CN117743280B - 一种公路桥梁施工数据智能管理方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种公路桥梁施工数据智能管理方法，包括：获取浇筑材料内部多个不同深度位置的温度数据以及多种施工现场的环境数据，并将得到的每个温度数据序列记为一个目标维度，将每个目标维度划分为若干个施工周期，获取每个施工周期内的差分阶数调整系数，从而得到每个施工周期内的优选差分阶数，由此得到每个目标维度对应的旋转门算法中的压缩容差，进行数据压缩运算，得到每个目标维度对应的压缩数据，将所有目标维度对应的压缩数据存储至数据库中。本发明通过自适应旋转门算法中的压缩容差，提高了数据压缩的效率，从而提高了公路桥梁施工数据的管理效率。

Description

一种公路桥梁施工数据智能管理方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种公路桥梁施工数据智能管理方法。

背景技术

公路桥梁的施工过程中对于浇筑材料的温度监测是重要的质量控制环节，以确保桥梁的结构稳定和耐久性，其中对混凝土和沥青的温度监测最为重要，当温度过高时会导致混凝土和沥青中所包含的水分快速降低流动性导致快速硬化，进而造成内部和外部具有较大应力而产生裂缝，因此需要对施工过程中的浇筑材料的温度进行实时监测，从而判断施工质量和排除安全隐患。

现有对浇筑材料的温度监测主要依靠温度传感器，获得包括环境因素和浇筑材料的温度，例如环境中的风速、空气温度、光照强度、湿度等都会影响到浇筑材料的凝固速度，因此进行实时监测过程中会产生大量的监测数据，为了满足对检测数据的存储和管理分析，因此需要对监测数据进行压缩处理。

由于监测数据是属于时序数据，在此背景下常采用基于时序压缩的旋转门算法对采集的监测数据进行压缩，而旋转门算法在压缩的过程中压缩容差的选取，决定了压缩效率和敏感数据的保存，当压缩容差选取不合适时，可能导致数据压缩效率较差以及数据损失严重，从而降低了公路桥梁施工数据的管理效率。

发明内容

本发明提供一种公路桥梁施工数据智能管理方法，以解决现有的问题。

本发明的一种公路桥梁施工数据智能管理方法采用如下技术方案：

本发明一个实施例提供了一种公路桥梁施工数据智能管理方法，该方法包括以下步骤：

在一段时间内，获取每一时刻上的浇筑材料内部多个不同深度位置的温度数据以及多种施工现场的环境数据，分别得到多个温度数据序列以及多个环境数据序列；将每个温度数据序列记为一个目标维度；将每个环境数据序列记为一个环境维度；

根据每个目标维度中温度数据之间的差异，得到每个目标维度中每一时刻的温度数据的划分程度；根据每个目标维度中每一时刻的温度数据的划分程度，将每个目标维度划分为若干个施工周期；

根据每个目标维度的每个施工周期中温度数据对应的时刻，从所有环境维度中筛选出每个目标维度的每个施工周期对应的若干个协变数据序列；在每个目标维度上，根据每个施工周期与每个施工周期对应的协变数据序列之间的差异，得到每个目标维度在每个施工周期内的优选差分阶数；

根据每个目标维度在每个施工周期内的优选差分阶数，得到每个目标维度对应的旋转门算法中的压缩容差；根据每个目标维度对应的旋转门算法中的压缩容差，使用旋转门算法进行数据压缩运算，得到每个目标维度对应的压缩数据；将所有目标维度对应的压缩数据存储至数据库中。

进一步地，所述根据每个目标维度中温度数据之间的差异，得到每个目标维度中每一时刻的温度数据的划分程度，包括的具体步骤如下：

以时刻为横轴，以温度数据为纵轴，构建第个目标维度的散点图；所述第/>个目标维度为所有目标维度中的任意一个目标维度；

在第个目标维度的散点图上，以第/>时刻和第/>时刻的数据点之间的距离为向量的模，以第/>时刻的数据点到第/>时刻的数据点的方向为向量的方向，构成第/>个目标维度在第/>时刻的温度数据的温度幅值向量；所述第/>时刻为第/>个目标维度中的任意一个时刻；

