CN117423000B - 一种基于mars的道路纵断面线形智能重构的方法 - Google Patents
一种基于mars的道路纵断面线形智能重构的方法 Download PDFInfo
- Publication number
- CN117423000B CN117423000B CN202311719128.9A CN202311719128A CN117423000B CN 117423000 B CN117423000 B CN 117423000B CN 202311719128 A CN202311719128 A CN 202311719128A CN 117423000 B CN117423000 B CN 117423000B
- Authority
- CN
- China
- Prior art keywords
- road
- data
- representing
- mars
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000013461 design Methods 0.000 claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000010801 machine learning Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000009795 derivation Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005299 abrasion Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 239000012634 fragment Substances 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000004062 sedimentation Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000005491 wire drawing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Abstract
本发明公开了一种基于MARS的道路纵断面线形智能重构的方法,属于道路设计技术领域,其具体包括:测量道路纵断面线形的相关数据,并对道路纵断面线形的相关数据进行预处理,提取道路纵断面线形数据的特征值,并对道路特征值进行预测处理,基于MARS机器学习算法构建模型,对道路模块进行识别,基于道路纵断面的设计规则,对分段区域分别处理,检查并解决竖曲线参数不合理的问题,动态调整变坡点,直至误差不再变化,将计算结果转换为道路纵断面的参数信息,完成道路纵断面线性重构,能够基于不同的精度的测量数据和不同磨损情况的道路测量数据,重构出合理精确的纵断面线形。
Description
技术领域
本发明属于道路设计技术领域,具体的说是一种基于MARS的道路纵断面线形智能重构的方法。
背景技术
道路在长时间使用运营过程中,由于车辆和路面之间的相互作用必然会导致路面沉降。沉降包含两方面:一个是路基的整体乘降,一个是部分区域的不均匀沉降;加上本身具有的施工误差和后期路面的修补,原有竣工图纸不能准确反映道路现状。
在道路重建和拓宽设计时,新设计的纵断面必须和真实的道路纵断面相近,在保证工程量最小的情况下,完成公路的拓建设计。
因此基于测量的散点数据,合理和准确的重构出纵断面线形在整个设计中尤为重要。
道路纵断面线形重构的方法目前的主要方法是人工拉线法。该方法取决于设计人员的经验,且效率不高。
传统的基于道路测量数据进行计算机辅助纵断面线形重构的方法一种是用高阶多项式进行拟合,不超过30阶,拟合后计算三阶导数为曲线拐点。计算的结果对数据最小二乘拟合的结果敏感度较高。在此基础上可以对测量数据进行标准化处理和采用正交多项式拟合来提高拟合效果,但分段的精度仍然较低,会影响后续操作。并且重构的原理并不是简单的对测量数据进行拟合,基于拟合的方法必然会导致重构出的线形不合理。
另一种是基于道路曲率变化规律,设为设定阈值来判别道路分段点,分段对道路数据处理。该方法的分段识别精度比用高阶多项式拟合较为准确,但人为设定的阈值参数,需要对不同的不同磨损情况的道路进行分别设置,使得不具有通用性。
