CN117133099A - 一种用于高速公路高边坡灾变的自动监测系统 - Google Patents

一种用于高速公路高边坡灾变的自动监测系统 Download PDF

Info

Publication number
CN117133099A
CN117133099A CN202311086738.XA CN202311086738A CN117133099A CN 117133099 A CN117133099 A CN 117133099A CN 202311086738 A CN202311086738 A CN 202311086738A CN 117133099 A CN117133099 A CN 117133099A
Authority
CN
China
Prior art keywords
module
risk
early warning
slope
model
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.)
Withdrawn
Application number
CN202311086738.XA
Other languages
English (en)
Inventor
邵景干
张亦刚
冯忠居
叶国永
孟莹莹
刘旭玲
王保林
秦恒洁
李森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan Communications Vocational And Technical College Henan Provincial Traffic Tv Secondary Professional School
Henan Jiaoyuan Engineering Technology Group Co ltd
Original Assignee
Henan Communications Vocational And Technical College Henan Provincial Traffic Tv Secondary Professional School
Henan Jiaoyuan Engineering Technology Group Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan Communications Vocational And Technical College Henan Provincial Traffic Tv Secondary Professional School, Henan Jiaoyuan Engineering Technology Group Co ltd filed Critical Henan Communications Vocational And Technical College Henan Provincial Traffic Tv Secondary Professional School
Priority to CN202311086738.XA priority Critical patent/CN117133099A/zh
Publication of CN117133099A publication Critical patent/CN117133099A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
    • 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
    • G06N3/0499—Feedforward networks
    • 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
    • G06Q10/04—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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Emergency Management (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及识别模式的方法或装置，具体公开了一种用于高速公路高边坡灾变的自动监测系统，该自动监测系统包括：数据收集与特征提取模块、深度学习训练模块、风险评估模型构建模块、预警通知模块及自动预警与处理建议模块。本发明通过风险数据收集与基本可信度分级模块、贝叶斯网络算法计算和权重加权模块及风险等级计算模块，形成了一个完整的风险评估框架，具有较强的系统性，通过贝叶斯网络算法计算各风险因素调整后的基本可信度，并进行权重加权，使得风险评估结果更为准确，能够有效地区分高、中、低不同风险等级。

Description

一种用于高速公路高边坡灾变的自动监测系统
技术领域
本发明属于识别模式的方法或装置，尤其是一种用于高速公路高边坡灾变的自动监测系统。
背景技术
高速公路是一种现代化的道路交通工具，其发展历程可以追溯到上世纪50年代。高速公路的发展对经济和社会的发展产生了很大的影响。它不仅提高了人们的出行效率，缩短了地理距离，还促进了区域经济的发展和城市的建设。同时，高速公路也带来了许多环境和社会问题，如噪音、空气污染、交通事故等，要求政府和相关部门采取有效的措施加以解决。未来，随着科技的发展和人们对出行方式的需求不断改变，高速公路的发展也将面临新的挑战和机遇。这包括探索智能化、数字化、可持续发展等方面的创新，以更好地满足人们的出行需求。
