CN116957136A - 一种基于时序深度学习的路面性能预测方法及装置 - Google Patents
一种基于时序深度学习的路面性能预测方法及装置 Download PDFInfo
- Publication number
- CN116957136A CN116957136A CN202310764562.2A CN202310764562A CN116957136A CN 116957136 A CN116957136 A CN 116957136A CN 202310764562 A CN202310764562 A CN 202310764562A CN 116957136 A CN116957136 A CN 116957136A
- Authority
- CN
- China
- Prior art keywords
- road section
- prediction model
- time sequence
- target road
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000013135 deep learning Methods 0.000 title claims abstract description 38
- 238000012423 maintenance Methods 0.000 claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 claims abstract description 43
- 230000006399 behavior Effects 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 22
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000015654 memory Effects 0.000 claims description 77
- 230000008569 process Effects 0.000 claims description 19
- 210000004027 cell Anatomy 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000008439 repair process Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000007787 long-term memory Effects 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 description 12
- 230000008901 benefit Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual 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
- G06Q10/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明适用于路面养护技术领域,涉及一种基于时序深度学习的路面性能预测方法及装置,包括以下步骤:获取目标路段并对目标路段的相关数据进行预处理;选取对目标路段的路面性能进行预测模型的输入参数和输出参数;其中,输入参数包括目标路段在历史周期内养护行为数据,输出参数包括目标路段在当前周期内的路面性能指标数据;基于循环神经网络构建包括输入参数和输出参数的时序预测模型,时序预测模型包括输入层、输出层和隐藏层;采用Adam优化算法实现时序预测模型的学习率自适应和参数梯度更新,以使经过训练的时序预测模型输出路面性能预测值。本发明方案选用循环神经网络搭建预测模型,结合路段养护行为和历史路面性能数据,提高了预测准确性。
Description
技术领域
本发明属于路面养护技术领域,尤其涉及一种基于时序深度学习的路面性能预测方法及装置。
背景技术
精确地把握路面关键性能指标的变化趋势,有利于针对最佳的养护时机制定科学的养护决策方案,以发挥路面最大的服役效益;也可对道路交通基础设施建设及资金分配提供依据。影响路面性能衰变的因素包括环境条件、交通荷载、路基路面结构材料、施工因素、维修养护因素等,这些影响因素互相不独立,彼此有反馈影响。特别是随着检测设备的不断更新换代,产生了更加多元庞大的数据,因此传统方法并不能很好处理大量检测数据并据此提供预测结果。人工智能技术因其强大的非线性拟合能力、无需复杂的理论推导、处理数据量较大等特点在路面性能预测中得到了应用。但是,现有应用人工智能方法进行路面性能预测的模型,存在的不足主要体现在以下几个方面:道路影响因素中养护行为一项难以量化,无法考虑历史养护行为与对应的性能变化对现阶段性能变化的影响,仅考虑外界环境因素对性能衰变的影响,忽略了实际道路使用情况中是养护与衰变同时进行的过程,导致路面性能预测准确性不高。
