CN117370897A - 道路健康状态检测方法、电子设备和计算机可读介质 - Google Patents

Abstract

本发明的内容公开了道路健康状态检测方法、电子设备和计算机可读介质。该方法包括：获取目标道路的道路数据组集；对道路数据组集中各个道路数据组包括的各个道路数据进行预处理，以生成预处理后道路数据组集；将预处理后道路数据组集输入至预先训练的道路健康状态检测模型中，得到道路健康状态检测值；将预处理后道路数据组集输入至预先训练的道路健康状态阈值模型，得到道路健康状态阈值；确定道路健康状态检测值是否超出道路健康状态阈值；响应于确定道路健康状态检测值超出道路健康状态阈值，对相关联的终端进行第一告警操作，该方法避免了道路损伤，提高了道路的安全性。

Description

道路健康状态检测方法、电子设备和计算机可读介质

技术领域

本发明涉及计算机技术领域，具体涉及道路健康状态检测方法、电子设备和计算机可读介质。

背景技术

随着城市道路的建设扩张，如何确定道路的健康状态成为一项重要的研究课题。目前，在确定道路的健康状态并进行预警时，通常采用的方式为：通过传感器获取数据，通过数据确定道路的健康状态是否达到预先设定的阈值，在达到预先设定的阈值时进行预警。

然而，当采用上述方式确定道路的健康状态并进行预警时，经常会存在如下技术问题：

第一，由于受到环境因素（例如，温度或车辆超载），道路的承受能力可能会发生改变，设置固定的预警阈值时，可能会因道路健康状态已达到承受能力而未达到预警阈值，导致道路损伤，造成道路安全性较低。

第二，在确定道路的承受能力阈值时，获取的数据可能因传感器故障而出现偏差，未对传感器采集的数据进行校验，导致使用出现偏差的数据确定的承受能力阈值与实际承受能力阈值不符，造成道路损伤，道路安全性较低。

第三，使用卷积网络模型确定道路的承受能力阈值时，卷积网络模型难以捕捉序列数据中的时间相关特征，导致确定的承受能力阈值与实际承受能力阈值不符，造成道路损伤，道路安全性较低，且卷积网络模型确定的道路承受能力阈值为道路处于健康状态时的承受能力阈值，无法确定道路在损伤状态的承受能力阈值，造成道路损伤，进一步降低了道路安全性。

该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了道路健康状态检测方法、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种道路健康状态检测方法，该方法包括：获取目标道路的道路数据组集；对上述道路数据组集中各个道路数据组包括的各个道路数据进行预处理，以生成预处理后道路数据组集；将上述预处理后道路数据组集输入至预先训练的道路健康状态检测模型中，得到道路健康状态检测值；将上述预处理后道路数据组集输入至预先训练的道路健康状态阈值模型，得到道路健康状态阈值；确定上述道路健康状态检测值是否超出上述道路健康状态阈值；响应于确定上述道路健康状态检测值超出上述道路健康状态阈值，对相关联的终端进行第一告警操作。

第二方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

第三方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的道路健康状态检测方法，可以避免道路损伤，提高道路安全性。具体来说，导致道路损伤，道路安全性较低的原因在于：由于受到环境因素（例如，温度或车辆超载），道路的承受能力可能会发生改变，设置固定的预警阈值时，可能会因道路健康状态已达到承受能力而未达到预警阈值，导致道路损伤，造成道路安全性较低。基于此，本公开的一些实施例的道路健康状态检测方法，首先，获取目标道路的道路数据组集。由此，可以获取到传感器采集的道路数据。其次，对上述道路数据组集中各个道路数据组包括的各个道路数据进行预处理，以生成预处理后道路数据组集。由此，可以对采集的道路数据进行预处理，避免出现缺失值或者异常值。然后，将上述预处理后道路数据组集输入至预先训练的道路健康状态检测模型中，得到道路健康状态检测值；将上述预处理后道路数据组集输入至预先训练的道路健康状态阈值模型，得到道路健康状态阈值。由此，可以通过采集的道路数据确定道路的预警阈值，从而可以避免设置固定的阈值导致的道路健康状态已达到承受能力而未达到预警阈值，从而避免了道路损失，提高了道路的安全性。最后，确定上述道路健康状态检测值是否超出上述道路健康状态阈值；响应于确定上述道路健康状态检测值超出上述道路健康状态阈值，对相关联的终端进行第一告警操作。由此，可以在道路的健康状态超出预警阈值时进行告警。避免了道路损失，提高了道路的安全性。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开的道路健康状态检测方法的一些实施例的流程图；

图2是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

本公开所提及的“检测”包括“动态检测”，与工程行业所指的“监测”的含义相统一。

下面将参考附图并结合实施例来详细说明本公开。

图1示出了根据本公开的道路健康状态检测方法的一些实施例的流程100。该道路健康状态检测方法，包括以下步骤：

步骤101，获取目标道路的道路数据组集。

在一些实施例中，道路健康状态检测方法的执行主体（例如服务器）可以获取目标道路的道路数据组集。实践中，上述执行主体可以通过有线连接或者无线连接的方式从目标数据库中获取目标道路的道路数据组集。其中，上述目标数据库可以是用于存储道路数据组集的数据库。上述道路数据组集中的道路数据组可以是某一相关联的传感器在历史时间段内获取的道路数据。上述相关联的传感器可以是与上述执行主体通信连接的传感器。上述传感器包括但不限于：位移拾振器、加速度传感器和湿度计。上述历史时间段可以是当前时间之前的某一时间段。例如，上述历史时间段可以是当前时间之前的30天至当前时间。上述道路可以是道路的高架段或者桥梁。