如授权公开号为CN111678430B的中国专利公开了一种道路几何线型和路面三维结构重构系统及重构方法。该系统包括纵向距离传感器、两个线激光测距仪、几何测量系统、采集卡和中央处理计算机系统。所述纵向距离传感器记录车辆行驶里程。所述线激光测距仪在车辆行进过程中等间隔获取路面横断面的高程信息。所述几何测量系统实时获取车辆所在位置的地理坐标信息和车辆姿态信息。所述中央处理计算机系统建立道路路面立体三维模型。该重构方法包括转换坐标、形成路面点云、建立道路路面立体三维模型和识别立体病害等步骤。该系统通过路面三维重构技术将路面的立体模型重新生成,并且利用颜色来区分不同深度信息,增加了路面立体变形病害的辨识度。
如授权公开号为CN115374498B的中国专利公开了一种考虑道路属性特征参数的道路场景重构方法及系统,属于道路场景重构技术领域。对实际道路场景数据进行道路属性辨识,得到采样点的位置信息和道路属性特征参数,进一步根据道路属性特征参数对实际道路场景数据进行分割,得到场景片段集。然后根据场景片段的特征向量对场景片段集进行分类提取,以消除场景片段集的过分割现象,构建场景基元库。最后根据重构道路场景的需求在场景基元库中选择若干个场景基元,并连接被选择的场景基元,得到重构道路场景,从而能够在仿真过程中考虑实际路面类型、曲率、坡度、不平度系数、滚动阻力系数等属性对车辆的动力性能与转向性能的影响,尽可能反映车辆真实行驶状况。
技术难点:1)道路纵断面的整体沉降和局部不均匀沉降会对提取的特征值造成波动,对波动数据进行处理,且维持特征值的数据特征;2)基于纵断面线性的特点,智能且精确的根据处理后的数据识别出纵断面线形的分段;3)在智能分段处理时,为了精度足够高,向后剪枝过程中保留部分多余的节点,在线形分段后,对分段模块进行处理,并且动态调整。
基于此,提出一种基于MARS不需要人为设置阈值,对不同磨损程度的道路测量数据能够自适应智能分段处理,并且在分段拟合时对分段结果动态调整的纵断面线形重构的方法。该方法通用性更强且重构的纵断面线形结果更为精确合理。
发明内容
针对现有技术的不足,本发明提出了一种基于MARS的道路纵断面线形智能重构的方法,测量道路纵断面线形的相关数据,并对道路纵断面线形的相关数据进行预处理,提取道路纵断面线形数据的特征值,并对道路特征值进行预测处理,基于MARS机器学习算法构建模型,对道路模块进行识别,基于道路纵断面的设计规则,对分段区域分别处理,检查并解决竖曲线参数不合理的问题,动态调整变坡点,直至误差不再变化,将计算结果转换为道路纵断面的参数信息,完成道路纵断面线性重构,能够基于不同的精度的测量数据和不同磨损情况的道路测量数据,重构出合理精确的纵断面线形。
为实现上述目的,本发明提供如下技术方案:
一种基于MARS的道路纵断面线形智能重构的方法,包括以下步骤:
步骤S1:测量道路纵断面线形的相关数据,并对道路纵断面线形的相关数据进行预处理;
步骤S2:提取道路纵断面线形数据的特征值,并对道路特征值进行预测处理;
步骤S3:基于MARS机器学习算法构建模型,对道路模块进行识别;
步骤S4:基于道路纵断面的设计规则,对分段区域分别处理,检查并解决竖曲线参数不合理的问题,动态调整变坡点,直至误差不再变化;
步骤S5:将计算结果转换为道路纵断面的参数信息,完成道路纵断面线性重构。
具体的,所述步骤S1中的相关数据包括桩号和高程。
具体的,所述步骤S1中的预处理包括:数据清洗,去除异常数据值和补正缺失值。
具体的,所述步骤S2的具体步骤为:
步骤S201:设定提取的道路纵断面线形的特征值序列为,其中,/>表示第n个特征数据,以/>点为中心,/>点前包含N个特征数据,/>点后包含N个特征数据;
步骤S202:构建零阶和一阶两个滤波器,分别为:
,
,
其中,表示零阶滤波器,/>表示一阶滤波器,/>和/>表示零阶和一阶滤波器的预测系数,/>,,/>表示第n-i个特征数据;
步骤S203:用零阶和一阶滤波器,以特征数据中心,分别向前和向后进行预测,得到四个预测值,取五个特征数据的中值,计算公式为:
,
其中,表示五个特征数据的中间值,/>表示取中值函数,/>表示零阶滤波器向前预测值,/>表示零阶滤波器向后预测值,/>表示一阶滤波器向前预测值,/>表示一阶滤波器向后预测值;
步骤S204:对处理后的特征数据进行移动均值处理,均值处理计算公式为:
,/>表示处理后的特征数据的均值。
具体的,所述步骤S3的具体步骤包括:
步骤S301:设定处理后的特征值数据集,建立MARS模型:/>,其中,/>表示MARS模型输出变量,/>表示MARS模型参数,/>表示第m个样条的系数,/>表示第m个样条函数,/>表示MARS模型中含有的样条数目,/>表示节点数目,当第m个样条为右侧样条时,/>取值为1,当第m个样条为左侧样条时,取值为-1,/>表示独立变量的标识,/>表示节点的位置;
步骤S302:对MARS模型向后减枝,利用GCV参数调整残差平方和,形式为:
,
其中,n表示取用的特征数据数量,表示处理后的特征值,/>表示MARS模型的预测值,/>表示函数的复杂度惩罚;
步骤S303:利用MARS模型对处理后的特征值数据集x进行划分区域,每个区域即对应道路纵断面的一个组成模块。
具体的,所述步骤S303中的组成模块包括直线模块和缓和曲线模块。
具体的,所述步骤S4的具体步骤为:
步骤S401:对直线区域进行处理,采用正交最小二乘法,设定直线方程的初始表达式为:,对参数/>和/>进行修正,修正公式为:/>,/>,修正后的直线方程表达式为:/>,/>表示参数修正系数;
步骤S402:对竖曲线区域进行处理,采用最小二乘法,设定竖曲线方程的初始表达式为:,对参数/>进行修正,修正公式为:/>,修正后的竖曲线方程表达式为:/>;
步骤S403:以竖曲线极值点为原点,原点切线为x轴,垂直于原点切线为y轴,建立直角坐标系,设定曲线中两点分别为和/>,并分别在A和B点做曲线切线,两条切线的夹角为/>;
步骤S404:计算任意切线上的任意一点Q与竖曲线点P之间的竖距,计算公式为:,其中,/>表示P点和Q点之间的距离,/>表示竖曲线的半径,计算竖曲线长度L,,计算切线长度T,/>,计算外矢距E,/>,/>表示点A与俩条切线交点的切线长度,/>表示点B与俩条切线交点的切线长度;
步骤S405:根据道路纵断面线形上所有的坐标,计算出道路的变坡点,并将不合理的变坡点,结合道路设计信息进行剔除;
步骤S406:计算出误差平方之和,并动态调整变坡点,直至误差不再变化。
具体的,所述步骤S5中所述的参数信息包括:起点和终点的桩号和高程,变坡点的桩号、高程和半径。
一种基于MARS的道路纵断面线形智能重构的系统,包括:道路数据测量模块,特征值处理模块,道路识别模块,竖曲线调整模块和道路纵断面参数导出模块;
所述道路数据测量模块,用于测量道路纵断面的相关数据,包括桩号和高程,并对道路纵断面的相关数据进行预处理,包括数据清洗,去除异常数据值和补正缺失值;
所述特征值处理模块,用于对预处理后的道路纵断面的相关数据进行特征提取,并对特征数据进行预测处理;
所述道路识别模块,用于利用MARS模型识别出道路的模块,包括直线模块和缓和曲线模块;
所述竖曲线调整模块,用于基于道路纵断面的设计规则,对道路分段区域进行处理,计算出无法创建竖曲线的半径、坡长数据,并动态调整变坡点,直至误差不再变化;
所述道路纵断面参数导出模块,用于输出调整处理后的起点和终点的桩号和高程数据,变坡点的桩号、高程和半径数据。
具体的,所述道路数据测量模块包括道路数据测量单元和道路数据预处理单元,
所述道路数据测量单元,用于测量道路纵断面的相关数据,包括桩号和高程;
所述道路数据预处理单元,用于对道路纵断面的相关数据进行预处理,包括数据清洗,去除异常数据值和补正缺失值。
具体的,所述竖曲线调整模块包括竖曲线规则设计单元和竖曲线调整单元,
所述竖曲线规则设计单元,用于设计基于道路纵断面数据创建竖曲线的规则;
所述竖曲线调整单元,用于计算出无法创建竖曲线的半径、坡长数据,并动态调整变坡点,直至误差不再变化。
一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现一种基于MARS的道路纵断面线形智能重构的方法的步骤。
一种计算机可读存储介质,其上存储有计算机指令,当计算机指令运行时执行一种基于MARS的道路纵断面线形智能重构的方法的步骤。
与现有技术相比,本发明的有益效果是:
1.本发明提出一种基于MARS的道路纵断面线形智能重构的方法,测量道路纵断面线形的相关数据,并对道路纵断面线形的相关数据进行预处理,提取道路纵断面线形数据的特征值,并对道路特征值进行预测处理,基于MARS机器学习算法构建模型,对道路模块进行识别,基于道路纵断面的设计规则,对分段区域分别处理,检查并解决竖曲线参数不合理的问题,动态调整变坡点,直至误差不再变化,将计算结果转换为道路纵断面的参数信息,完成道路纵断面线性重构,能够基于不同的精度的测量数据和不同磨损情况的道路测量数据,重构出合理精确的纵断面线形。