公开号为CN115271204A的专利申请提供了一种基于高频智能巡检数据的路面性能动态预测方法,该方法包括以下步骤:根据路面性能状况数据分别构建衰变模型,并确定衰变模型的初始模型参数;将当前时刻定为T0,并确定用于预测数据积累的高频巡检时间区段t1和预测时间区段t2;对各类路面性能状况数据的衰变模型参数进行回归计算,根据回归计算结果对各衰变模型参数进行更新;验证各类路面性能状况数据的衰变模型参数的可靠性;基于验证后的衰变模型预测各类路面性能状况数据并加权计算,得到路面性能综合评价指数,以此表征路面性能。此专利同样未将历史养护行为列入考虑范围,仍存在与现有技术相同的弊端。
发明内容
针对现有技术的不足,本发明的目的是提供一种基于时序深度学习的路面性能预测方法,以解决现有技术中路面性能预测方法因未考虑历史养护行为而导致的预测结果准确性不高的问题;另外本发明还提供了一种基于时序深度学习的路面性能预测装置、电子设备及存储介质。
为了解决上述技术问题,本发明采用了如下的技术方案:
第一方面,本发明提供了一种基于时序深度学习的路面性能预测方法,包括以下步骤:
S10、获取目标路段并对所述母表路段的数据进行预处理;
S20、选取对所述目标路段的路面性能进行预测模型的输入参数和输出参数;其中,所述输入参数包括所述目标路段在历史周期内养护行为数据,所述输出参数包括所述目标路段在当前周期内的路面性能指标数据;
S30、基于循环神经网络构建包括所述输入参数和所述输出参数的时序预测模型,所述时序预测模型包括输入层、输出层和隐藏层;其中,所述输入层用于接收所述输入参数,所述输出层用于预测路面性能,所述隐藏层用于将所述输入层与所述输出层的特征关系传递至所述当前周期;
S40、采用Adam优化算法实现所述时序预测模型的学习率自适应和参数梯度更新,以使经过训练的所述时序预测模型输出路面性能预测值。
进一步的,所述步骤S10中,依据道路管理规则,获取目标路段并对所述目标路段的相关数据进行预处理的过程,包括以下步骤:
S101、依据城市道路管理部门对路网中路段命名来划分和/或区分路段;
S102、获取所述目标路段的相关数据,所述相关数据包括路面基础数据、所述养护行为数据和所述路面性能指标数据;
S103、对所述目标路段的所述相关数据划分训练集和测试集。
进一步的,所述养护行为数据包括依据工程量大小对所述目标路段进行道路养护工程划分后形成相应的投入资金量,所述道路养护工程包括零星工程、小修工程、中修工程、大修工程和改造工程;
所述输入参数还包括所述目标路段的路龄、行车道面积和/或上一周期内的所述路面性能指标数据;
所述路面性能指标包括路面状况指数PCI;
所述周期以年份为单位计算且不少于设定年份时长。
进一步的,所述步骤S30中,所述时序预测模型中的隐藏层的神经元模块包括长短期记忆神经网络或门控循环单元。
进一步的,当所述神经元模块为长短期记忆神经网络时,包括:
接收所述长短期记忆神经网络的前一周期记忆单元ct-1和前一周期隐藏层信息ht-1;
根据当前周期输入信息xt、所述前一周期记忆单元ct-1和所述前一周期隐藏层信息ht-1进行相应加权与偏置项运算,获取所述长短期记忆神经网络的遗忘门因子、更新门因子和输出门因子;
基于所述更新门因子和所述遗忘门因子计算获得当前周期记忆单元ct,并交由所述输出门输出当前周期记忆单元ct和当前周期隐藏层信息ht。
进一步的,当所述神经元模块为门控循环单元时,包括:
接收所述长短期记忆神经网络的前一周期记忆单元ct-1和前一周期隐藏层信息ht-1并进行线性变换;
将当前周期输入信息xt、所述前一周期记忆单元ct-1经过更新门,以及对应于不同的更新门因子更新当前周期记忆单元ct或保留前一周期记忆单元ct-1。
进一步的,所述步骤S40中,采用Adam优化算法实现所述时序预测模型的学习率自适应和参数梯度更新的过程,包括以下步骤:
S401、采用均方误差模型作为损失函数,分别计算一阶矩估计和二阶矩估计的衰减平均值并进行偏差修正后更新所述输入参数;
S402、采用分数衰减方式对Adam优化算法的学习率修正。
第二方面,本发明还提供了一种基于时序深度学习的路面性能预测装置,包括:
第一模块,能够依据道路管理规则,获取目标路段并对所述目标路段的相关数据进行预处理;
第二模块,能够选取对所述目标路段的路面性能进行预测模型的输入参数和输出参数;其中,所述输入参数包括所述目标路段在历史周期内养护行为数据,所述输出参数包括所述目标路段在当前周期内的路面性能指标数据;
第三模块,能够基于循环神经网络构建包括所述输入参数和所述输出参数的时序预测模型,所述时序预测模型包括输入层、输出层和隐藏层;其中,所述输入层用于接收所述输入参数,所述输出层用于预测路面性能,所述隐藏层用于将所述输入层与所述输出层的特征关系传递至所述当前周期;
第四模块,能够采用Adam优化算法实现所述时序预测模型的学习率自适应和参数梯度更新,以使经过训练的所述时序预测模型输出路面性能预测值。