高速公路病害边坡是指在高速公路旁边的边坡因为各种原因而发生了一系列不同类型的病害，这些病害可能包括但不限于：滑坡、塌方、冲沟、裂缝、松散等。这些病害会对高速公路的正常使用和行车安全造成威胁，严重时甚至会导致交通事故。因此，对高速公路边坡的病害进行及时监测和维护，是保障公路安全畅通的重要环节。
目前，对于高速公路边坡病害的监测主要采用常规测量、GPS测量、传感器测量等方法。其中，常规测量需要在变形体上布设监测点，这种方式存在一定的局限性，如监测点数量有限、测量效率低、受天气等因素影响导致数据不准确等问题。这些问题都会对高速公路边坡病害监测产生非常大的影响。为了解决这些问题，需要寻求更加先进、高效、精准的监测方法和技术，以提高监测效率和数据准确性。
公开号为CN115797784A的中国专利公开了一种公路边坡地质监测方法及监测系统，具体公开了：通过采集公路边坡的多视图影像和所述多视图影像所相应的特征点位；把所述多视图影像和所述特征点位输入神经网络模型一，输出二维特征图；把所述多视图影像、所述特征点位以及所述二维特征图输入神经网络模型二，输出三维图像；将所述三维图像进行纹理映射处理，得到所述公路边坡的实景图；根据公路边坡的实景图，识别判断公路边坡的安全状况，并进行对应的检修。较为清晰的得到了边坡三维图像，但未对风险进行预测和告警，不适用与高速公路等车辆行驶速度较快的场景。
公开号为CN113723446A的中国专利公开了一种地灾监测预警方法、装置、计算机设备及存储介质，具体公开了：包括获取设置在同一个边坡的多个不同传感器的监测数据；每个所述监测数据包括雨量监测数据以及深部位移监测数据；将每个所述监测数据输入至监测模型内进行地灾监测，以得到所有监测结果；将所有监测结果进行加权处理，以得到最终监测结果；判断所述最终监测结果是否是存在滑坡风险；若所述最终监测结果存在滑坡风险，则发送预警信号至终端；其中，监测模型是通过若干个带有滑坡类别和非滑坡类别标签的传感器所获取的监测数据作为样本集训练深度森林算法所得，且监测模型采用ROC曲线进行评估。但是，该现有技术依赖监测数据作为样本集训练深度森林算法所得，且监测模型采用ROC曲线进行评估，对历史记录的依赖程度较高，当数据量较小或者存在历史偏差时，训练的样本集会出现偏差，进而造成判断失真，而判断失真的本次数据又会返回样本集，造成循环误差。
公开号为CN114812528B的中国专利公开了一种运用在高速公路病害边坡上的自动监测系统，具体公开了：包括数据获取模块：用于通过三维激光扫描仪对高速公路边坡进行扫描，获取扫描点云数据；模型构建模块：根据所述扫描点云数据构建边坡监测模型，并根据所述边坡监测模型进行边坡病害状态分析，获取分析结果；预警处理模块：对所述分析结果显示为边坡病害时，进行预警处理，本发明通过三维激光扫描技术获取的点云数据，能快速、高精度精确、全面地记录目标对象的三维空间位置信息、反射率的信息和色彩纹理信息等，因此不仅可以提高了测量的效率，而且通过根据点云数据构建模型从而对边坡病害情况进行监测，可以及时的对出现的病害情况进行预警，从而避免出现资源的损失和人员的伤害。但是，该现有技术的实施依赖于可见光或近可见光的测绘结果，对于测绘质量的要求较高，依赖于测绘人员的专业数量程度和测绘现场的光学环境，受人员和外部的影响较大，误差较大。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
发明目的：提供一种用于高速公路高边坡灾变的自动监测系统，以克服现有相关技术所存在的上述技术问题。
技术方案：一种用于高速公路高边坡灾变的自动监测系统，包括该自动监测系统包括：数据收集与特征提取模块、深度学习训练模块、风险评估模型构建模块、预警通知模块及自动预警与处理建议模块；
所述数据收集与特征提取模块，用于利用遥感技术对高速公路边坡进行实时监测，收集多维数据，并提取关键特征；
所述深度学习训练模块，用于将关键特征输入到深度学习模型进行训练，以预测边坡病害的演变；
所述风险评估模型构建模块，用于基于深度学习模型的预测结果，结合高速公路周边的综合因素，构建边坡病害风险评估模型；
所述预警通知模块，用于根据风险评估结果，为高边坡病害制定相应的预警级别，并发生至PC端或移动终端；
所述自动预警与处理建议模块，用于设定预警标准的阈值，当发生概率和严重程度达到预警标准的阈值时，自动触发预警，生成检测报告并制定处理措施。
进一步地，所述深度学习训练模块包括：数据获取模块、预测模型构建与训练模块、交叉验证模块、模型评估与选择模块及结果分析模块；
所述数据获取模块，用于获取边坡病害监测的历史数据，该历史数据包括关键特征和病害演变情况；
所述预测模型构建与训练模块，用于选择RBF神经网络模型作为高速公路病害高边坡的预测模型，将关键特征作为网络的输入层的节点数，病害演变情况作为网络的输出层的节点数，并采用数据并行方式对输入层的节点数进行训练；
所述交叉验证模块，用于使用训练集对预测模型进行训练，同时观察验证集上的误差，并判断模型是否出现过拟合现象，对于过度拟合的情况，通过减少或控制训练周期，在节点数出现拐点前，停止对网络的训练来达到训练效果；
所述模型评估与选择模块，用于评价预测模型中最优个体对关键特征数量的拟合程度，得到的最优RBF神经网络模型，并对病害演变情况进行预测；
所述结果分析模块，用于根据预测结果，与实际病害演变情况进行对比，分析最优RBF神经网络模型的准确性。
进一步地，所述预测模型构建与训练模块包括：网络结构初始化模块、数据集划分模块、RBF神经网络模型训练模块及RBF神经网络模型监测模块；
所述网络结构初始化模块，初始化RBF神经网络模型，将关键特征数量作为RBF神经网络模型输入层的节点数，病害演变情况作为网络输出层的节点数，并根据输入输出节点数，初始化RBF神经网络模型的结构，并确定隐藏层节点数；