2.本发明提出一种基于MARS的道路纵断面线形智能重构的方法,不需要人为设置参数,对不同磨损程度的道路测量数据能够自适应智能分段处理。
3.本发明提出一种基于MARS的道路纵断面线形智能重构的方法,分段拟合时对分段结果动态调整,大大地提高分段精度。
4.本发明提出一种基于MARS的道路纵断面线形智能重构的方法,通用性更强,基于测量参数重构后的结果更为合理精确。
附图说明
图1为本发明一种基于MARS的道路纵断面线形智能重构的方法流程图;
图2为本发明一种基于MARS的道路纵断面线形智能重构的方法数据处理对比图;
图3为本发明一种基于MARS的道路纵断面线形智能重构的方法MARS模型智能分段图;
图4为本发明一种基于MARS的道路纵断面线形智能重构的方法竖曲线段图;
图5为本发明一种基于MARS的道路纵断面线形智能重构的系统架构图;
图6为本发明一种基于MARS的道路纵断面线形智能重构的方法电子设备图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“一号”、“二号”、“三号”仅用于描述目的,而不能理解为指示或暗示相对重要性。下面结合具体实施方式,进一步阐述本发明。
实施例1
请参阅图1-图4,本发明提供的一种实施例:
一种基于MARS的道路纵断面线形智能重构的方法,包括以下步骤:
步骤S1:测量道路纵断面线形的相关数据,并对道路纵断面线形的相关数据进行预处理;
纵断面线形:沿着道路中线竖直剖切,然后展开即为道路纵断面线形。
步骤S2:提取道路纵断面线形数据的特征值,并对道路特征值进行预测处理;
步骤S3:基于MARS机器学习算法构建模型,对道路模块进行识别;
步骤S4:基于道路纵断面的设计规则,对分段区域分别处理,检查并解决竖曲线参数不合理的问题,动态调整变坡点,直至误差不再变化;
步骤S5:将计算结果转换为道路纵断面的参数信息,完成道路纵断面线性重构。
步骤S1中的相关数据包括桩号和高程。
步骤S1中的预处理包括:数据清洗,去除异常数据值和补正缺失值。
步骤S2的具体步骤为:
步骤S201:设定提取的道路纵断面线形的特征值序列为,其中,/>表示第n个特征数据,以/>点为中心,/>点前包含N个特征数据,/>点后包含N个特征数据;
步骤S202:构建零阶和一阶两个滤波器,分别为:
,
,
其中,表示零阶滤波器,/>表示一阶滤波器,/>和/>表示零阶和一阶滤波器的预测系数,/>,,/>表示第n-i个特征数据;
步骤S203:用零阶和一阶滤波器,以特征数据中心,分别向前和向后进行预测,得到四个预测值,取五个特征数据的中值,计算公式为:
,
其中,表示五个特征数据的中间值,/>表示取中值函数,/>表示零阶滤波器向前预测值,/>表示零阶滤波器向后预测值,/>表示一阶滤波器向前预测值,/>表示一阶滤波器向后预测值;
步骤S204:对处理后的特征数据进行移动均值处理,均值处理计算公式为:
,/>表示处理后的特征数据的均值。
步骤S3的具体步骤包括:
步骤S301:设定处理后的特征值数据集,建立MARS模型:/>,其中,/>表示MARS模型输出变量,/>表示MARS模型参数,/>表示第m个样条的系数,/>表示第m个样条函数,/>表示MARS模型中含有的样条数目,/>表示节点数目,当第m个样条为右侧样条时,/>取值为1,当第m个样条为左侧样条时,取值为-1,/>表示独立变量的标识,/>表示节点的位置;
节点:区域之间的线性回归线得到的交点称为节点。
步骤S301过程为向前逐步线性回归,每次选取一堆最优样条函数来提高模型的精确度,样条函数包含节点位置定义的左侧和右侧分割函数,探索每个节点的位置,并且对最优的节点位置进行反复搜索,在向前逐步中,为了提高模型的精度,会包含过多的基函数,会出现过拟合现象,需要将造成模型过度拟合的基函数提出,采用向后删除方法,即步骤S302。
步骤S302:对MARS模型向后减枝,利用GCV参数调整残差平方和,形式为:
,
其中,n表示取用的特征数据数量,表示处理后的特征值,/>表示MARS模型的预测值,/>表示函数的复杂度惩罚;
,M是MARS模型中的基函数数目,d是设定的常数,d=2,基于向前逐步线性回归和向后减枝过程,避免出现过复杂和过拟合的模型,将处理后的特征值数据集划分为若干个区域,每一个特定区域内由一定的线性回归直线来拟合,样条函数的斜率在每个特定区域是不变的,在不同的区域是不同的。