第三方面,本发明还提供了一种电子设备,包括:
处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行如上所述的基于时序深度学习的路面性能预测方法。
第四方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行如上所述的基于时序深度学习的路面性能预测方法。
本发明提供的基于时序深度学习的路面性能预测方法及装置与现有技术相比,至少具有如下有益效果:
现有技术当中未考虑历史养护行为与对应的性能变化对现阶段性能变化的影响,仅考虑外界环境因素对性能衰变的影响,忽略了实际道路使用情况中是养护与衰变同时进行的过程,导致路面性能预测准确性不高。本发明过程简单、结果准确,选用时序深度学习方法中的循环神经网络搭建预测模型,通过将目标路段养护行为和历史路面性能指标数据等结构化数据作为模型输入参数,将当前路面性能指标数据作为预测输出,并将循环神经网络隐藏层选择长短期记忆神经网络或门控循环单元,使得预测结果与实际情况更加贴近,提高了预测结果的准确性。
附图说明
为了更清楚地说明本发明的方案,下面将对实施例描述中所需要使用的图作一个简单的介绍,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为本发明实施例提供的一种基于时序深度学习的路面性能预测方法的流程图;
图2为本发明实施例提供的一种基于时序深度学习的路面性能预测方法的养护行为数据的示意图;
图3为本发明实施例提供的一种基于时序深度学习的路面性能预测方法的长短期记忆神经网络结构示意图;
图4为本发明实施例提供的一种基于时序深度学习的路面性能预测方法的门控循环单元结构示意图;
图5为本发明实施例提供的一种基于时序深度学习的路面性能预测方法的装置结构示意图;
图6为本发明实施例提供的一种基于时序深度学习的路面性能预测方法的电子设备示意图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
本发明提供了一种基于时序深度学习的路面性能预测方法,应用于道路养护过程中对路面性能的预测过程中,基于时序深度学习的路面性能预测方法包括以下步骤:
S10、获取目标路段并对母表路段的数据进行预处理;
S20、选取对目标路段的路面性能进行预测模型的输入参数和输出参数;其中,输入参数包括目标路段在历史周期内养护行为数据,输出参数包括目标路段在当前周期内的路面性能指标数据;
S30、基于循环神经网络构建包括输入参数和输出参数的时序预测模型,时序预测模型包括输入层、输出层和隐藏层;其中,输入层用于接收输入参数,输出层用于预测路面性能,隐藏层用于将输入层与输出层的特征关系传递至当前周期;
S40、采用Adam优化算法实现时序预测模型的学习率自适应和参数梯度更新,以使经过训练的时序预测模型输出路面性能预测值。
本发明方案选用循环神经网络搭建预测模型,结合路段养护行为和历史路面性能数据,提高了预测准确性。
为了使本技术领域的人员更好地理解本发明方案,下面将结合附图,对本发明实施例中的技术方案进行清楚、完整地描述。
本发明的目的在于克服既有路面性能预测方法的缺陷,结合养护因素和历史数据提高对路面性能准确预测的技术问题。本发明提供一种综合考虑道路多年实际使用情况的路面性能预测方法。具体而言,本发明方案提出的预测模型的特征选择更易获取的每条道路每年的各项养护资金投入情况,无需忽略养护行为,或将养护行为经过各种复杂转化加入以适应模型,减少数据收集与预处理的工作量;结合基于循环神经网络RNN的时序预测模型,预测结果代表了该区域路段自身的衰变性与投入养护资金改善效益共同作用的呈现,收敛速度与模型精度均达到了预测需求。本发明方案的技术思路是在依据城市道路管理部门对路网中各路段的命名来划分与区分不同的路段;获取各路段历史不少于设定年份长度的道路养护管理工程资金量投入情况以及路面使用性能指标,分别作为时序循环神经网络模型的滑动时间窗口、输入参量与输出参量。将所述道路养护工程情况及相应路龄信息输入循环神经网络模型,其中隐层神经元采用长短期记忆神经网络LSTM或门控循环单元GRU模块;以设定年份长度为时间窗口组,组末一年的路面性能指标为该模型的输出,进行时序模型的搭建;采用Adam优化算法,计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率,每一时间回合的输出值与实际值进行精度计算,逐步优化超参数直到模型收敛。
本发明提供了一种基于时序深度学习的路面性能预测方法,应用于道路养护过程中对路面性能的预测过程中,结合图1至图4,基于时序深度学习的路面性能预测方法包括以下步骤:
S10、获取目标路段并对母表路段的数据进行预处理;
具体地,依据道路管理规则,获取目标路段并对目标路段的相关数据进行预处理的过程,包括以下步骤:
S101、依据城市道路管理部门对路网中路段命名来划分和/或区分路段;
S102、获取目标路段的相关数据,相关数据包括路面基础数据、养护行为数据和路面性能指标数据;