在第个目标维度上，根据每一时刻的温度数据以及温度数据的温度幅值向量，得到第/>个目标维度在第/>时刻的温度数据的划分程度。

进一步地，所述在第个目标维度上，根据每一时刻的温度数据以及温度数据的温度幅值向量，得到第/>个目标维度在第/>时刻的温度数据的划分程度对应的具体计算公式为：

其中，为第/>个目标维度在第/>时刻的温度数据的划分程度，/>和/>分别为第/>个目标维度在第/>时刻和第/>时刻的温度数据的温度幅值向量，/>为/>和/>的夹角值，/>为第/>个目标维度在第/>时刻到第/>时刻之间所有温度数据的均值，/>为第/>个目标维度在第/>时刻到第/>时刻之间所有温度数据的均值，/>为绝对值函数，/>为线性归一化函数，/>为预设的数量阈值。

进一步地，所述根据每个目标维度中每一时刻的温度数据的划分程度，将每个目标维度划分为若干个施工周期，包括的具体步骤如下：

在任意一个目标维度上，将划分程度大于预设的分段阈值的温度数据，记为划分点；使用所有划分点将目标维度划分为若干个施工周期。

进一步地，所述根据每个目标维度的每个施工周期中温度数据对应的时刻，从所有环境维度中筛选出每个目标维度的每个施工周期对应的若干个协变数据序列，包括的具体步骤如下：

将第个目标维度的第/>个施工周期内的第一个和最后一个温度数据对应的时刻，分别记为起始时刻和终止时刻；所述第/>个目标维度为所有目标维度中的任意一个目标维度；所述第/>个施工周期为第/>个目标维度的任意一个施工周期；

在每个环境维度上，将起始时刻到终止时刻之间的环境数据构成的数据序列，记为参考数据序列；

计算每个参考数据序列与第个目标维度的第/>个施工周期的皮尔逊相关系数，在所有参考数据序列分别与第/>个目标维度的第/>个施工周期的皮尔逊相关系数中，将皮尔逊相关系数大于预设的相关阈值的参考数据序列，记为第/>个目标维度的第/>个施工周期的协变数据序列。

进一步地，所述在每个目标维度上，根据每个施工周期与每个施工周期对应的协变数据序列之间的差异，得到每个目标维度在每个施工周期内的优选差分阶数，包括的具体步骤如下：

在每个目标维度上，根据每个施工周期与每个施工周期对应的协变数据序列之间的差异，得到每个目标维度在每个施工周期内的差分阶数调整系数；

根据每个目标维度在每个施工周期内的差分阶数调整系数以及预设的差分阶数，得到每个目标维度在每个施工周期内的优选差分阶数。

进一步地，所述在每个目标维度上，根据每个施工周期与每个施工周期对应的协变数据序列之间的差异，得到每个目标维度在每个施工周期内的差分阶数调整系数对应的具体计算公式为：

其中，为第/>个目标维度在第/>个施工周期内的差分阶数调整系数，/>为第/>个目标维度所划分的施工周期总个数，/>为第/>个目标维度的第/>个施工周期的第/>个协变数据序列的峰度，/>为第/>个目标维度的第/>个施工周期的峰度，/>为第/>个目标维度的第/>个施工周期的协变数据序列的数量，/>为第/>个目标维度的第/>个施工周期，/>为第/>个目标维度的第/>个施工周期的第/>个协变数据序列，/>为/>和/>的DTW距离，/>为以自然常数为底的指数函数，/>为线性归一化函数；

所述DTW距离的获取过程为：在第个目标维度上，使用DTW算法对第/>个施工周期与第/>个施工周期的第/>个协变数据序列进行匹配，得到/>和/>的DTW距离。

进一步地，所述根据每个目标维度在每个施工周期内的差分阶数调整系数以及预设的差分阶数，得到每个目标维度在每个施工周期内的优选差分阶数，包括的具体步骤如下：

其中为第/>个目标维度在第/>个施工周期的优选差分阶数，/>为第/>个目标维度在第/>个施工周期内的差分阶数调整系数，/>为预设的差分阶数，/>为预设的常数，/>为向上取整函数。

进一步地，所述根据每个目标维度在每个施工周期内的优选差分阶数，得到每个目标维度对应的旋转门算法中的压缩容差，包括的具体步骤如下：

统计第个目标维度的每个施工周期内的温度数据的数量，将第/>个目标维度的所有施工周期内的温度数据的数量的均值，记为下一个施工周期长度N；所述第/>个目标维度为所有目标维度中的任意一个目标维度；

根据第个目标维度中所有施工周期内的温度数据以及第/>个目标维度在所有施工周期内的优选差分阶数，使用ARIMA预测算法，得到一个预测温度数据序列；所述预测温度数据序列中的预测温度数据的数量为N；