步骤S303:利用MARS模型对处理后的特征值数据集x进行划分区域,每个区域即对应道路纵断面的一个组成模块。
步骤S303中的组成模块包括直线模块和缓和曲线模块。
步骤S4的具体步骤为:
步骤S401:对直线区域进行处理,采用正交最小二乘法,设定直线方程的初始表达式为:,对参数/>和/>进行修正,修正公式为:/>,/>,修正后的直线方程表达式为:/>,/>表示参数修正系数;
步骤S402:对竖曲线区域进行处理,采用最小二乘法,设定竖曲线方程的初始表达式为:,对参数/>进行修正,修正公式为:/>,修正后的竖曲线方程表达式为:/>;
步骤S403:以竖曲线极值点为原点,原点切线为x轴,垂直于原点切线为y轴,建立直角坐标系,设定曲线中两点分别为和/>,并分别在A和B点做曲线切线,两条切线的夹角为/>;
步骤S404:计算任意切线上的任意一点Q与竖曲线点P之间的竖距,计算公式为:,其中,/>表示P点和Q点之间的距离,/>表示竖曲线的半径,计算竖曲线长度L,,计算切线长度T,/>,计算外矢距E,/>,/>表示点A与俩条切线交点的切线长度,/>表示点B与俩条切线交点的切线长度;
步骤S405:根据道路纵断面线形上所有的坐标,计算出道路的变坡点,并将不合理的变坡点,结合道路设计信息进行剔除;
纵断面及设计高程:1)新建公路:有中央分隔带的公路(高速、一级):采用分隔带外侧边缘高程,无中央分隔带公路(二、三、四级,部分一级):路基边缘高程;设置超高、加宽地段为设超高、加宽前路基边缘标高;2)改建公路:一般情况下按新建公路处理,特殊情况可采用道路中心线高程。
纵坡及坡长设计:1)最大纵坡,为保证车辆纵向行驶的稳定性,避免出现纵向滑移。与道路设计速度、所在地区自然条件有关。2)最小纵坡,公路:从排水角度考虑,路堑以及其它横向排水不畅路段,纵坡应不小于0.3%。否则,边沟应作纵向排水设计,城市道路:最小纵坡度应不小于0.5%,困难时可大于或等于0.3%;否则,应设置锯齿形偏沟或采取其他排水措施;3)桥上及桥头纵坡,小桥、涵洞处纵坡与路线一致,大、中桥上的纵坡不宜大于4%;桥头引道纵坡不宜大于5%(一般情况下,桥上与桥头纵坡应一致)位于市镇附近非汽车交通较多的路段,桥上及桥头引道纵坡均不得大于3%;4)隧道纵坡,一般应为0.3%~3%,一般采用单向坡,地下水较高的隧道及特长隧道可用人字坡,紧接隧道洞口的路线纵坡应与隧道内纵坡相同;5)平均纵坡,越岭路段,相对高差为200m~500m时,平均纵坡不应大于5.5%,相对高差大于500m时,平均纵坡不应大于5%,任意连续3km路段的平均纵坡不应大于5.5%;6)缓和坡段,山岭、重丘区的公路,由于汽车连续行驶在较大陡坡上,将影响汽车发动机的正常使用,并危及行车安全,故当连续纵坡大于5%时,应在其间设置纵坡不大于3%的缓和路段,其长度不应小于100m。
步骤S406:计算出误差平方之和,并动态调整变坡点,直至误差不再变化。
步骤S5中所述的参数信息包括:起点和终点的桩号和高程,变坡点的桩号、高程和半径。
实施例2
请参阅图5,本发明提供的另一种实施例:一种基于MARS的道路纵断面线形智能重构的系统,包括:
道路数据测量模块,特征值处理模块,道路识别模块,竖曲线调整模块和道路纵断面参数导出模块;
所述道路数据测量模块,用于测量道路纵断面的相关数据,包括桩号和高程,并对道路纵断面的相关数据进行预处理,包括数据清洗,去除异常数据值和补正缺失值;
所述特征值处理模块,用于对预处理后的道路纵断面的相关数据进行特征提取,并对特征数据进行预测处理;
所述道路识别模块,用于利用MARS模型识别出道路的模块,包括直线模块和缓和曲线模块;
所述竖曲线调整模块,用于基于道路纵断面的设计规则,对道路分段区域进行处理,计算出无法创建竖曲线的半径、坡长数据,并动态调整变坡点,直至误差不再变化;
所述道路纵断面参数导出模块,用于输出调整处理后的起点和终点的桩号和高程数据,变坡点的桩号、高程和半径数据。
道路数据测量模块包括道路数据测量单元和道路数据预处理单元,
所述道路数据测量单元,用于测量道路纵断面的相关数据,包括桩号和高程;
所述道路数据预处理单元,用于对道路纵断面的相关数据进行预处理,包括数据清洗,去除异常数据值和补正缺失值。
竖曲线调整模块包括竖曲线规则设计单元和竖曲线调整单元,
所述竖曲线规则设计单元,用于设计基于道路纵断面数据创建竖曲线的规则;