所述数据集划分模块，用于将关键特征数据集按设定比例划分为训练集和验证集；
所述RBF神经网络模型训练模块，用于通过聚类算法确定隐藏层节点数的中心，计算每个隐藏层节点数上的激活值，并通过最小二乘法更新网络连接权重；
所述RBF神经网络模型监测模块，用于根据高速公路病害高边坡预测的实际需求和应用场景设定阈值，计算训练集上的均方误差，若达到设定阈值，则停止训练。
进一步地，所述风险评估模型构建模块包括：RBF神经网络模型预测模块、目标重要度赋予模块、因素加权得分计算模块及边坡病害风险评估值计算模块；
所述RBF神经网络模型预测模块，用于使用最优RBF神经网络模型对边坡病害的发生概率和严重程度进行预测；
所述目标重要度赋予模块，用于根据预测结果结合历史数据，分别计算边坡病害风险类型、交通流量、车辆类型、车辆速度的因素数值，并赋予各自的目标重要度；
所述因素加权得分计算模块，用于根据边坡病害风险类型、交通流量、车辆类型、车辆速度的因素数值与对应的目标重要度设定等级保护风险评估模型，计算每个因素的加权得分；
所述边坡病害风险评估值计算模块，用于将所有因素的加权得分相加，得出边坡病害风险评估值。
进一步地，所述等级保护风险评估模型的表达式为：
R＝{X，W，W*，S*，M}
W＝(wA，wB，wC，wD)
式中，X为高速公路边坡病害的风险类型；
W为高速公路边坡病害的风险类别权重向量；
W*为高速公路边坡病害的风险因素权重矩阵；
S*为模糊评语集合；
M为高速公路边坡病害的评估矩阵；
wA为边坡病害风险类型的权重向量；
wB为交通流量的权重向量；
wC为车辆类型的权重向量；
wD为车辆速度的权重向量。
进一步地，所述目标重要度赋予模块包括：因素数值计算模块、危害评估模块、目标层次结构模块、重要性评估模块及目标重要度计算模块；
所述因素数值计算模块，用于将历史数据进行归一化处理，并计算边坡病害风险类型、交通流量、车辆类型、车辆速度的因素数值；
所述危害评估模块，用于根据危害发生的发生概率和严重程度为边坡病害风险类型、交通流量、车辆类型、车辆速度，确定决策目标；
所述目标层次结构模块，用于根据决策目标，将其拆分成若干个层次，形成目标层次结构；
所述重要性评估模块，用于在每个层次的因素之间进行两两比较，形成判断矩阵，并评价因素之间的重要程度；
所述目标重要度计算模块，用于将判断矩阵中每列的数值加起来，得到该列的和，然后将每个元素除以其所在列的和，得到每个因素相应的目标重要度。
进一步地，所述边坡病害风险评估值计算模块包括：风险类别和因素定义模块、风险数据收集与分析模块及综合评估模块；
所述风险类别和因素定义模块，用于定义边坡病害风险类型、交通流量、车辆类型及车辆速度的权重向量，并为各个风险类别设定相应的权重向量；
所述风险数据收集与分析模块，用于收集与各个风险类别相关的数据，并根据风险等级为每个因素分配基本可信度，并计算各风险因素调整后的基本可信度；
所述综合评估模块，用于计算各个风险类别处于风险等级的基本可信度，并计算信度函数和似然函数，得到评估结果。
进一步地，所述风险数据收集与分析模块包括：风险数据收集与基本可信度分级模块、贝叶斯网络算法计算和权重加权模块及风险等级计算模块；
所述风险数据收集与基本可信度分级模块，用于收集各个风险类别相关的数据，并根据风险等级将各个风险的基本可信度分为高、中、低三个等级。
所述贝叶斯网络算法计算和权重加权模块，用于使用贝叶斯网络算法计算各风险因素调整后的基本可信度，并进行权重加权。
所述风险等级计算模块，用于根据权重和基本可信度的划分等级，计算每种风险的最终风险等级。
进一步地，所述预警通知模块包括：等级划分模块、信息推送模块、信息交互模块及信息反馈模块；
所述等级划分模块，用于根据边坡病害风险评估结果，将高风险区域划分为红色、橙色和黄色的预警级别，并整理预警级别、地理位置及时间信息；
所述信息推送模块，用于针对PC端和移动终端，设计消息格式，简洁消息内容，并自动通知推送；
所述信息交互模块，用于在PC端或移动终端中开发接收预警消息的程序或功能模块，并接收、解析和显示预警信息；
所述信息反馈模块，用于设置用户反馈功能，收集用户关于预警信息的意见和建议。
进一步地，所述自动预警与处理建议模块包括：预警系统设定模块、检测报告生产模块及处理措施制定模块；
所述预警系统设定模块，用于确定发生概率和严重程度的监测指标和阈值，设定预警系统；
所述检测报告生产模块，用于当预警系统自动触发预警后，计算机程序会生成检测报告，检测报告包含结构物的监测数据、预警原因和预警建议；
所述处理措施制定模块，用于根据检测报告中的信息，制定相应的处理措施。
有益效果：
1、本发明通过RBF神经网络模型进行预测，具有较强的非线性拟合能力，能够捕捉到关键特征和病害演变之间的复杂关系，从而提高预测准确性，通过交叉验证模块观察训练集和验证集上的误差，对于过拟合现象，可以及时调整模型结构或控制训练周期以避免过拟合，模型评估与选择模块对最优RBF神经网络模型进行评价，保证了所选模型具有良好的拟合程度和可靠性，整个模型包含数据获取、模型构建与训练、交叉验证、模型评估与选择及结果分析等多个模块，形成了一个完整的预测系统。
2、本发明通过风险数据收集与基本可信度分级模块、贝叶斯网络算法计算和权重加权模块及风险等级计算模块，形成了一个完整的风险评估框架，具有较强的系统性，通过贝叶斯网络算法计算各风险因素调整后的基本可信度，并进行权重加权，使得风险评估结果更为准确，能够有效地区分高、中、低不同风险等级，信息推送模块可以针对PC端和移动终端自动通知推送预警信息，提高信息传递的实时性，等级划分模块对高风险区域进行直观的红色、橙色和黄色的预警级别划分，用户容易理解和采取相应措施，信息交互模块和信息反馈模块允许用户在PC端或移动终端接收预警消息，并提供反馈功能，增强了系统与用户之间的交互性。