可选地，在步骤101之前，获取相关联的传感器信息集。

在一些实施例中，上述执行主体可以获取相关联的传感器信息集。实践中，上述执行主体可以通过有线连接或者无线连接的方式从存储传感器中获取传感器信息集。其中，上述传感器信息集中的传感器信息包括传感器名称和传感器类别。上述传感器类别可以是传感器的采集类别。上述传感器类别包括触发式采集传感器和连续采集传感器。上述触发式采集传感器可以是触发某一条件才会进行采集操作的传感器。上述连续采集传感器可以是按预先设定的时间间隔进行采集的传感器。

可选地，根据上述传感器信息集中各个传感器信息包括的各个传感器类别，对传感器信息集对应的各个数据传感器进行分类处理，以生成第一传感器组和第二传感器组。

在一些实施例中，上述执行主体可以根据上述传感器信息集中各个传感器信息包括的各个传感器类别，对传感器信息集对应的各个数据传感器进行分类处理，以生成第一传感器组和第二传感器组。其中，上述第一传感器组中的各个第一传感器为连续采集传感器。上述第二传感器组中的各个第二传感器为触发式采集传感器。

可选地，响应于当前时间为预设采集时间，控制上述第一传感器组中的各个第一传感器进行数据采集操作，以生成第一道路数据集。

在一些实施例中，上述执行主体可以响应于当前时间为预设采集时间，控制上述第一传感器组中的各个第一传感器进行数据采集操作，以生成第一道路数据集。其中，上述预设采集时间可以是预先设定的控制第一传感器组进行数据采集的时间点。

可选地，对于上述第二传感器组中的每个第二传感器，响应于满足预设采集条件，控制上述第二传感器进行数据采集操作，以生成第二道路数据。

在一些实施例中，上述执行主体可以对于上述第二传感器组中的每个第二传感器，响应于满足预设采集条件，控制上述第二传感器进行数据采集操作，以生成第二道路数据。其中，上述预设采集条件可以是预先设定的需要第二传感器组进行数据采集的条件。例如，上述预设采集条件可以是检测到轴重大于等于预设轴重的车辆即将通行。

可选地，将所生成的各个第二道路数据与上述第一道路数据集存储至目标数据库中。

在一些实施例中，上述执行主体可以将所生成的各个第二道路数据与上述第一道路数据集存储至目标数据库中。

步骤102，对道路数据组集中各个道路数据组包括的各个道路数据进行预处理，以生成预处理后道路数据组集。

在一些实施例中，上述执行主体可以对上述道路数据组集中各个道路数据组包括的各个道路数据进行预处理，以生成预处理后道路数据组集。其中，上述预处理可以是对上述道路数据组集中各个道路数据组包括的各个道路数据进行数据清洗处理。

实践中，上述执行主体可以通过以下步骤对上述道路数据组集中各个道路数据组包括的各个道路数据进行预处理，以生成预处理后道路数据组集：

第一步，对于上述道路数据组集中的每个道路数据组，执行如下预处理步骤：

第一预处理步骤，响应于上述道路数据组存在缺失值，确定缺失值的前邻值和后邻值，以及根据前邻值和后邻值，对缺失值进行补充。实践中，对于上述道路数据组中至少一个缺失值中的每个缺失值，可以将上述缺失值的前一个邻值与后一个邻值的均值确定为补充值，以及将补充值作为上述缺失值。该处理方式以工程结构处于弹性工作状态为前提。

第二预处理步骤，响应于上述道路数据组中存在异常值，删除上述道路数据组中的异常值，以对上述道路数据组进行更新，得到更新后道路数据组。实践中，可以通过各种方式确定道路数据组中的异常值。这里，可以通过孤立森林算法确定道路数据组中的异常值。

在一些实施例的一些可选的实现方式中，对于上述道路数据组中的每个道路数据，上述执行主体可以通过以下子步骤确定上述道路数据是否为异常值：

第一子步骤，将上述道路数据确定为待检测道路数据。

第二子步骤，确定上述待检测道路数据对应的传感器所对应的同类传感器或关联传感器的传感器数据。其中，上述同类传感器可以是在目标道路上与上述传感器以上述目标道路中线为对称轴对称放置的相同类型的传感器。上述关联传感器可以是相互之间存在有机联系诸如力学关联等有机联系的一系列传感器。

第三子步骤，响应于上述待检测道路数据与上述传感器数据不相同或数据关系异常，确定上述待检测道路数据对应的传感器是否满足关联函数关系。实践中，可以通过理论直线法或有关函数拟合、挖掘手段确定上述待检测道路数据与所对应的传感器数据是否满足传感器线性度或有关函数关系。上述有关函数关系的确立，应凭借大量测试频次与大量数据的加持。

第四子步骤，响应于上述待检测道路数据对应的传感器不满足传感器线性度或有关函数关系，将上述待检测道路数据确定为异常值。其中，上述异常值可以是与有关函数相关性过低的数值，即与函数关系偏离过大而被舍弃的数值。这里，可以通过预设相关性数值，并根据系统运行情况适度调整。而未被函数舍弃的数值，虽与函数相关性较好，但依然存在校准的必要。需要说明的是，上述第一子步骤至第四子步骤操作是以结构构件处于弹性工作状态为前提。

第二步，将所生成的各个更新后道路数据组确定为预处理后道路数据组集。

可选地，在第二预处理步骤之后，还包括以下预处理步骤：

第三预处理步骤，对于上述更新后道路数据组中的每个更新后道路数据，执行如下校验步骤：

第一校验步骤，从所得到的各个更新后道路数据组中选取出满足第一预设条件的更新后道路数据组，作为目标道路数据组。其中，上述满足第一预设条件的更新后道路数据组可以是与上述更新后道路数据相关性最高且相关性大于等于预设相关性值的更新后道路数据组。上述预设相关性值可以是预先设定的经适时调整的相关性值。例如，上述预设相关性值可以是0.7。实践中，可以通过数据相关性公式确定更新后道路数据组与更新后道路数据的相关性值。