所述竖曲线调整单元,用于计算出无法创建竖曲线的半径、坡长数据,并动态调整变坡点,直至误差不再变化。
实施例3
请参阅图6,一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现一种基于MARS的道路纵断面线形智能重构的方法的步骤。
一种计算机可读存储介质,其上存储有计算机指令,当计算机指令运行时执行一种基于MARS的道路纵断面线形智能重构的方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (12)
1.一种基于MARS的道路纵断面线形智能重构的方法,其特征在于,包括以下步骤:
步骤S1:测量道路纵断面线形的相关数据,并对道路纵断面线形的相关数据进行预处理;
步骤S2:提取道路纵断面线形数据的特征值,并对道路特征值进行预测处理;
步骤S3:基于MARS机器学习算法构建模型,对道路模块进行识别;
步骤S4:基于道路纵断面的设计规则,对分段区域分别处理,检查并解决竖曲线参数不合理的问题,动态调整变坡点,直至误差不再变化;
步骤S5:将计算结果转换为道路纵断面的参数信息,完成道路纵断面线性重构;
所述步骤S4的具体步骤为:
步骤S401:对直线区域进行处理,采用正交最小二乘法,设定直线方程的初始表达式为:,对参数/>和/>进行修正,修正公式为:/>,/>,修正后的直线方程表达式为:/>,/>表示参数修正系数;
步骤S402:对竖曲线区域进行处理,采用最小二乘法,设定竖曲线方程的初始表达式为:,对参数/>进行修正,修正公式为:/>,修正后的竖曲线方程表达式为:/>;
步骤S403:以竖曲线极值点为原点,原点切线为x轴,垂直于原点切线为y轴,建立直角坐标系,设定曲线中两点分别为和/>,并分别在A和B点做曲线切线,两条切线的夹角为/>;
步骤S404:计算任意切线上的任意一点Q与竖曲线点P之间的竖距,计算公式为:,其中,/>表示P点和Q点之间的距离,/>表示竖曲线的半径,计算竖曲线长度L,,计算切线长度T,/>,计算外矢距E,/>,/>表示点A与俩条切线交点的切线长度,/>表示点B与俩条切线交点的切线长度;
步骤S405:根据道路纵断面线形上所有的坐标,计算出道路的变坡点,并将不合理的变坡点,结合道路设计信息进行剔除;
步骤S406:计算出误差平方之和,并动态调整变坡点,直至误差不再变化。
2.如权利要求1所述的一种基于MARS的道路纵断面线形智能重构的方法,其特征在于,所述步骤S1中的相关数据包括桩号和高程。
3.如权利要求2所述的一种基于MARS的道路纵断面线形智能重构的方法,其特征在于,所述步骤S1中的预处理包括:数据清洗,去除异常数据值和补正缺失值。
4.如权利要求3所述的一种基于MARS的道路纵断面线形智能重构的方法,其特征在于,所述步骤S2的具体步骤为:
步骤S201:设定提取的道路纵断面线形数据的特征值序列为,其中,/>表示第n个特征数据,以/>点为中心,/>点前包含N个特征数据,/>点后包含N个特征数据;
步骤S202:构建零阶和一阶两个滤波器,分别为:
,
,
其中,表示零阶滤波器,/>表示一阶滤波器,/>和/>表示零阶和一阶滤波器的预测系数,/>,,/>表示第n-i个特征数据;
步骤S203:用零阶和一阶滤波器,以特征数据中心,分别向前和向后进行预测,得到四个预测值,取五个特征数据的中值,计算公式为:
,
其中,表示五个特征数据的中间值,/>表示取中值函数,/>表示零阶滤波器向前预测值,/>表示零阶滤波器向后预测值,/>表示一阶滤波器向前预测值,/>表示一阶滤波器向后预测值;
步骤S204:对处理后的特征数据进行移动均值处理,均值处理计算公式为:
,/>表示处理后的特征数据的均值。
5.如权利要求4所述的一种基于MARS的道路纵断面线形智能重构的方法,其特征在于,所述步骤S3的具体步骤包括:
步骤S301:设定处理后的特征值数据集,建立MARS模型:,其中,/>表示MARS模型输出变量,/>表示MARS模型参数,/>表示第m个样条的系数,/>表示第m个样条函数,表示MARS模型中含有的样条数目,/>表示节点数目,当第m个样条为右侧样条时,取值为1,当第m个样条为左侧样条时,取值为-1,/>表示独立变量的标识,表示节点的位置;
步骤S302:对MARS模型向后减枝,利用GCV参数调整残差平方和,形式为:
,
其中,n表示取用的特征数据数量,表示处理后的特征值,/>表示MARS模型的预测值,/>表示函数的复杂度惩罚;