3、本发明中整个预警系统包括多个模块，如风险类别和因素定义模块、风险数据收集与分析模块、综合评估模块等，形成了一个完整的风险评估与预警框架，通过贝叶斯网络算法计算各风险因素调整后的基本可信度，并进行权重加权，使得风险评估结果更为准确，能够有效地区分高、中、低不同风险等级，信息推送模块可以针对PC端和移动终端自动通知推送预警信息，提高信息传递的实时性，根据边坡病害风险评估结果制定相应的预警级别，将高风险区域划分为红色、橙色和黄色预警级别，并整理预警级别、地理位置及时间信息，这有助于提高预警的准确性和可靠性,信息交互模块用于在PC端或移动终端中开发接收预警消息的程序或功能模块，并接收、解析和显示预警信息，这使得用户可以方便地获取预警信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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是根据本发明实施例的一种用于高速公路高边坡灾变的自动监测系统的原理框图。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
根据本发明的实施例，提供了一种用于高速公路高边坡灾变的自动监测系统。
如图1所示，根据本发明实施例的用于高速公路病害高边坡的自动监测系统，该自动监测系统包括：数据收集与特征提取模块1、深度学习训练模块2、风险评估模型构建模块3、预警通知模块4及自动预警与处理建议模块5；
所述数据收集与特征提取模块1，用于利用遥感技术对高速公路边坡进行实时监测，收集多维数据，并提取关键特征。
需要说明的是，遥感技术能够提供快速、大范围、连续的观测信息，对于高速公路边坡稳定性评估和灾害预警具有重要意义。以下是利用遥感技术对高速公路边坡进行实时监测、收集多维数据，并提取关键特征的步骤：根据监测目标和精度要求，选择合适的遥感传感器(如光学传感器、雷达传感器、激光扫描仪等)和平台(如卫星、无人机、地面车载等)。使用选定的遥感设备进行高速公路边坡的实时观测，获取原始遥感数据。这些数据可能包括：数字正射影像、高程数据、多光谱数据、合成孔径雷达数据等。对原始遥感数据进行噪声去除、辐射定标、几何校正、影像配准等预处理操作，以消除系统误差和环境因素对数据质量的影响。从预处理后的遥感数据中提取边坡的关键特征，如高程、坡度、坡向、地貌形态、裂缝分布、植被覆盖等。将提取的多维特征信息进行融合和综合分析，评估边坡稳定性和潜在灾害风险。实时监测边坡的稳定性变化，发现异常情况及时报警，为防灾减灾提供科学依据。
所述深度学习训练模块2，用于将关键特征输入到深度学习模型进行训练，以预测边坡病害的演变。
优选的，所述深度学习训练模块2包括：数据获取模块、预测模型构建与训练模块、交叉验证模块、模型评估与选择模块及结果分析模块；
所述数据获取模块，用于获取边坡病害监测的历史数据，该历史数据包括关键特征(如地质条件、气候条件等)和病害演变情况(如裂缝、滑坡等)；
所述预测模型构建与训练模块，用于选择RBF神经网络模型作为高速公路病害高边坡的预测模型，将关键特征作为网络的输入层的节点数，病害演变情况作为网络的输出层的节点数，并采用数据并行方式对输入层的节点数进行训练；
所述交叉验证模块，用于使用训练集对预测模型进行训练，同时观察验证集上的误差，并判断模型是否出现过拟合现象，对于过度拟合的情况，通过减少或控制训练周期，在节点数出现拐点前，停止对网络的训练来达到训练效果；
所述模型评估与选择模块，用于评价预测模型中最优个体对关键特征数量的拟合程度，得到的最优RBF神经网络模型，并对病害演变情况进行预测；
所述结果分析模块，用于根据预测结果，与实际病害演变情况进行对比，分析最优RBF神经网络模型的准确性。
优选的，所述预测模型构建与训练模块包括：网络结构初始化模块、数据集划分模块、RBF神经网络模型训练模块及RBF神经网络模型监测模块；
所述网络结构初始化模块，初始化RBF神经网络模型，将关键特征数量作为RBF神经网络模型输入层的节点数，病害演变情况作为网络输出层的节点数，并根据输入输出节点数，初始化RBF神经网络模型的结构，并确定隐藏层节点数；
所述数据集划分模块，用于将关键特征数据集按设定比例划分为训练集和验证集；
所述RBF神经网络模型训练模块，用于通过聚类算法确定隐藏层节点数的中心，计算每个隐藏层节点数上的激活值，并通过最小二乘法更新网络连接权重；
所述RBF神经网络模型监测模块，用于根据高速公路病害高边坡预测的实际需求和应用场景设定阈值，计算训练集上的均方误差，若达到设定阈值，则停止训练。
所述风险评估模型构建模块3，用于基于深度学习模型的预测结果，结合高速公路周边的综合因素，构建边坡病害风险评估模型。
优选的，所述风险评估模型构建模块3包括：RBF神经网络模型预测模块、目标重要度赋予模块、因素加权得分计算模块及边坡病害风险评估值计算模块；
所述RBF神经网络模型预测模块，用于使用最优RBF神经网络模型对边坡病害的发生概率和严重程度进行预测；
所述目标重要度赋予模块，用于根据预测结果结合历史数据，分别计算边坡病害风险类型、交通流量、车辆类型、车辆速度的因素数值，并赋予各自的目标重要度；
所述因素加权得分计算模块，用于根据边坡病害风险类型、交通流量、车辆类型、车辆速度的因素数值与对应的目标重要度设定等级保护风险评估模型，计算每个因素的加权得分；
所述边坡病害风险评估值计算模块，用于将所有因素的加权得分相加，得出边坡病害风险评估值。