S103、对目标路段的相关数据划分训练集和测试集。
S20、选取对目标路段的路面性能进行预测模型的输入参数和输出参数;其中,输入参数包括目标路段在历史周期内养护行为数据,输出参数包括目标路段在当前周期内的路面性能指标数据;
具体地,养护行为数据包括依据工程量大小对目标路段进行道路养护工程划分后形成相应的投入资金量,道路养护工程包括零星工程、小修工程、中修工程、大修工程和改造工程;
输入参数还包括目标路段的路龄、行车道面积和/或上一周期内的路面性能指标数据;
路面性能指标包括路面状况指数PCI;
周期以年份为单位计算且不少于设定年份时长。
S30、基于循环神经网络构建包括输入参数和输出参数的时序预测模型,时序预测模型包括输入层、输出层和隐藏层;其中,输入层用于接收输入参数,输出层用于预测路面性能,隐藏层用于将输入层与输出层的特征关系传递至当前周期;
具体地,步骤S30中,时序预测模型中的隐藏层的神经元模块包括长短期记忆神经网络或门控循环单元。
进一步的,当神经元模块为长短期记忆神经网络时,包括:
接收长短期记忆神经网络的前一周期记忆单元ct-1和前一周期隐藏层信息ht-1;
根据当前周期输入信息xt、前一周期记忆单元ct-1和前一周期隐藏层信息ht-1进行相应加权与偏置项运算,获取长短期记忆神经网络的遗忘门因子、更新门因子和输出门因子;
基于更新门因子和遗忘门因子计算获得当前周期记忆单元ct,并交由输出门输出当前周期记忆单元ct和当前周期隐藏层信息ht。
具体地,长短期记忆神经网络结构下计算步骤的公式表达为:Γu=σ(Wu[ht-1,xt,ct-1]+bu),Γf=σ(Wf[ht-1,xt,ct-1]+bf),Γo=σ(Wo[ht-1,xt,ct-1]+bo),/>ht=Γo*ct。需要说明的是,与标准RNN不同的是,上一模块保留下来的有记忆单元ct-1与隐藏层信息ht-1;Γf、Γu和Γo分别表示遗忘门forget gate、更新门update gate和输出门output gate因子,其值由该时刻的输入xt、上一时刻隐藏层ht-1和上一时刻记忆单元ct-1进行相应的加权与偏置项运算激活得到。遗忘门forget gate控制ct-1,更新门update gate控制/>t-1时刻的记忆单元ct-1到t时刻的记忆单元ct的更新过程不再取决于激活函数的输出,而是由更新门update gate和遗忘门forget gate共同控制;最终由输出门output gate控制记忆单元ct到该时刻隐藏层的输出结果。
进一步的,当神经元模块为门控循环单元时,包括:
接收长短期记忆神经网络的前一周期记忆单元ct-1和前一周期隐藏层信息ht-1并进行线性变换;
将当前周期输入信息xt、前一周期记忆单元ct-1经过更新门,以及对应于不同的更新门因子更新当前周期记忆单元ct或保留前一周期记忆单元ct-1。
具体地,门控循环单元结构下计算步骤的公式表达为:Γu=σ(Wu[ct-1,xt]+bu),/>需要说明的是,结构中,ht-1和ht先经过重置门通过线性变换,以输出激活值/>相当于RNN中的ht。在ht与该层输出之间增加了Γu更新门update gate结构;当Γu=1时,该层记忆单元ct将直接等于/>当Γu=0时,将不考虑xt,直接上一层记忆单元ct-1保留下来,直接赋值给ct。模型可以自己选择更新记忆单元或者保留原来的记忆。
S40、采用Adam优化算法实现时序预测模型的学习率自适应和参数梯度更新,以使经过训练的时序预测模型输出路面性能预测值。
具体地,步骤S40中,采用Adam优化算法实现时序预测模型的学习率自适应和参数梯度更新的过程,包括以下步骤:
S401、采用均方误差模型作为损失函数,分别计算一阶矩估计和二阶矩估计的衰减平均值并进行偏差修正后更新输入参数;
具体地,计算mt和vt的衰减平均值一阶矩估计mt=beta1*mt-1+(1-beta1)*dx,二阶矩估计vt=beta2*vt-1+(1-beta2)*(dx)2;其中,beta1为一阶矩估计的指数衰减率;beta2为二阶矩估计的指数衰减率,dx为梯度。在此基础上,计算偏差修正第一矩估计和第二矩估计分别为和/>进而,参数更新为/>其中,xt、xt+1为输入参数向量,参数eps是一个接近于0的整数,防止公式中分母为0,通常取eps=1*10-8;alpha为学习率。
S402、采用分数衰减方式对Adam优化算法的学习率修正。
具体地,在Adam算法的基础上引入了学习率衰减策略采用分数衰减公式为:其中,epoch代表样本集数据经过了一轮训练;decayrate为衰减率。
下面以北京地区为例说明本发明实施例提供的一种基于时序深度学习的路面性能预测方法的具体实现过程:
研究地区为北京市六环内城区,位于华北平原西北部,北纬39°54′,东经116°23′市区总面积约2267km2,获取北京市城区404条道路2015-2020年共六年的养护行为与路面信息数据,将没有前后时间关联信息的路段删除。对基于神经网络的预测模型,因激励函数输入输出值的区间要求与当采用随机梯度下降法优化求解时的收敛速度要求,数据集需进行归一化处理:设Xmin和Xmax分别是某属性A的最小值和最大值,将A的一个原始值X通过最大-最小标准化映射到区间[0,1]的值X’公式如下:数据预处理完成,确定组建容量为9×2424的样本集来构建路面性能数据集,按8:2的比例分为训练集与测试集,路面上一时刻状态与养护行为作为输入特征,路面当前时刻性能状态作为输出特征;时间窗口选择3,即历史时间长度为3年,相同的道路经过匹配组合得到一组路面性能变化与当年的特征的序列,在输入到输出特征预测的基础上加入时序性模型隐层的记忆与传递特性,引入LSTM或GRU门控单元模块,进行逐年性能变化的学习;每一时间窗口的末年PCI数值作为该回合预测结果的输出,并与真实值计算loss函数,逐步优化超参数直到模型收敛。设置神经网络神经元数目为32,层数为2,batch size为12,训练回合为200,模型在200回合以内达到收敛至平稳。为避免出现采用学习率衰减策略时学习率衰减到零的情况,令最小学习率为0.0005,在算法迭代过程中,当学习率小于0.0005时,将不再进行学习率的衰减。模型训练过程,采用Adam优化算法,计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率,每一时间回合的输出值与实际值进行精度计算,逐步优化超参数直到模型收敛。最后为了验证本发明预测方法的有效性,将未参与模型训练的2021年路面性能检测数据作为模型的验证集,分别使用标准神经网络模型、循环神经网络模型、LSTM与GRU模型对2021年PCI指标进行预测,并与实际情况作比较,模型的性能指标对比见下表,epoch为完成训练的回合数,cost为完成训练花费的时间,精度指标选用平均绝对误差meanabsolute error,MAE、均方误差mean square error,MSE、平均百分比误差mean absolutepercentage error,MAPE和回归系数R2表示。普通神经网络R2仅为0.77822,考虑时序性的神经网络模型在所有精度指标上的表现均优于普通方法,且基于RNN改进的LSTM与GRU均达到了较高的拟合精度,R2达到0.93以上,比神经网络模型高约16%,比标准RNN模型高约11%;MAE达到0.017,MSE达到0.056,MAPE达到0.022,两模型的精度差别在万分之一级别,可忽略不计;因此,基于RNN改进的LSTM与GRU模型在拟合和偏差处理方面均优于传统神经网络与传统循环神经网络,说明应用LSTM与GRU模型对养护行为与路面性能变化的解释程度均最佳,他们的区别在于如何设计额外的门控机制控制梯度信息传播用以缓解梯度消失现象:LSTM用了3个门、GRU用了2个。该结果也说明了循环单元门的选择严重取决于数据集和与之对应的任务,门控单元并非越复杂越好,可能由于路面性能预测任务时间以年份为基本单元,时序性复杂度较低,在模型的记忆需求方面采用简化的两个门控单元的GRU模型可以兼具训练速度与精度的优势,综合性能最好。
本发明提出的路面性能预测方法,对应的预测结果意义为在当前养护行为下,次年地路面性能将如何变化,结合时序预测模型LSTM或GRU,训练速度与精度均达到了满意的效果,此结果可以为将来养护决策的制定与资金分配提供科学指导,对于提高道路养护经济效益有重要意义。
本发明的预测模型考虑具体养护行为以道路年度养护资金投入情况来表示养护行为特征变量,以养护行为最直观的方式投入资金量来作为路面性能影响因素考虑进性能预测模型,从而将养护行为表示为结构化数据,预测结果代表了该区域路段自身的衰变性与投入养护资金改善效益共同作用的呈现,反映了最真实的路面性能变化情;选用循环神经网络架构,隐藏层选择LSTM及GRU的门控单元,通过更新门与重置门存储并过滤信息,门控循环单它会保留相关的信息并传递到下一个单元,具有处理时间序列数据的附加能力,在当年路面性能情况更新中,将学习到前数年模型中的隐藏层信息,反映了路面性能变化的发展性,预测结果与实际情况更加贴近;针对随机梯度下降算法前期收敛速度较慢所导致的预测精度不高的问题,利用Adam算法来替代LSTM或GRU神经网络中的随机梯度下降算法,并采用学习率衰减策略来加速模型的收敛,提高模型收敛速度和稳定性。
本发明实施例还提供了一种基于时序深度学习的路面性能预测装置,如图5所示,包括:
第一模块,能够依据道路管理规则,获取目标路段并对目标路段的相关数据进行预处理;
第二模块,能够选取对目标路段的路面性能进行预测模型的输入参数和输出参数;其中,输入参数包括目标路段在历史周期内养护行为数据,输出参数包括目标路段在当前周期内的路面性能指标数据;
第三模块,能够基于循环神经网络构建包括输入参数和输出参数的时序预测模型,时序预测模型包括输入层、输出层和隐藏层;其中,输入层用于接收输入参数,输出层用于预测路面性能,隐藏层用于将输入层与输出层的特征关系传递至当前周期;