第二校验步骤，从上述目标道路数据组中选取出对应上述更新后道路数据的目标道路数据。实践中，可以从上述目标道路数据组中选取出与上述更新后道路数据的数据采集时间相同的目标道路数据。这里，对应上述更新后道路数据的目标道路数据可以是与采集上述更新后道路数据的传感器相同类型的、安装在具有工程力学联系的点位的传感器采集的数据。

第三校验步骤，根据上述目标道路数据，对上述更新后道路数据进行校验，以生成校验后的更新后道路数据作为校验后道路数据。实践中，第一，上述执行主体可以确定上述更新后道路数据中相互关联的目标道路数据之间的相关值。其中，上述相关值可以通过上述更新后道路数据中相互关联的目标道路数据之间潜在的关联函数确定。上述相关值体现的是存在关联的数据本身与其相互之间潜在的函数关系线形之间存在的偏差水平，该偏差水平可以通过提前预设公式结合预设数值实现量化评价。第二，响应于上述相关值大于等于预设相关值阈值，将上述更新后道路数据确定为有待校验的可用数据，而该数据与潜在函数关系线形的偏差情况，即可用于生成校准数据的修正值，经修正过后的数据即为校验后的道路数据。第三，响应于上述相关值小于上述预设相关值阈值，确定上述更新后道路数据为异常值，多发或连续的异常值对应的传感器，作为故障传感器。第四，将上述故障传感器对应的传感器信息发送至目标终端以进行显示。其中，上述目标终端可以是预先设置的具有接收传感器信息的权限的终端。这里，上述第三校验步骤中的相关内容以结构处于弹性工作阶段为前提。

这里，对于单个传感器以及特殊工况下的有关传感器而言，还可以关注其在外部环境和荷载状况相同指标复现的时间点对应的数据重复性，对重复性的偏离即产生数据校准的必要，且能够根据大量数据偏离呈现的规律判别修正值的产生与修正方式，并根据修正值与修正方式对传感器数据进行修正。此外，在荷载对构件的作用下，需要将剔除环境温度等非车致因素对传感器数据的影响作为数据校准工作的前提，因此，还可以通过以下子步骤对待校准的更新后道路数据进行校验：

第一子步骤，响应于当前时间为预设时间点，确定环境温度。实践中，可以通过与上述执行主体通信连接的智能温度计确定环境温度。

第二子步骤，根据环境温度，对初始传感器数值进行修正处理，以生成修正后数值。实践中，第一，可以通过预先存储的温度与修正值的对应关系表，确定当前环境温度对应的修正值。第二，将上述初始传感器数值与上述修正值的和确定为修正后数值。实践中，还可以通过传感器的电路连接改良或集成温度修正的功能模块来实现对测值的温度修正。

第三子步骤，对于单个传感器以及特殊工况下的有关传感器而言，在外部环境和荷载状况相同指标复现的时间点，对应的数据应具有重复性。例如，道路无荷载通行的情况下，工程结构应发生弹性恢复，恢复结果应是对应传感器数值恢复到上次相同温度条件下的无荷载情况下的测值，若实际测值与历史同条件下实测数据存在偏差，可根据大量数据形成的规律提取修正值对偏差数据进行校准；同理，在相同条件与相同非零荷载作用下的单点测值，实际测值应保持复现，否则，可根据大量数据形成的规律提取修正值对偏差数据进行校准。对于特殊工况，如上上述的便于识别的零荷载情况，将产生大量传感器数值恢复到同温度条件下历史测值的情形，给数据的校准带来便利；诸如出现均匀荷载、也可以是对称荷载作用下各个传感器数据因位置关系特殊而存在测值同步的情况等等，凡此种种，均给数据的校准带来便利,可根据数据情况提取修正值对偏差数据进行校准。

第四校验步骤，根据上述修正后数值，确定传感器数据范围。这里，传感器的数据范围是基于工程结构在弹性工作状态下传感器获取的此前历史数据形成的极值包络图而确定。实践中，基于弹性工作状态的前提条件，实时对传感器历史数据范围的上、下限值提取极值并动态更新记录，经长时间或预设时间段的记录且待极值稳定，目的是尽可能历经弹性工作状态的极限状态，由此可获得传感器数据范围。

第五校验步骤，持续控制相关联的车辆通过上述目标道路，以及接收并修正目标传感器发送的目标传感器数据。其中，上述目标传感器可以是上述更新后道路数据对应的传感器。

第六校验步骤，响应于上述修正后的更新后道路数据在上述传感器数据范围内，将上述更新后道路数据确定为校验后道路数据。

第七校验步骤，响应于上述更新后道路数据不在上述传感器数据范围内，确定上述更新后道路数据为异常数据，以及将多发或连续的异常数据对应的传感器，确定为故障传感器，同时，响应于数据超出历史数据包络范围，触发第二告警操作，以及，将上述故障传感器对应的传感器信息发送至目标终端以进行显示。这里，故障传感器的认定是系统基于安全防范而进行的处理机制，可能属于传感器物理损坏，也可能属于传感器感应到威胁结构安全的状况发生而引起的数据异常，因此，本公开的一些实施例中所指故障传感器非仅指物理损坏的简单概念。在结构构件处于弹性工作状态的前提条件下，多发或连续的数据异常对应的传感器可判属为故障传感器。