优选的，所述等级保护风险评估模型的表达式为：
R＝{X，W，W*，S*，M}
W＝(wA，wB，wC，wD)
式中，X为高速公路边坡病害的风险类型；
W为高速公路边坡病害的风险类别权重向量；
W*为高速公路边坡病害的风险因素权重矩阵；
S*为模糊评语集合；
M为高速公路边坡病害的评估矩阵；
wA为边坡病害风险类型的权重向量；
wB为交通流量的权重向量；
wC为车辆类型的权重向量；
wD为车辆速度的权重向量。
具体的，通过建立基于等级保护的层次化评估体系，并运用基于证据理论的模糊评估方法处理评估中存在的模糊值，最终量化评估结果。
优选的，所述目标重要度赋予模块包括：因素数值计算模块、危害评估模块、目标层次结构模块、重要性评估模块及目标重要度计算模块；
所述因素数值计算模块，用于将历史数据进行归一化处理，并计算边坡病害风险类型、交通流量、车辆类型、车辆速度的因素数值；
所述危害评估模块，用于根据危害发生的发生概率和严重程度为边坡病害风险类型、交通流量、车辆类型、车辆速度，确定决策目标；
所述目标层次结构模块，用于根据决策目标，将其拆分成若干个层次，形成目标层次结构；
所述重要性评估模块，用于在每个层次的因素之间进行两两比较，形成判断矩阵，并评价因素之间的重要程度；
所述目标重要度计算模块，用于将判断矩阵中每列的数值加起来，得到该列的和，然后将每个元素除以其所在列的和，得到每个因素相应的目标重要度。
优选的，所述边坡病害风险评估值计算模块包括：风险类别和因素定义模块、风险数据收集与分析模块及综合评估模块；
所述风险类别和因素定义模块，用于定义边坡病害风险类型、交通流量、车辆类型及车辆速度的权重向量，并为各个风险类别设定相应的权重向量；
所述风险数据收集与分析模块，用于收集与各个风险类别相关的数据，并根据风险等级为每个因素分配基本可信度，并计算各风险因素调整后的基本可信度；
所述综合评估模块，用于计算各个风险类别处于风险等级的基本可信度，并计算信度函数和似然函数，得到评估结果。
优选的，所述风险数据收集与分析模块包括：风险数据收集与基本可信度分级模块、贝叶斯网络算法计算和权重加权模块及风险等级计算模块；
所述风险数据收集与基本可信度分级模块，用于收集各个风险类别相关的数据，并根据风险等级将各个风险的基本可信度分为高、中、低三个等级。
所述贝叶斯网络算法计算和权重加权模块，用于使用贝叶斯网络算法计算各风险因素调整后的基本可信度，并进行权重加权。
所述风险等级计算模块，用于根据权重和基本可信度的划分等级，计算每种风险的最终风险等级。
所述预警通知模块4，用于根据风险评估结果，为高边坡病害制定相应的预警级别，并发生至PC端或移动终端。
优选的，所述预警通知模块4包括：等级划分模块、信息推送模块、信息交互模块及信息反馈模块；
所述等级划分模块，用于根据边坡病害风险评估结果，将高风险区域划分为红色、橙色和黄色的预警级别，并整理预警级别、地理位置及时间信息；
所述信息推送模块，用于针对PC端和移动终端，设计消息格式，简洁消息内容，并自动通知推送；
所述信息交互模块，用于在PC端或移动终端中开发接收预警消息的程序或功能模块，并接收、解析和显示预警信息；
所述信息反馈模块，用于设置用户反馈功能，收集用户关于预警信息的意见和建议。
需要说明的是，风险数据收集与分析模块通过风险数据收集与基本可信度分级模块、贝叶斯网络算法计算和权重加权模块及风险等级计算模块，形成了一个完整的风险评估框架，具有较强的系统性，通过贝叶斯网络算法计算各风险因素调整后的基本可信度，并进行权重加权，使得风险评估结果更为准确，能够有效地区分高、中、低不同风险等级，信息推送模块可以针对PC端和移动终端自动通知推送预警信息，提高信息传递的实时性。
所述自动预警与处理建议模块5，用于设定预警标准的阈值，当发生概率和严重程度达到预警标准的阈值时，自动触发预警，生成检测报告并制定处理措施。
优选的，所述自动预警与处理建议模块5包括：预警系统设定模块、检测报告生产模块及处理措施制定模块；
所述预警系统设定模块，用于确定发生概率和严重程度的监测指标和阈值，设定预警系统；
所述检测报告生产模块，用于当预警系统自动触发预警后，计算机程序会生成检测报告，检测报告包含结构物的监测数据、预警原因和预警建议；
所述处理措施制定模块，用于根据检测报告中的信息，制定相应的处理措施。
具体地，为了便于本领域技术人员更好的理解，本申请相关实施例，现对本申请可能涉及的技术术语或者部分名词进行解释：RBF神经网络模型预测模块(Radial BasisFunction，径向基函数)，是一种特殊的前馈式人工神经网络，RBF神经网络只有一个隐藏层，该层的作用是对输入信号进行非线性映射。隐藏层中的每个神经元都有一个对应的径向基函数，如高斯核函数、多项式核函数等。隐藏层神经元的数量决定了网络的复杂度和拟合能力。作为隐藏层神经元的激活函数，径向基函数具有局部响应特性，即其响应随着距离中心点的增加而减小。常见的径向基函数包括高斯径向基函数、多项式径向基函数等。