第四模块,能够采用Adam优化算法实现时序预测模型的学习率自适应和参数梯度更新,以使经过训练的时序预测模型输出路面性能预测值。
应理解,本说明书实施例的一种基于时序深度学习的路面性能预测装置还可执行图1至图4中基于时序深度学习的路面性能预测装置(或设备)执行的方法,并实现基于时序深度学习的路面性能预测装置(或设备)在图1至图4所示实例的功能,在此不再赘述。
本发明还提供了一种电子设备,如图6所示,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatilememory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成共享资源访问控制装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
依据道路管理规则,获取目标路段并对目标路段的路面性能数据进行预处理;
选取对目标路段的路面性能进行预测模型的输入参数和输出参数;其中,输入参数包括目标路段在历史周期内的道路养护工程的投入资金量,输出参数包括目标路段在当前周期内的路面性能指标;
基于循环神经网络构建包括输入参数和输出参数的时序预测模型,时序预测模型包括输入层、输出层和隐藏层;其中,输入层用于接收输入参数,输出层用于预测路面性能,隐藏层用于将输入层与输出层的特征关系传递至当前周期;
采用Adam优化算法实现时序预测模型的学习率自适应和参数梯度更新,以使经过训练的时序预测模型输出路面性S能预测值。
上述如本说明书图1至图4所示实施例揭示的基于时序深度学习和养护因素的路面性能预测方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
当然,除了软件实现方式之外,本说明书实施例的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图1至图4所示实施例的基于时序深度学习和养护因素的路面性能预测方法,并具体用于执行以下方法:
依据道路管理规则,获取目标路段并对目标路段的路面性能数据进行预处理;
选取对目标路段的路面性能进行预测模型的输入参数和输出参数;其中,输入参数包括目标路段在历史周期内的道路养护工程的投入资金量,输出参数包括目标路段在当前周期内的路面性能指标;
基于循环神经网络构建包括输入参数和输出参数的时序预测模型,时序预测模型包括输入层、输出层和隐藏层;其中,输入层用于接收输入参数,输出层用于预测路面性能,隐藏层用于将输入层与输出层的特征关系传递至当前周期;
采用Adam优化算法实现时序预测模型的学习率自适应和参数梯度更新,以使经过训练的时序预测模型输出路面性能预测值。
总之,以上仅为本说明书的较佳实施例而已,并非用于限定本说明书的保护范围。凡在本说明书的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本说明书的保护范围之内。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子数据载体设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
上述实施例所述的基于时序深度学习的路面性能预测方法及装置,与现有技术相比,现有技术当中未考虑历史养护行为与对应的性能变化对现阶段性能变化的影响,仅考虑外界环境因素对性能衰变的影响,忽略了实际道路使用情况中是养护与衰变同时进行的过程,导致路面性能预测准确性不高。本发明过程简单、结果准确,选用时序深度学习方法中的循环神经网络搭建预测模型,通过将目标路段养护行为和历史路面性能指标数据等结构化数据作为模型输入参数,将当前路面性能指标数据作为预测输出,并将循环神经网络隐藏层选择长短期记忆神经网络或门控循环单元,使得预测结果与实际情况更加贴近,提高了预测结果的准确性。
显然,以上所描述的实施例仅仅是本发明较佳实施例,而不是全部的实施例,附图中给出了本发明的较佳实施例,但并不限制本发明的专利范围。本发明可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本发明说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本发明专利保护范围之内。
Claims (10)
1.一种基于时序深度学习的路面性能预测方法,其特征在于,包括以下步骤:
S10、获取目标路段并对所述母表路段的数据进行预处理;
S20、选取对所述目标路段的路面性能进行预测模型的输入参数和输出参数;其中,所述输入参数包括所述目标路段在历史周期内养护行为数据,所述输出参数包括所述目标路段在当前周期内的路面性能指标数据;
S30、基于循环神经网络构建包括所述输入参数和所述输出参数的时序预测模型,所述时序预测模型包括输入层、输出层和隐藏层;其中,所述输入层用于接收所述输入参数,所述输出层用于预测路面性能,所述隐藏层用于将所述输入层与所述输出层的特征关系传递至所述当前周期;