第四预处理步骤，将所生成的各个校验后道路数据确定为校验后道路数据组。

上述第三预处理步骤-第四预处理步骤中的相关内容作为本公开的一个发明点，解决了背景技术提及的技术问题二“在确定道路的承受能力阈值时，获取的数据可能因传感器故障而出现偏差，未对传感器采集的数据进行校验，导致使用出现偏差的数据确定的承受能力阈值与实际承受能力阈值不符，造成道路损伤，道路安全性较低”。造成道路损伤，道路安全性较低的因素往往如下：在确定道路的承受能力阈值时，获取的数据可能因传感器故障而出现偏差，未对传感器采集的数据进行校验，导致使用出现偏差的数据确定的承受能力阈值与实际承受能力阈值不符，造成道路损伤，道路安全性较低。如果解决了上述因素，就能达到避免道路损伤，提高道路安全性的效果。为了达到这一效果，第一，对于上述更新后道路数据组中的每个更新后道路数据，执行如下校验步骤：首先，从所得到的各个更新后道路数据组中选取出满足第一预设条件的更新后道路数据组，作为目标道路数据组。由此，可以选取出与更新后道路数据相关性最高的更新后道路数据组。其次，从上述目标道路数据组中选取出对应上述更新后道路数据的目标道路数据。由此，可以通过相关性最高的数据对更新后道路数据进行校验，从而可以避免因传感器故障而导致数据出现偏差的情况，从而避免了使用出现偏差的数据确定的承受能力阈值与实际承受能力阈值不符，进而避免了道路损伤，提高了道路安全性。之后，根据上述目标道路数据，对上述更新后道路数据进行校验，以生成校验后的更新后道路数据作为校验后道路数据。由此，完成对采集的数据的校验。第二，将所生成的各个校验后道路数据确定为校验后道路数据组。避免了道路损伤，提高了道路安全性。

可选地，在步骤103之前，从上述道路数据组集中选取出表征应变信号的各个道路数据作为应变信号。

在一些实施例中，上述执行主体可以从上述道路数据组集中选取出表征应变信号的各个道路数据作为应变信号。其中，上述应变信号可以是采集应变信息的传感器发送的表征应变信息的信号。

需要说明的是，此应变信号为示例说明，实践中，对应不同传感器，信号类别可以是挠度、位移、变形、倾斜等等各种信号。

可选地，在步骤103之前，对于上述应变信号组中的每个应变信号，执行如下分解步骤：

第一分解步骤，获取预设噪声信号集，以及从上述预设噪声信号集中随机选取一个预设噪声信号作为目标噪声信号。

在一些实施例中，上述执行主体可以获取预设噪声信号集，以及从上述预设噪声信号集中随机选取一个预设噪声信号作为目标噪声信号。实践中，可以从存储预设噪声信号集的数据库中获取预设噪声信号集。其中，上述预设噪声信号集中的预设噪声信号可以是预先生成的噪声信号，上述预设噪声信号集包括的各个预设噪声信号都不相同。

第二分解步骤，将上述目标噪声信号添加至上述应变信号中，以生成添加后应变信号。

在一些实施例中，上述执行主体可以将上述目标噪声信号添加至上述应变信号中，以生成添加后应变信号。

第三分解步骤，对上述添加后应变信号进行分解处理，以生成至少一个分解后应变信号分量作为分解后应变信号分量组。

在一些实施例中，上述执行主体可以对上述添加后应变信号进行分解处理，以生成至少一个分解后应变信号分量作为分解后应变信号分量组。实践中，可以通过集合经验模态分解算法对上述添加后应变信号进行分解处理，以生成至少一个分解后应变信号分量作为分解后应变信号分量组。

可选地，根据预设处理次数，再次执行上述分解步骤。

在一些实施例中，上述执行主体可以根据预设处理次数，再次执行上述分解步骤。这里，对于再次执行的第一分解步骤，随机选取的预设噪声信号与之前选取的预设噪声信号不同。

可选地，对所生成的各个分解后应变信号分量组包括的各个分解后应变信号分量进行分类处理，以生成分类后应变信号分量组集。

在一些实施例中，上述执行主体可以对所生成的各个分解后应变信号分量组包括的各个分解后应变信号分量进行分类处理，以生成分类后应变信号分量组集。实践中，可以将各个分解后应变信号分量组中相同频率的各个分解后应变信号分量进行分类处理，以生成分类后应变信号分量组集。

可选地，对于上述分类后应变信号分量组集中的每个分类后应变信号分量组，对上述分类后应变信号分量组进行取平均处理，以生成应变信号平均分量。

在一些实施例中，上述执行主体可以对于上述分类后应变信号分量组集中的每个分类后应变信号分量组，对上述分类后应变信号分量组进行取平均处理，以生成应变信号平均分量。

需要说明的是，此处是以类似弦式振动原理的应变传感器进行例举，以其频率信号的区别进行分解以及对各个类别的信号进行组合，以此为例对信号的处理机制进行说明。

可选地，根据所生成的各个应变信号平均分量，确定车致应变量，以及响应于上述车致应变量大于等于预设车致应变量阈值，对相关联的终端进行第三告警操作。

在一些实施例中，上述执行主体可以根据所生成的各个应变信号平均分量，确定车致应变量，以及响应于上述车致应变量大于等于预设车致应变量阈值，对相关联的终端进行第三告警操作。实践中，可以将去除了易受外界环境因素影响的至少一个应变信号平均分量的各个应变信号平均分量进行合并处理，以生成车致应变量。其中，上述车致应变量阈值可以是预先设定的车辆荷载导致的道路弹性应变的阈值。此预设阈值可以是通过工作人员预先设定的具体的数值，此为第三告警操作的第一类情形，此对应的阈值称为第三告警一类阈值。还可以是系统通过联接、嵌入、包括理论值计算模块等方式进行计算而获得结构在外力作用下的模型响应情况的理论值，此为第三告警操作的第二类情形，此对应的阈值称为第三告警二类阈值。上述第三告警操作表征车致应变量大于等于预设车致应变量阈值。上述外界因素可以包括但不限于：温度因素和湿度因素。

