据补充集中沥青温度极大值和沥青温度极小值,由所述沥青温度极大值和所述沥青温度极小值确定沥青温度上包围曲线和沥青温度下包围曲线;
对所述沥青温度上包围曲线和所述沥青温度下包围曲线计算差值,得到沥青温度数据补充集过渡分量;
由所述沥青温度数据补充集过渡分量确定过渡分量值,若所述过渡分量值超过设定阈值,则将所述沥青温度数据补充集过渡分量作为第一个历史沥青温度数据补充集分量;
将所述历史沥青温度数据补充集减去第一个历史沥青温度数据补充集分量,得到第一个过渡沥青温度数据补充集,将第一个过渡沥青温度数据补充集重复上述由所述历史沥青温度数据补充集确定第一个历史沥青温度数据补充集分量的步骤,直至达到最大迭代次数,得到多个历史沥青温度数据补充集分量;
确定对应多个历史沥青温度数据补充集分量的相应多个历史影响因子数据补充集分量,将该多个历史沥青温度数据补充集分量和相应多个历史影响因子数据补充集分量划分为对沥青温度进行预测的训练样本集和测试样本集;
由所述对沥青温度进行预测的训练样本集得到沥青温度影响因子最优度,进而确定沥青温度影响因子最优度对应的权值系数,对所述权值系数和对沥青温度进行预测的测试样本集分别进行计算,得到多个沥青温度预测预值,对所述多个沥青温度预测预值和每个沥青温度预测预值对应的实时沥青温度值进行拟合,确定多个沥青温度预测值,对所述多个沥青温度预测值进行求和,得到沥青温度判定值;
当沥青温度判定值处于沥青正常温度阈值段,则发出维持正常施工信息,当沥青温度判定值低于沥青正常温度阈值段或超过沥青正常温度阈值段,则发出立即停止施工的预警信息。
2.如权利要求1所述的方法,其特征在于,确定过渡分量值采用下述公式:
其中,表示过渡分量值,/>表示/>时刻第/>个沥青温度数据补充集过渡分量,/>表示/>时刻第/>个沥青温度数据补充集过渡分量,/>。
3.如权利要求1所述的方法,其特征在于,若拟合值超过设定阈值,则将所述沥青温度预测预值作为沥青温度预测值。
4.如权利要求1所述的方法,其特征在于,所述历史沥青温度数据集中的数据按照时间由远及近排序。
5.一种基于道路施工的监控装置,其采用权利要求1所述的方法进行监控,其特征在于,所述基于道路施工的监控装置包括有道路施工监控单元,所述道路施工监控单元包括:
历史沥青温度数据补充集确定模块,用于启动道路施工监控,获取道路施工时的历史沥青温度数据集,对历史沥青温度数据进行校正得到历史沥青温度数据补充集;
分量划分模块,用于将所述历史沥青温度数据补充集分解为多个历史沥青温度数据补充集分量,确定对应多个历史沥青温度数据补充集分量的相应多个历史影响因子数据补充集分量,将该多个历史沥青温度数据补充集分量和相应多个历史影响因子数据补充集分量划分为对沥青温度进行预测的训练样本集和测试样本集;
沥青温度判定值确定模块,用于由所述对沥青温度进行预测的训练样本集得到沥青温度影响因子最优度,进而确定沥青温度影响因子最优度对应的权值系数,对所述权值系数和对沥青温度进行预测的测试样本集分别进行计算,得到多个沥青温度预测预值,对所述多个沥青温度预测预值和每个沥青温度预测预值对应的实时沥青温度值进行拟合,确定多个沥青温度预测值,对所述多个沥青温度预测值进行求和,得到沥青温度判定值;
道路施工控制模块,用于当沥青温度判定值处于沥青正常温度阈值段,则发出维持正常施工信息,当沥青温度判定值低于沥青正常温度阈值段或超过沥青正常温度阈值段,则发出立即停止施工的预警信息。
6.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有代码,所述处理器被配置为获取所述代码,并执行如权利要求1至4任一项所述的基于道路施工的监控方法。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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4任一项所述的基于道路施工的监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310820356.9A CN116703037B (zh) | 2023-07-06 | 2023-07-06 | 一种基于道路施工的监控方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310820356.9A CN116703037B (zh) | 2023-07-06 | 2023-07-06 | 一种基于道路施工的监控方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703037A CN116703037A (zh) | 2023-09-05 |
CN116703037B true CN116703037B (zh) | 2023-12-19 |
Family
ID=87823953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310820356.9A Active CN116703037B (zh) | 2023-07-06 | 2023-07-06 | 一种基于道路施工的监控方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703037B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539545A (zh) * | 2019-01-22 | 2020-08-14 | 中国石油天然气股份有限公司 | 油温预测方法和装置、计算机可读存储介质 |