S40、采用Adam优化算法实现所述时序预测模型的学习率自适应和参数梯度更新,以使经过训练的所述时序预测模型输出路面性能预测值。
2.根据权利要求1所述的基于时序深度学习的路面性能预测方法,其特征在于,所述步骤S10中,依据道路管理规则,获取目标路段并对所述目标路段的相关数据进行预处理的过程,包括以下步骤:
S101、依据城市道路管理部门对路网中路段命名来划分和/或区分路段;
S102、获取所述目标路段的相关数据,所述相关数据包括路面基础数据、所述养护行为数据和所述路面性能指标数据;
S103、对所述目标路段的所述相关数据划分训练集和测试集。
3.根据权利要求2所述的基于时序深度学习的路面性能预测方法,其特征在于,所述养护行为数据包括依据工程量大小对所述目标路段进行道路养护工程划分后形成相应的投入资金量,所述道路养护工程包括零星工程、小修工程、中修工程、大修工程和改造工程;
所述输入参数还包括所述目标路段的路龄、行车道面积和/或上一周期内的所述路面性能指标数据;
所述路面性能指标包括路面状况指数PCI;
所述周期以年份为单位计算且不少于设定年份时长。
4.根据权利要求3所述的基于时序深度学习的路面性能预测方法,其特征在于,所述步骤S30中,所述时序预测模型中的隐藏层的神经元模块包括长短期记忆神经网络或门控循环单元。
5.根据权利要求4所述的基于时序深度学习的路面性能预测方法,其特征在于,当所述神经元模块为长短期记忆神经网络时,包括:
接收所述长短期记忆神经网络的前一周期记忆单元ct-1和前一周期隐藏层信息ht-1;
根据当前周期输入信息xt、所述前一周期记忆单元ct-1和所述前一周期隐藏层信息ht-1进行相应加权与偏置项运算,获取所述长短期记忆神经网络的遗忘门因子、更新门因子和输出门因子;
基于所述更新门因子和所述遗忘门因子计算获得当前周期记忆单元ct,并交由所述输出门输出当前周期记忆单元ct和当前周期隐藏层信息ht。
6.根据权利要求4所述的基于时序深度学习的路面性能预测方法,其特征在于,当所述神经元模块为门控循环单元时,包括:
接收所述长短期记忆神经网络的前一周期记忆单元ct-1和前一周期隐藏层信息ht-1并进行线性变换;
将当前周期输入信息xt、所述前一周期记忆单元ct-1经过更新门,以及对应于不同的更新门因子更新当前周期记忆单元ct或保留前一周期记忆单元ct-1。
7.根据权利要求1所述的基于时序深度学习的路面性能预测方法,其特征在于,所述步骤S40中,采用Adam优化算法实现所述时序预测模型的学习率自适应和参数梯度更新的过程,包括以下步骤:
S401、采用均方误差模型作为损失函数,分别计算一阶矩估计和二阶矩估计的衰减平均值并进行偏差修正后更新所述输入参数;
S402、采用分数衰减方式对Adam优化算法的学习率修正。
8.一种基于时序深度学习的路面性能预测装置,其特征在于,包括:
第一模块,能够依据道路管理规则,获取目标路段并对所述目标路段的相关数据进行预处理;
第二模块,能够选取对所述目标路段的路面性能进行预测模型的输入参数和输出参数;其中,所述输入参数包括所述目标路段在历史周期内养护行为数据,所述输出参数包括所述目标路段在当前周期内的路面性能指标数据;
第三模块,能够基于循环神经网络构建包括所述输入参数和所述输出参数的时序预测模型,所述时序预测模型包括输入层、输出层和隐藏层;其中,所述输入层用于接收所述输入参数,所述输出层用于预测路面性能,所述隐藏层用于将所述输入层与所述输出层的特征关系传递至所述当前周期;
第四模块,能够采用Adam优化算法实现所述时序预测模型的学习率自适应和参数梯度更新,以使经过训练的所述时序预测模型输出路面性能预测值。
9.一种电子设备,其特征在于,包括:
处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行权利要求1至7任一项所述的基于时序深度学习的路面性能预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行权利要求1至7任一项所述的基于时序深度学习的路面性能预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310764562.2A CN116957136A (zh) | 2023-06-27 | 2023-06-27 | 一种基于时序深度学习的路面性能预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310764562.2A CN116957136A (zh) | 2023-06-27 | 2023-06-27 | 一种基于时序深度学习的路面性能预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116957136A true CN116957136A (zh) | 2023-10-27 |
Family