步骤103，将预处理后道路数据组集输入至预先训练的道路健康状态检测模型中，得到道路健康状态检测值。

在一些实施例中，上述执行主体可以将上述预处理后道路数据组集输入至预先训练的道路健康状态检测模型中，得到道路健康状态检测值。其中，上述道路健康状态检测模型可以是预先训练的，以预处理后道路数据组集为输入，以道路健康状态检测值为输出的神经网络模型。例如，上述道路健康状态检测模型可以是深度学习模型或卷积神经网络模型。

在一些实施例的一些可选的实现方式中，第一，对于上述预处理后道路数据组集中的每个预处理后道路数据组，从上述预处理后道路数据组中选取出采集时间距当前时间最近的预处理后道路数据作为目标数据。第二，将所选取的各个目标数据确定为选取后目标数据集。将选取后目标数据集输入至上述道路健康状态检测模型，得到道路健康状态检测值。

在一些实施例的另一些可选的实现方式中，上述道路健康状态检测模型可以包括选取后目标数据集与道路健康状态检测值的对应关系表。其中，上述对应关系表可以是本领域技术人员基于对大量的选取后目标数据集与道路健康状态检测值的对应关系而建立的对应关系表。这样，将选取后目标数据集包括的各个选取后目标数据对应的传感器数据范围与对应关系表中的各个选取后目标数据对应的传感器数据范围依次进行比较，确定选取后目标数据是否在对应的传感器数据范围中。由此，将各个选取后目标数据与对应关系表中包括的各个选取后目标数据依次进行比较，若对应关系表中的某一组选取后目标数据对应的传感器数据范围与该选取后目标数据集包括的选取后目标数据符合包含关系，则将对应关系表中的该组选取后目标数据对应的道路健康状态检测值作为该选取后目标数据集所指示的道路健康状态检测值。由此完成系统对校准后传感器数据的确认。

这里，步骤103可以是对前述第二告警机制的有效补充，当第二告警机制的数据积累处于动态阶段，步骤103的存在，使工程结构的安全状态评价更趋完善。

步骤104，将预处理后道路数据组集输入至预先训练的道路健康状态阈值模型，得到道路健康状态阈值。

在一些实施例中，上述执行主体可以将上述预处理后道路数据组集输入至预先训练的道路健康状态阈值模型，得到道路健康状态阈值。其中，上述道路健康状态阈值模型可以是预先训练的，以预处理后道路数据组集为输入，以道路健康状态阈值为输出的神经网络模型。例如，上述神经网络模型可以是卷积神经网络模型。

可选地，上述道路健康状态阈值模型可以是通过以下步骤训练得到的：

第一步，获取样本集合。

在一些实施例中，上述执行主体可以获取样本集合。其中，上述样本集合中的样本包括样本预处理后道路数据组集，以及与上述样本预处理后道路数据组集对应的样本道路健康状态阈值，此阈值包括第三告警操作二类阈值和第一告警操作阈值。需要说明的是，在模型训练之前，阈值都是由工程设计初定，初始的第三告警二类阈值是与实测传感器校验数据对应的设计模型在相应荷载作用下的响应理论值；初始的第一告警阈值是工程设计模型在安全控制允许范围内的理论极限取值，即健康状态下承受能力阈值。

第二步，从上述样本集合中选择样本。

在一些实施例中，上述执行主体可以从上述样本集合中选择样本。这里，上述执行主体可以随机从上述样本集合中选择样本。

第三步，将上述样本中经预先处理后的道路数据组集输入至初始网络模型，得到对应上述样本的道路健康状态阈值。

在一些实施例中，上述执行主体可以将上述样本输入至初始网络模型，通过对预处理后道路数据组集对第三告警操作二类阈值初始值的替代与迭代，实现对模型参数的反向求解与动态修正，从而得到不断更新的训练模型以及更新的模型导出的对应上述样本的道路健康状态阈值。其中，上述初始神经网络可以是能够根据预处理后道路数据组集得到道路健康状态阈值的分类模型。

需要说明的是，关于预处理后道路数据组对第三告警操作二类阈值的替代与迭代，数据组中足够多的数据有助于通过逐一对初始阈值的替代，形成足以克服众多模型参数变量的矩阵方程；而每次成功求解的结果，均获得新的具体参数，新的模型，以及新的阈值。为了使不断更新的阈值不断接近新的数据组中经校准后的实测数据，模型训练会持续不断以新的数据替代新产生的阈值，从而实现对模型训练的阈值迭代。

第四步，确定上述道路健康状态阈值和经校准的传感器最新实测数据之间的损失值，以及上述道路健康状态阈值与上述样本包括的样本道路健康状态阈值之间的损失值。

在一些实施例中，上述执行主体可以确定上述道路健康状态阈值与上述样本包括的样本道路健康状态阈值之间的损失值，并确定相关的第三告警二类阈值与经校准实测数据之间的差值。实践中，可以基于预设的损失函数，确定上述道路健康状态阈值与上述样本包括的样本道路健康状态阈值之间的损失值，或上述道路健康状态阈值与上述经校准的传感器最新实测数据之间的损失值。例如，上述预设的损失函数可以是交叉熵损失函数。