CN113849020A (zh) * | 2021-09-22 | 2021-12-28 | 北京科技大学 | 一种基于人工智能算法的钢坯升温曲线设计方法及装置 |
CN115201608A (zh) * | 2022-07-26 | 2022-10-18 | 广东粤电靖海发电有限公司 | 一种基于神经网络的电厂设备运行参数监测方法 |
CN115495816A (zh) * | 2022-08-29 | 2022-12-20 | 涂成银 | 基于集成深度学习的冬季沥青路面路表温度预测方法 |
-
2023
- 2023-07-06 CN CN202310820356.9A patent/CN116703037B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539545A (zh) * | 2019-01-22 | 2020-08-14 | 中国石油天然气股份有限公司 | 油温预测方法和装置、计算机可读存储介质 |
CN113849020A (zh) * | 2021-09-22 | 2021-12-28 | 北京科技大学 | 一种基于人工智能算法的钢坯升温曲线设计方法及装置 |
CN115201608A (zh) * | 2022-07-26 | 2022-10-18 | 广东粤电靖海发电有限公司 | 一种基于神经网络的电厂设备运行参数监测方法 |
CN115495816A (zh) * | 2022-08-29 | 2022-12-20 | 涂成银 | 基于集成深度学习的冬季沥青路面路表温度预测方法 |
Non-Patent Citations (1)
Title |
---|
基于神经网络的沥青混凝土路面使用性能预测;赵复笑, 杨殿海, 陈宏;沈阳建筑工程学院学报(自然科学版)(02);第121-123、146页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116703037A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
CN107086944B (zh) | 一种异常检测方法和装置 | |
CN109325692B (zh) | 水管网的数据实时分析方法及装置 | |
WO2020049087A1 (en) | Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance | |
KR101825023B1 (ko) | 리스크 조기 경보 방법 및 장치 | |
CN112348237B (zh) | 一种动态钻井数据异常趋势检测方法 | |
CN101720453A (zh) | 利用时序信号处理进行电池组件预测维护的系统和方法 | |
CN112884199A (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
CN116105802B (zh) | 一种基于物联网的地下设施安全监测预警方法 | |
WO2020252666A1 (zh) | 工业物联网的边缘计算设备、方法和计算机可读存储介质 | |
CN111367747B (zh) | 基于时间标注的指标异动检测预警的装置 | |
US20220283242A1 (en) | Method and device for managing battery data | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
CN116663747B (zh) | 一种基于数据中心基础设施的智能预警方法及系统 | |
CN112380073B (zh) | 一种故障位置的检测方法、装置及可读存储介质 | |
CN116703037B (zh) | 一种基于道路施工的监控方法及装置 | |
CN116907772A (zh) | 桥梁结构监测传感器的自诊断与故障源鉴别方法及系统 | |
CN116909235A (zh) | 一种智能工厂的监控方法及其监控系统、电子设备 | |
CN111340975A (zh) | 异常数据特征提取方法、装置、设备及存储介质 | |
CN116050930A (zh) | 监盘系统、方法、存储介质及电子设备 | |
Sun et al. | A data-driven framework for tunnel infrastructure maintenance | |
CN114047693A (zh) | 面向充电过程的汽车电池火灾自适应防范方法及系统 | |
CN101923605A (zh) | 铁路防灾风预警方法 | |
CN117521084B (zh) | 一种复杂系统的主动安全预警方法 | |
CN117251804B (zh) | 一种变电室运行状态监测数据处理系统及方法 |
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 |