步骤S303:利用MARS模型对处理后的特征值数据集x进行划分区域,每个区域即对应道路纵断面的一个组成模块。
6.如权利要求5所述的一种基于MARS的道路纵断面线形智能重构的方法,其特征在于,所述步骤S303中的组成模块包括直线模块和缓和曲线模块。
7.如权利要求6所述的一种基于MARS的道路纵断面线形智能重构的方法,其特征在于,所述步骤S5中所述的参数信息包括:起点和终点的桩号和高程,变坡点的桩号、高程和半径。
8.一种基于MARS的道路纵断面线形智能重构的系统,其基于权利要求1-7中任一项所述的一种基于MARS的道路纵断面线形智能重构的方法实现,其特征在于,包括:道路数据测量模块,特征值处理模块,道路识别模块,竖曲线调整模块和道路纵断面参数导出模块;
所述道路数据测量模块,用于测量道路纵断面的相关数据,包括桩号和高程,并对道路纵断面的相关数据进行预处理,包括数据清洗,去除异常数据值和补正缺失值;
所述特征值处理模块,用于对预处理后的道路纵断面的相关数据进行特征提取,并对特征数据进行预测处理;
所述道路识别模块,用于利用MARS模型识别出道路的模块,包括直线模块和缓和曲线模块;
所述竖曲线调整模块,用于基于道路纵断面的设计规则,对道路分段区域进行处理,计算出无法创建竖曲线的半径、坡长数据,并动态调整变坡点,直至误差不再变化;
所述道路纵断面参数导出模块,用于输出调整处理后的起点和终点的桩号和高程数据,变坡点的桩号、高程和半径数据。
9.如权利要求8所述的一种基于MARS的道路纵断面线形智能重构的系统,其特征在于,所述道路数据测量模块包括道路数据测量单元和道路数据预处理单元,
所述道路数据测量单元,用于测量道路纵断面的相关数据,包括桩号和高程;
所述道路数据预处理单元,用于对道路纵断面的相关数据进行预处理,包括数据清洗,去除异常数据值和补正缺失值。
10.如权利要求9所述的一种基于MARS的道路纵断面线形智能重构的系统,其特征在于,所述竖曲线调整模块包括竖曲线规则设计单元和竖曲线调整单元,
所述竖曲线规则设计单元,用于设计基于道路纵断面数据创建竖曲线的规则;
所述竖曲线调整单元,用于计算出无法创建竖曲线的半径、坡长数据,并动态调整变坡点,直至误差不再变化。
11.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的一种基于MARS的道路纵断面线形智能重构的方法的步骤。
12.一种计算机可读存储介质,其特征在于,其上存储有计算机指令,当计算机指令运行时执行权利要求1-7中任一项所述的一种基于MARS的道路纵断面线形智能重构的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311719128.9A CN117423000B (zh) | 2023-12-14 | 2023-12-14 | 一种基于mars的道路纵断面线形智能重构的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311719128.9A CN117423000B (zh) | 2023-12-14 | 2023-12-14 | 一种基于mars的道路纵断面线形智能重构的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117423000A CN117423000A (zh) | 2024-01-19 |
CN117423000B true CN117423000B (zh) | 2024-03-19 |
Family
ID=89526889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311719128.9A Active CN117423000B (zh) | 2023-12-14 | 2023-12-14 | 一种基于mars的道路纵断面线形智能重构的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117423000B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138788A (zh) * | 2015-09-06 | 2015-12-09 | 长江勘测规划设计研究有限责任公司 | 一种道路三维模型全参数化建立方法 |