第五步，响应于上述损失值大于等于预设阈值，调整上述初始网络模型的网络参数。

在一些实施例中，上述执行主体可以响应于上述损失值大于等于预设阈值，调整上述初始网络模型的网络参数。这里，对于预设阈值的设定，不作限制。例如，可以对损失值和预设阈值求差值，得到损失差值。在此基础上，利用反向传播、随机梯度下降等方法将误差值从模型的最后一层向前传递，以调整每一层的参数。当然根据需要，也可以采用网络冻结（dropout）的方法，对其中的一些层的网络参数保持不变，不进行调整，对此，不做任何限定。

可选地，响应于上述损失值小于上述预设阈值，将上述初始网络模型确定为道路健康状态阈值模型。

在一些实施例中，上述执行主体可以响应于上述损失值小于上述预设阈值，将上述初始网络模型确定为道路健康状态阈值模型。

在一些实施例的一些可选的实现方式中，上述道路健康状态阈值模型可以为预定义模型，预定义是基于工程设计参数的模型预定。其中，上述预定义模型包括第一子模型。上述第一子模型用于对道路的应变值进行预测。上述第一子模型具有以下八层结构：第一层，输入层，用于提取上述预处理后道路数据组集中表征应变数据的各个预处理后道路数据组作为目标预处理后道路数据组集。输入预处理后道路数据组集，输出目标预处理后道路数据组集。第二层，卷积层，用于提取目标预处理后道路数据组集中各个目标预处理后道路数据组的时间序列数据特征。第三层，池化层，用于对卷积层得到的时间序列数据特征进行降维，减少了输入下一层的特征的大小。第四层、第五层和第六层都为预测层，用于预测下一时刻的应变值。上述第四层、第五层和第六层各层的神经元数量分别为16、32和64。上述第四层与第五层之间，以及第五层和第六层之间都设置有网络冻结（dropout），用于避免模型过拟合。第七层，全连接层，用于将第六层输出的预测特征结果进行整合，得到预测应变值。第八层，输出层，用于输出预测应变值。以上上述预测值，即模型训练过程中每次模型参数更新后对应新的尚未获取实际响应测值的荷载作用下的模型预测响应值。

上述第三步、第四步对模型参数的训练可互为校核，也可反复先后交插进行，在系统算力足够时以多维度方式展开模型训练，以尽可能克服矩阵算法遇到实际复杂问题的局限与偏离。两种方式既可自成一体，也可对彼此构成补充和增益，当系统算力存在节省必要时，可以一种方式进行。这里，响应于单独采用阈值损失法层层反推进行模型训练时应注意：用于相互比较和求差的两者是第三告警二类阈值与对应的经校准的传感器实测值的比较，而非两个阈值之间的比较与求差。当采取相邻时间采集数据对应的两个紧邻的新旧模型的阈值比较，例如两个第三告警二类阈值之间、以及两个第一告警阈值之间的比较与阈值损失求差后的反向层层传递，可用于对上步不同方法的模型参数训练结果的校核与验证。

在一些实施例的另一些可选的实现方式中，上述道路健康状态阈值模型可以不联合采用以上第三步与第四步上述机理进行模型训练，可仅采用以上第三步中的相关内容，通过以下步骤使用对实测数据替代阈值的反向求解参数方法训练得到的：

第一步，确定初始网络模型的模型参数信息，其中，上述模型参数信息包括至少一个模型参数；

第二步，将上述模型参数信息包括的各个模型参数进行分类处理，以生成第一模型参数集和第二模型参数集。其中，上述第一模型参数集中的第一模型参数可以是能够进行实际测量或实验得到的参数。上述第二模型参数集中的第二模型参数可以是无法进行实际测量或实验得到的参数。

第三步，获取预设荷载信息集，其中，上述预设荷载信息集中的预设荷载信息可以是预先设定的车辆的荷载信息。作为示例，上述预设荷载信息可以是车辆荷载自动过磅数据。作为又一示例，上述预设荷载信息可以是车辆荷载作用位置。

第四步，根据上述预设荷载信息集和上述初始网络模型，并以结构对预设荷载信息集响应的实测数据替代初始网络模型的阈值，即第三告警操作二类阈值，依此来反向求解确定第二模型参数集中各个第二模型参数的具体数值。实践中，可以将预设荷载信息集输入上述初始网络模型，并以结构对预设荷载信息集响应的实测数据替代初始网络模型的阈值，即第三告警操作二类阈值，依此来反向求解得到各个第二模型参数的具体数值。

第五步，控制相关联的车辆通过上述目标道路，获取传感器采集数据集。

第六步，将上述预设荷载作用下模型响应的理论值，即第三告警操作二类阈值，替换为上述传感器采集数据集，以及，再次来反向求解确定各个第二模型参数的具体数值，以及对各个第二模型参数的具体数值进行更新，将更新后的初始网络模型作为网络模型，再次执行第三步至第六步。

第七步，响应于上述初始网络模型满足预设模型条件，将上述初始网络模型确定为道路健康状态阈值模型。这里，响应于道路健康状态阈值模型参与应用后，上述执行主体可以通过第三步至第六步，持续对上述道路健康状态阈值模型进行校准，从而可以不断减小道路健康状态阈值模型的输出与实际数据的误差，从而提高工程监测预警的可靠性，进而可以提高道路的安全性，减少道路建设资源的浪费。