ID=88446986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310764562.2A Pending CN116957136A (zh) | 2023-06-27 | 2023-06-27 | 一种基于时序深度学习的路面性能预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116957136A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312779A (zh) * | 2023-11-28 | 2023-12-29 | 中国船舶集团有限公司第七〇七研究所 | 一种基于深度学习的重力敏感器快速稳定测量方法 |
-
2023
- 2023-06-27 CN CN202310764562.2A patent/CN116957136A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312779A (zh) * | 2023-11-28 | 2023-12-29 | 中国船舶集团有限公司第七〇七研究所 | 一种基于深度学习的重力敏感器快速稳定测量方法 |
CN117312779B (zh) * | 2023-11-28 | 2024-02-06 | 中国船舶集团有限公司第七〇七研究所 | 一种基于深度学习的重力敏感器快速稳定测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111970163B (zh) | 一种基于注意力机制的lstm模型的网络流量预测方法 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN111767517B (zh) | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 | |
Qin et al. | Simulating and Predicting of Hydrological Time Series Based on TensorFlow Deep Learning. | |
CN110276441B (zh) | 一种基于深度学习的梯形重叠核脉冲估计方法 | |
CN111352965B (zh) | 序列挖掘模型的训练方法、序列数据的处理方法及设备 | |
CN110059867B (zh) | 一种swlstm结合gpr的风速预测方法 | |
CN116957136A (zh) | 一种基于时序深度学习的路面性能预测方法及装置 | |
CN110633859B (zh) | 一种两阶段分解集成的水文序列预测方法 | |
WO2022246843A1 (zh) | 软件项目的风险评估方法、装置、计算机设备、存储介质 | |
CN110929958A (zh) | 基于深度学习参数优化的短时交通流量预测方法 | |
CN111461463A (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
Inamura | Estimating continuous time transition matrices from discretely observed data | |
Chen et al. | The optimal design and application of LSTM neural network based on the hybrid coding PSO algorithm | |
Wang et al. | Adaptive echo state network with a recursive inverse-free weight update algorithm | |
CN107704944B (zh) | 一种基于信息论学习的股市波动区间预测模型的构建方法 | |
CN105787265A (zh) | 基于综合集成赋权法的原子自旋陀螺随机误差建模方法 | |
CN110852415B (zh) | 基于神经网络算法的植被指数预测方法、系统及设备 | |
CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
CN116108742A (zh) | 基于改进gru-np模型的低压台区超短期负荷预测方法及系统 | |
WO2022222230A1 (zh) | 基于机器学习的指标预测方法、装置、设备及存储介质 | |
CN111738407B (zh) | 一种基于深度学习的钟差预测方法、装置、介质及终端 | |
CN114238106A (zh) | 测试时间预测方法及装置、电子设备、存储介质 | |
CN115217152A (zh) | 一种沉管隧道管节接头张合变形的预测方法及装置 |
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 |