CN114818418A (zh) * | 2022-04-11 | 2022-07-29 | 南昌工程学院 | 基于主动学习多元自适应回归样条的边坡可靠度分析方法 |
CN115688924A (zh) * | 2022-09-20 | 2023-02-03 | 北京航空航天大学 | 一种多样本联合多元自适应回归样条模型 |
-
2023
- 2023-12-14 CN CN202311719128.9A patent/CN117423000B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138788A (zh) * | 2015-09-06 | 2015-12-09 | 长江勘测规划设计研究有限责任公司 | 一种道路三维模型全参数化建立方法 |
CN114818418A (zh) * | 2022-04-11 | 2022-07-29 | 南昌工程学院 | 基于主动学习多元自适应回归样条的边坡可靠度分析方法 |
CN115688924A (zh) * | 2022-09-20 | 2023-02-03 | 北京航空航天大学 | 一种多样本联合多元自适应回归样条模型 |
Also Published As
Publication number | Publication date |
---|---|
CN117423000A (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111811420B (zh) | 隧道三维轮廓整体绝对变形监测方法及系统 | |
CN110288675B (zh) | 一种车道参考线构建方法、装置及存储介质 | |
CN106887020A (zh) | 一种基于LiDAR点云的道路纵横断面获取方法 | |
CN111209291B (zh) | 一种利用众包感知地图更新高精度地图的方法及系统 | |
CN108801273A (zh) | 一种道路参考线的生成方法及装置 | |
CN110728689A (zh) | 一种基于点云数据的既有铁路中线提取方法 | |
CN109544691B (zh) | 自动融合多源异构水深数据构建高分辨率dbm的mf方法 | |
CN110619258B (zh) | 一种基于高分辨率遥感影像的道路轨迹核查方法 | |
CN109993700B (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
CN115690773B (zh) | Dem分区及重建方法、计算设备和存储介质 | |
CN114332291A (zh) | 一种倾斜摄影模型建筑物外轮廓规则提取方法 | |
CN112257772B (zh) | 一种道路增减区间切分方法、装置、电子设备及存储介质 | |
CN103092948B (zh) | 一种应用于浮动车轨迹融合的高速道路形状修复方法 | |
CN112395794B (zh) | 一种基于剖分技术的参数化边坡模型自动构建方法 | |
CN115661004B (zh) | 三维地形模型及道路dem的更新方法、设备以及存储介质 | |
CN109376586A (zh) | 基于激光点云的道路边界线交互式自动提取方法 | |
CN113487555B (zh) | 一种基于点云网格化的输电线路隐患点快速检测方法 | |
CN117423000B (zh) | 一种基于mars的道路纵断面线形智能重构的方法 | |
CN114037948A (zh) | 基于迁移主动学习的车载道路点云要素矢量化方法与装置 | |
CN112435336A (zh) | 一种弯道类型识别方法、装置、电子设备及存储介质 | |
CN112330604A (zh) | 一种从点云数据生成矢量化道路模型的方法 | |
CN107545601B (zh) | 一种架空输电线路树高断面自动生成方法 | |
CN115795632A (zh) | 一种基于标记点云的自动几何孪生方法和系统 | |
JP2007072011A (ja) | 道路網データの作成装置、道路網データの作成方法、及び道路網データのデータ構造 | |
CN115718985A (zh) | 一种基于gis的改扩建公路模型优化方法 |
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 |