综上所述，借助于本发明的上述技术方案，本发明通过RBF神经网络模型进行预测，具有较强的非线性拟合能力，能够捕捉到关键特征和病害演变之间的复杂关系，从而提高预测准确性，通过交叉验证模块观察训练集和验证集上的误差，对于过拟合现象，可以及时调整模型结构或控制训练周期以避免过拟合，模型评估与选择模块对最优RBF神经网络模型进行评价，保证了所选模型具有良好的拟合程度和可靠性，整个模型包含数据获取、模型构建与训练、交叉验证、模型评估与选择及结果分析等多个模块，形成了一个完整的预测系统；本发明通过风险数据收集与基本可信度分级模块、贝叶斯网络算法计算和权重加权模块及风险等级计算模块，形成了一个完整的风险评估框架，具有较强的系统性，通过贝叶斯网络算法计算各风险因素调整后的基本可信度，并进行权重加权，使得风险评估结果更为准确，能够有效地区分高、中、低不同风险等级，信息推送模块可以针对PC端和移动终端自动通知推送预警信息，提高信息传递的实时性，等级划分模块对高风险区域进行直观的红色、橙色和黄色的预警级别划分，用户容易理解和采取相应措施，信息交互模块和信息反馈模块允许用户在PC端或移动终端接收预警消息，并提供反馈功能，增强了系统与用户之间的交互性，本发明中整个预警系统包括多个模块，如风险类别和因素定义模块、风险数据收集与分析模块、综合评估模块等，形成了一个完整的风险评估与预警框架，通过贝叶斯网络算法计算各风险因素调整后的基本可信度，并进行权重加权，使得风险评估结果更为准确，能够有效地区分高、中、低不同风险等级，信息推送模块可以针对PC端和移动终端自动通知推送预警信息，提高信息传递的实时性，根据边坡病害风险评估结果制定相应的预警级别，将高风险区域划分为红色、橙色和黄色预警级别，并整理预警级别、地理位置及时间信息，这有助于提高预警的准确性和可靠性，信息交互模块用于在PC端或移动终端中开发接收预警消息的程序或功能模块，并接收、解析和显示预警信息，这使得用户可以方便地获取预警信息。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用于高速公路高边坡灾变的自动监测系统，其特征在于，该自动监测系统包括：数据收集与特征提取模块、深度学习训练模块、风险评估模型构建模块、预警通知模块及自动预警与处理建议模块；
所述数据收集与特征提取模块，用于利用遥感技术对高速公路边坡进行实时监测，收集多维数据，并提取关键特征；
所述深度学习训练模块，用于将关键特征输入到深度学习模型进行训练，以预测边坡病害的演变；
所述风险评估模型构建模块，用于基于深度学习模型的预测结果，结合高速公路周边的综合因素，构建边坡病害风险评估模型；
所述预警通知模块，用于根据风险评估结果，为高边坡病害制定相应的预警级别，并发生至PC端或移动终端；
所述自动预警与处理建议模块，用于设定预警标准的阈值，当发生概率和严重程度达到预警标准的阈值时，自动触发预警，生成检测报告并制定处理措施。
2.根据权利要求1所述的用于高速公路高边坡灾变的自动监测系统，其特征在于，所述深度学习训练模块包括：数据获取模块、预测模型构建与训练模块、交叉验证模块、模型评估与选择模块及结果分析模块；
所述数据获取模块，用于获取边坡病害监测的历史数据，该历史数据包括关键特征和病害演变情况；
所述预测模型构建与训练模块，用于选择RBF神经网络模型作为高速公路病害高边坡的预测模型，将关键特征作为网络的输入层的节点数，病害演变情况作为网络的输出层的节点数，并采用数据并行方式对输入层的节点数进行训练；
所述交叉验证模块，用于使用训练集对预测模型进行训练，同时观察验证集上的误差，并判断模型是否出现过拟合现象，对于过度拟合的情况，通过减少或控制训练周期，在节点数出现拐点前，停止对网络的训练来达到训练效果；
所述模型评估与选择模块，用于评价预测模型中最优个体对关键特征数量的拟合程度，得到的最优RBF神经网络模型，并对病害演变情况进行预测；
所述结果分析模块，用于根据预测结果，与实际病害演变情况进行对比，分析最优RBF神经网络模型的准确性。
3.根据权利要求2所述的用于高速公路高边坡灾变的自动监测系统，其特征在于，所述预测模型构建与训练模块包括：网络结构初始化模块、数据集划分模块、RBF神经网络模型训练模块及RBF神经网络模型监测模块；
所述网络结构初始化模块，初始化RBF神经网络模型，将关键特征数量作为RBF神经网络模型输入层的节点数，病害演变情况作为网络输出层的节点数，并根据输入输出节点数，初始化RBF神经网络模型的结构，并确定隐藏层节点数；
所述数据集划分模块，用于将关键特征数据集按设定比例划分为训练集和验证集；
所述RBF神经网络模型训练模块，用于通过聚类算法确定隐藏层节点数的中心，计算每个隐藏层节点数上的激活值，并通过最小二乘法更新网络连接权重；
所述RBF神经网络模型监测模块，用于根据高速公路病害高边坡预测的实际需求和应用场景设定阈值，计算训练集上的均方误差，若达到设定阈值，则停止训练。
4.根据权利要求1所述的用于高速公路高边坡灾变的自动监测系统，其特征在于，所述风险评估模型构建模块包括：RBF神经网络模型预测模块、目标重要度赋予模块、因素加权得分计算模块及边坡病害风险评估值计算模块；
所述RBF神经网络模型预测模块，用于使用最优RBF神经网络模型对边坡病害的发生概率和严重程度进行预测；
所述目标重要度赋予模块，用于根据预测结果结合历史数据，分别计算边坡病害风险类型、交通流量、车辆类型、车辆速度的因素数值，并赋予各自的目标重要度；
所述因素加权得分计算模块，用于根据边坡病害风险类型、交通流量、车辆类型、车辆速度的因素数值与对应的目标重要度设定等级保护风险评估模型，计算每个因素的加权得分；
所述边坡病害风险评估值计算模块，用于将所有因素的加权得分相加，得出边坡病害风险评估值。
5.根据权利要求4所述的用于高速公路高边坡灾变的自动监测系统，其特征在于，所述等级保护风险评估模型的表达式为：
R＝{X，W，W*，S*，M}
W＝(wA，wB，wC，wD)
式中，X为高速公路边坡病害的风险类型；
W为高速公路边坡病害的风险类别权重向量；
W*为高速公路边坡病害的风险因素权重矩阵；
S*为模糊评语集合；
M为高速公路边坡病害的评估矩阵；
wA为边坡病害风险类型的权重向量；
wB为交通流量的权重向量；
wC为车辆类型的权重向量；
wD为车辆速度的权重向量。