在一些实施例的另一些可选的实现方式中，上述预定义模型还包括自定义算法。上述自定义算法用于通过预测应变值，确定道路健康状态阈值。上述自定义算法包括以下步骤：

第一步，确定应变量序列。这里，可以通过步骤103之前的可选的内容，确定应变量序列，以及将上述预测应变值添加至上述应变量序列的末尾。

第二步，确定上述应变量序列的指数加权平均。

实践中，可以通过以下公式确定上述应变量序列的指数加权平均：。

其中，表示指数加权平均。/>表示历史采集的应变量对当前指数加权平均的权重。/>表示采集时间。/>表示/>时间采集的应变量。

第三步，确定指数加权平均的方差。实践中，可以通过以下公式确定指数加权平均的方差：。

其中，表示指数加权平均的方差。/>表示预测应变值的预测残差。/>表示采集应变量的采样长度。

第四步，确定道路健康状态阈值。实践中，可以通过以下公式确定道路健康状态阈值：。

其中，表示道路健康状态阈值。/>表示道路健康状态期望值。/>表示预设权重。这里，对于/>的设定，不作限制，可以是通过实验得到的权重。

实践中，上述自定义算法可基于工程结构模型在确定荷载作用下理论值与安全控制限值的关系，来建立传感器实测值与安全控制极限值的关系，从而确定与工程实际健康水平相适应的道路健康状态阈值。

上述可选的实现方式中的相关内容作为本公开的一个发明点，解决了背景技术提及的技术问题三“使用卷积网络模型确定道路的承受能力阈值时，卷积网络模型难以捕捉序列数据中的时间相关特征，导致确定的承受能力阈值与实际承受能力阈值不符，造成道路损伤，道路安全性较低，且卷积网络模型确定的道路承受能力阈值为道路处于健康状态时的承受能力阈值，无法确定道路在损伤状态的承受能力阈值，造成道路损伤，进一步降低了道路安全性”。造成道路损伤，道路安全性较低的因素往往如下：使用卷积网络模型确定道路的承受能力阈值时，卷积网络模型难以捕捉序列数据中的时间相关特征，导致确定的承受能力阈值与实际承受能力阈值不符，造成道路损伤，道路安全性较低，且卷积网络模型确定的道路承受能力阈值为道路处于健康状态时的承受能力阈值，无法确定道路在损伤状态的承受能力阈值，造成道路损伤，进一步降低了道路安全性。如果解决了上述因素，就能达到避免道路损伤，提高道路安全性的效果。为了达到这一效果，本公开使用预定义模型，通过卷积层、池化层以及预测层，捕捉序列数据中的时间相关特征，从而对道路的应变值进行预测，同时采用自定义算法，确定道路健康状态阈值，将预测值对应的道路健康状态阈值转换为实测值对应的道路健康状态阈值，从而可以确定道路在损伤状态的参数变化，随之可以通过参数变化后的训练模型确定道路工程健康状态下承受能力阈值（健康状态阈值），从而可以通过对记录行驶车辆的荷载，禁止超出道路的承受能力阈值的车辆通过上述道路，进而避免了道路损伤，提高了道路的安全性。

步骤105，确定道路健康状态检测值是否超出道路健康状态阈值。

在一些实施例中，上述执行主体可以确定上述道路健康状态检测值是否超出上述道路健康状态阈值。

步骤106，响应于确定道路健康状态检测值超出道路健康状态阈值，对相关联的终端进行第一告警操作。

在一些实施例中，上述执行主体可以响应于确定上述道路健康状态检测值超出上述道路健康状态阈值，对相关联的终端进行第一告警操作。其中，上述相关联的终端可以是与上述执行主体通过有线连接或者无线连接的具有告警权限的用户终端。上述第一告警操作可以表征道路健康状态检测值超出上述道路健康状态阈值。

可选地，控制相关联的道路闸口对目标车辆进行检测，以及响应于检测结果表征目标车辆超载，禁止上述目标车辆通行。

在一些实施例中，上述执行主体可以控制相关联的道路闸口对目标车辆进行检测，以及响应于检测结果表征目标车辆超载，禁止上述目标车辆通行。其中，上述相关联的道路闸口可以是与上述执行主体通过有线连接或者无线连接的具有测量车辆实载功能的闸口。上述目标车辆可以是申请通过上述目标道路的车辆。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的道路健康状态检测方法，可以避免道路损伤，提高道路安全性。具体来说，导致道路损伤，道路安全性较低的原因在于：由于受到环境因素（例如，温度或车辆超载），道路的承受能力可能会发生改变，设置固定的预警阈值时，可能会因道路健康状态已达到承受能力而未达到预警阈值，导致道路损伤，造成道路安全性较低。基于此，本公开的一些实施例的道路健康状态检测方法，首先，获取目标道路的道路数据组集。由此，可以获取到传感器采集的道路数据。其次，对上述道路数据组集中各个道路数据组包括的各个道路数据进行预处理，以生成预处理后道路数据组集。由此，可以对采集的道路数据进行预处理，避免出现缺失值或者异常值。然后，将上述预处理后道路数据组集输入至预先训练的道路健康状态检测模型中，得到道路健康状态检测值；之后，将上述预处理后道路数据组集输入至预先训练的道路健康状态阈值模型，得到道路健康状态阈值。由此，可以通过采集的道路数据确定道路的预警阈值，从而可以避免设置固定的阈值导致的道路健康状态已达到承受能力而未达到预警阈值，从而避免了道路损失，提高了道路的安全性。最后，确定上述道路健康状态检测值是否超出上述道路健康状态阈值；响应于确定上述道路健康状态检测值超出上述道路健康状态阈值，对相关联的终端进行第一告警操作。由此，可以在道路的健康状态超出预警阈值时进行告警。避免了道路损失，提高了道路的安全性。

下面参考图2，其示出了适于用来实现本公开的一些实施例的电子设备200的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图2示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图2所示，电子设备200可以包括处理装置201（例如中央处理器、图形处理器等），其可以根据存储在只读存储器（ROM）202中的程序或者从存储装置208加载到随机访问存储器（RAM）203中的程序而执行各种适当的动作和处理。在RAM 203中，还存储有电子设备200操作所需的各种程序和数据。处理装置201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出（I/O）接口205也连接至总线204。