6.根据权利要求4所述的用于高速公路高边坡灾变的自动监测系统，其特征在于，所述目标重要度赋予模块包括：因素数值计算模块、危害评估模块、目标层次结构模块、重要性评估模块及目标重要度计算模块；
所述因素数值计算模块，用于将历史数据进行归一化处理，并计算边坡病害风险类型、交通流量、车辆类型、车辆速度的因素数值；
所述危害评估模块，用于根据危害发生的发生概率和严重程度为边坡病害风险类型、交通流量、车辆类型、车辆速度，确定决策目标；
所述目标层次结构模块，用于根据决策目标，将其拆分成若干个层次，形成目标层次结构；
所述重要性评估模块，用于在每个层次的因素之间进行两两比较，形成判断矩阵，并评价因素之间的重要程度；
所述目标重要度计算模块，用于将判断矩阵中每列的数值加起来，得到该列的和，然后将每个元素除以其所在列的和，得到每个因素相应的目标重要度。
7.根据权利要求4所述的用于高速公路高边坡灾变的自动监测系统，其特征在于，所述边坡病害风险评估值计算模块包括：风险类别和因素定义模块、风险数据收集与分析模块及综合评估模块；
所述风险类别和因素定义模块，用于定义边坡病害风险类型、交通流量、车辆类型及车辆速度的权重向量，并为各个风险类别设定相应的权重向量；
所述风险数据收集与分析模块，用于收集与各个风险类别相关的数据，并根据风险等级为每个因素分配基本可信度，并计算各风险因素调整后的基本可信度；
所述综合评估模块，用于计算各个风险类别处于风险等级的基本可信度，并计算信度函数和似然函数，得到评估结果。
8.根据权利要求7所述的用于高速公路高边坡灾变的自动监测系统，其特征在于，所述风险数据收集与分析模块包括：风险数据收集与基本可信度分级模块、贝叶斯网络算法计算和权重加权模块及风险等级计算模块；
所述风险数据收集与基本可信度分级模块，用于收集各个风险类别相关的数据，并根据风险等级将各个风险的基本可信度分为高、中、低三个等级；
所述贝叶斯网络算法计算和权重加权模块，用于使用贝叶斯网络算法计算各风险因素调整后的基本可信度，并进行权重加权；
所述风险等级计算模块，用于根据权重和基本可信度的划分等级，计算每种风险的最终风险等级。
9.根据权利要求1所述的用于高速公路高边坡灾变的自动监测系统，其特征在于，所述预警通知模块包括：等级划分模块、信息推送模块、信息交互模块及信息反馈模块；
所述等级划分模块，用于根据边坡病害风险评估结果，将高风险区域划分为红色、橙色和黄色的预警级别，并整理预警级别、地理位置及时间信息；
所述信息推送模块，用于针对PC端和移动终端，设计消息格式，简洁消息内容，并自动通知推送；
所述信息交互模块，用于在PC端或移动终端中开发接收预警消息的程序或功能模块，并接收、解析和显示预警信息；
所述信息反馈模块，用于设置用户反馈功能，收集用户关于预警信息的意见和建议。
10.根据权利要求1所述的用于高速公路高边坡灾变的自动监测系统，其特征在于，所述自动预警与处理建议模块包括：预警系统设定模块、检测报告生产模块及处理措施制定模块；
所述预警系统设定模块，用于确定发生概率和严重程度的监测指标和阈值，设定预警系统；
所述检测报告生产模块，用于当预警系统自动触发预警后，计算机程序会生成检测报告，检测报告包含结构物的监测数据、预警原因和预警建议；
所述处理措施制定模块，用于根据检测报告中的信息，制定相应的处理措施。
CN202311086738.XA 2023-08-28 2023-08-28 一种用于高速公路高边坡灾变的自动监测系统 Withdrawn CN117133099A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311086738.XA CN117133099A (zh) 2023-08-28 2023-08-28 一种用于高速公路高边坡灾变的自动监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311086738.XA CN117133099A (zh) 2023-08-28 2023-08-28 一种用于高速公路高边坡灾变的自动监测系统

Publications (1)

Publication Number Publication Date
CN117133099A true CN117133099A (zh) 2023-11-28

Family

ID=88850286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311086738.XA Withdrawn CN117133099A (zh) 2023-08-28 2023-08-28 一种用于高速公路高边坡灾变的自动监测系统

Country Status (1)

Country Link
CN (1) CN117133099A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117435891A (zh) * 2023-12-20 2024-01-23 成都嘉新科技集团有限公司 一种土质边坡的稳定性模拟评估方法及系统
CN118015839A (zh) * 2024-04-08 2024-05-10 清华大学 一种高速公路路域风险预测方法及装置
CN118171914A (zh) * 2024-04-26 2024-06-11 中国建筑科学研究院有限公司 一种建筑变形风险预测方法及系统
CN118397798A (zh) * 2024-06-29 2024-07-26 中铁水利水电规划设计集团有限公司 一种基于图像分析的边坡滑坡风险快速评估预警方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117435891A (zh) * 2023-12-20 2024-01-23 成都嘉新科技集团有限公司 一种土质边坡的稳定性模拟评估方法及系统
CN117435891B (zh) * 2023-12-20 2024-02-27 成都嘉新科技集团有限公司 一种土质边坡的稳定性模拟评估方法及系统
CN118015839A (zh) * 2024-04-08 2024-05-10 清华大学 一种高速公路路域风险预测方法及装置
CN118171914A (zh) * 2024-04-26 2024-06-11 中国建筑科学研究院有限公司 一种建筑变形风险预测方法及系统
CN118171914B (zh) * 2024-04-26 2024-09-10 中国建筑科学研究院有限公司 一种建筑变形风险预测方法及系统
CN118397798A (zh) * 2024-06-29 2024-07-26 中铁水利水电规划设计集团有限公司 一种基于图像分析的边坡滑坡风险快速评估预警方法
CN118397798B (zh) * 2024-06-29 2024-09-10 中铁水利水电规划设计集团有限公司 一种基于图像分析的边坡滑坡风险快速评估预警方法

Similar Documents

Publication Publication Date Title
CN117133099A (zh) 一种用于高速公路高边坡灾变的自动监测系统
Cano-Ortiz et al. Machine learning algorithms for monitoring pavement performance
Kortmann et al. Detecting various road damage types in global countries utilizing faster r-cnn
CN111415533A (zh) 弯道安全预警监控方法、装置以及系统
CN118245756B (zh) 一种基于态势感知的船舶智能航行分析方法及系统
De Luca A comparison between prediction power of artificial neural networks and multivariate analysis in road safety management
Karimzadeh et al. A deep learning model for road damage detection after an earthquake based on synthetic aperture radar (SAR) and field datasets
CN118225179B (zh) 基于城市排水的智能井盖监测方法及系统
CN116461546A (zh) 车辆预警方法、装置、存储介质和处理器
CN117238126A (zh) 一种连续流道路场景下的交通事故风险评估方法
Saeed et al. Gravel road classification based on loose gravel using transfer learning
Azari et al. A GIS-based approach for accident hotspots mapping in mountain roads using seasonal and geometric indicators
CN117078045B (zh) 一种交通基础设施全息检监测方法及系统
You et al. PANDA: predicting road risks after natural disasters leveraging heterogeneous urban data
CN116824520A (zh) 基于ReID和图卷积网络的车辆轨迹预测方法及系统
CN114898203B (zh) 一种基于深度学习的轨道交通周边危险源变化检测方法
CN113255820B (zh) 落石检测模型训练方法、落石检测方法及相关装置
CN115438547A (zh) 基于路面服役状态的整体评价方法及系统
CN114743168A (zh) 基于深度学习的行车风险源识别评估方法及系统
Ali et al. Employment of instrumented vehicles to identify real-time snowy weather conditions on freeways using supervised machine learning techniques–A naturalistic driving study
CN107085074B (zh) 一种分类监测机动车尾气的方法
Chavan et al. An Overview of Machine Learning Techniques for Evaluation of Pavement Condition
CN118366312B (zh) 一种交通检测系统及方法
Khanapuri et al. Low-Cost Shoulder Drop-off Prediction for Highways Using Learning-Based Methods
CN116739357B (zh) 多模态融合感知的城市既有建筑广域监测预警方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20231128

WW01 Invention patent application withdrawn after publication