通常，以下装置可以连接至I/O接口205：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置206；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置207；包括例如磁带、硬盘等的存储装置208；以及通信装置209。通信装置209可以允许电子设备200与其他设备进行无线或有线通信以交换数据。虽然图2示出了具有各种装置的电子设备200，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图2中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置209从网络上被下载和安装，或者从存储装置208被安装，或者从ROM 202被安装。在该计算机程序被处理装置201执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标道路的道路数据组集。对上述道路数据组集中各个道路数据组包括的各个道路数据进行预处理，以生成预处理后道路数据组集。将上述预处理后道路数据组集输入至预先训练的道路健康状态检测模型中，得到道路健康状态检测值。将上述预处理后道路数据组集输入至预先训练的道路健康状态阈值模型，得到道路健康状态阈值。确定上述道路健康状态检测值是否超出上述道路健康状态阈值。响应于确定上述道路健康状态检测值超出上述道路健康状态阈值，对相关联的终端进行第一告警操作。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种道路健康状态检测方法，其特征在于，包括：

获取目标道路的道路数据组集；

对所述道路数据组集中各个道路数据组包括的各个道路数据进行预处理，以生成预处理后道路数据组集；

将所述预处理后道路数据组集输入至预先训练的道路健康状态检测模型中，得到道路健康状态检测值；

将所述预处理后道路数据组集输入至预先训练的道路健康状态阈值模型，得到道路健康状态阈值；

确定所述道路健康状态检测值是否超出所述道路健康状态阈值；

响应于确定所述道路健康状态检测值超出所述道路健康状态阈值，对相关联的终端进行第一告警操作。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

控制相关联的道路闸口对目标车辆进行检测，以及响应于检测结果表征目标车辆超载，禁止所述目标车辆通行。

3.根据权利要求1所述的方法，其特征在于，在所述获取目标道路的道路数据组集之前，所述方法还包括：

获取相关联的传感器信息集，其中，所述传感器信息集中的传感器信息包括传感器名称和传感器类别；

根据所述传感器信息集中各个传感器信息包括的各个传感器类别，对传感器信息集对应的各个数据传感器进行分类处理，以生成第一传感器组和第二传感器组；

响应于当前时间为预设采集时间，控制所述第一传感器组中的各个第一传感器进行数据采集操作，以生成第一道路数据集；

对于所述第二传感器组中的每个第二传感器，响应于满足预设采集条件，控制所述第二传感器进行数据采集操作，以生成第二道路数据；

将所生成的各个第二道路数据与所述第一道路数据集存储至目标数据库中。

4.根据权利要求1所述的方法，其特征在于，所述对所述道路数据组集中各个道路数据组包括的各个道路数据进行预处理，以生成预处理后道路数据组集，包括：

对于所述道路数据组集中的每个道路数据组，执行如下预处理步骤：

响应于所述道路数据组存在缺失值，确定缺失值的前邻值和后邻值，以及根据前邻值和后邻值，对缺失值进行补充；

响应于所述道路数据组中存在异常值，删除所述道路数据组中的异常值，以对所述道路数据组进行更新，得到更新后道路数据组；

将所生成的各个更新后道路数据组确定为预处理后道路数据组集。

5.根据权利要求1所述的方法，其特征在于，在所述将所述预处理后道路数据组集输入至预先训练的道路健康状态检测模型中，得到道路健康状态检测值之前，所述方法还包括：

从所述道路数据组集中选取出表征应变信号的各个道路数据作为应变信号组；

对于所述应变信号组中的每个应变信号，执行如下分解步骤：

获取预设噪声信号集，以及从所述预设噪声信号集中随机选取一个预设噪声信号作为目标噪声信号；

将所述目标噪声信号添加至所述应变信号中，以生成添加后应变信号；

对所述添加后应变信号进行分解处理，以生成至少一个分解后应变信号分量作为分解后应变信号分量组；

根据预设处理次数，再次执行所述分解步骤。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

根据预设信号类别组，对所生成的各个分解后应变信号分量组包括的各个分解后应变信号分量进行分类处理，以生成分类后应变信号分量组集，其中，所述预设信号类别组中的预设信号类别对应所述分类后应变信号分量组集中的分类后应变信号分量组；

对于所述分类后应变信号分量组集中的每个分类后应变信号分量组，对所述分类后应变信号分量组进行取平均处理，以生成应变信号平均分量；

根据所生成的各个应变信号平均分量，确定车致应变量，以及响应于所述车致应变量大于等于预设车致应变量阈值，对相关联的终端进行第三告警操作。

7.根据权利要求1所述的方法，其特征在于，所述道路健康状态阈值模型是通过以下步骤训练得到的：

获取样本集合，其中，所述样本集合中的样本包括样本预处理后道路数据组集，以及与所述样本预处理后道路数据组集对应的样本道路健康状态阈值；

从所述样本集合中选择样本；

将所述样本输入至初始网络模型，得到对应所述样本的道路健康状态阈值；

通过实测数据替代阈值的反向求解参数法进行阈值模型训练；

确定对应所述样本的道路健康状态阈值和经校准的传感器最新实测数据之间的损失值，以及所述道路健康状态阈值与所述样本包括的样本道路健康状态阈值之间的损失值；

响应于损失值大于等于预设阈值，调整所述初始网络模型的网络参数。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

响应于损失值小于所述预设阈值，将所述初始网络模型确定为道路健康状态阈值模型。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至8中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1至8中任一所述的方法。