在预测温度数据序列中，计算任意相邻两个预测温度数据的差值的绝对值，将所有相邻的预测温度数据的差值的绝对值的均值，记为第个目标维度对应的压缩容差。

进一步地，所述根据每个目标维度对应的旋转门算法中的压缩容差，使用旋转门算法进行数据压缩运算，得到每个目标维度对应的压缩数据，包括的具体步骤如下：

在第个目标维度的最后一个温度数据之后，继续依次采集第/>个目标维度对应的N个温度数据，根据第/>个目标维度对应的压缩容差，使用旋转门算法对所述N个温度数据进行压缩运算，得到第/>个目标维度对应的压缩数据。

本发明的技术方案的有益效果是：

本发明实施例中，获取浇筑材料内部多个不同深度位置的温度数据以及多种施工现场的环境数据，将得到的每个温度数据序列记为一个目标维度，将每个目标维度划分为若干个施工周期，其根据温度数据的划分程度选取划分点，保障了施工周期划分的准确性，从而保障了优选差分阶数的选取准确性。获取每个目标维度在每个施工周期内的差分阶数调整系数，从而得到每个目标维度在每个施工周期内的优选差分阶数，其结合环境数据进行分析，得到准确可信的优选差分阶数，从而保障预测数据的准确性，用以提高压后续缩容差获取的准确性。根据预测数据，得到每个目标维度对应的旋转门算法中的压缩容差，从而使用合适的压缩容差进行高效的数据压缩运算，得到每个目标维度对应的压缩数据，将所有目标维度对应的压缩数据存储至数据库中。至此本发明通过自适应ARIMA预测算法中的差分阶数，得到可信的预测数据，由此得到准确的旋转门算法中的压缩容差，提高了数据压缩的效率，从而提高了公路桥梁施工数据的管理效率。

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，下面将对实施例或现有技术描述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为本发明一种公路桥梁施工数据智能管理方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种公路桥梁施工数据智能管理方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

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。

下面结合附图具体的说明本发明所提供的一种公路桥梁施工数据智能管理方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种公路桥梁施工数据智能管理方法的步骤流程图，该方法包括以下步骤：

步骤S001：在一段时间内，获取每一时刻上的浇筑材料内部多个不同深度位置的温度数据以及多种施工现场的环境数据，分别得到多个温度数据序列以及多个环境数据序列；将每个温度数据序列记为一个目标维度；将每个环境数据序列记为一个环境维度。

本实施例的目的是对公路桥梁施工过程中的浇筑材料的温度进行监测，实现建筑材料的温度监测数据压缩，因此首先需要采集建筑材料的温度数据和环境数据。在施工现场设置环境传感器，包括光照、温度、湿度、风速等，并在浇筑材料内部多个不同深度位置安装温度探头，获取浇筑材料内部的温度数据。

由此，在一段时间内，采集每一时刻上的浇筑材料内部多个不同深度位置的温度数据以及多种施工现场的环境数据，分别得到多个温度数据序列以及多个环境数据序列。

所需说明的是：浇筑材料一般为混凝土和沥青，本实施例以混凝土为例，而多种施工现场的环境数据，本实施例以施工现场的光照强度、温度、湿度、风速为例，并且数据采集频率为每分钟一次，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。

进一步的，将每个温度数据序列记为一个目标维度，将每个环境数据序列记为一个环境维度。

步骤S002：根据每个目标维度中温度数据之间的差异，得到每个目标维度中每一时刻的温度数据的划分程度；根据每个目标维度中每一时刻的温度数据的划分程度，将每个目标维度划分为若干个施工周期。

在不同施工阶段浇筑的深度不同，使得目标维度的温度数据存在较大的差异，因此首先需要根据目标维度的自身波动将目标维度的温度数据进行分段获得每个目标维度的施工周期。当前一个施工周期所浇筑的混凝土和沥青被后一个施工周期所浇筑的材料覆盖时，或受到其他施工处理，造成在一个深度的温度监测传感器受到影响，进而导致该目标维度的温度数据产生了较大的变化，则属于不同的施工阶段，那么在不同施工阶段内受到环境因素和每个环境因素的影响程度不同，需要将浇筑材料根据施工周期进行分段。

以所有目标维度中的任意一个目标维度为例，即以第个目标维度为例，以时刻为横轴，以温度数据为纵轴，构建第/>个目标维度的散点图。该散点图中每个数据点对应第/>个目标维度中的一个温度数据。

以第时刻为例，在散点图上，以第/>时刻和第/>时刻的数据点之间的距离为向量的模，以第/>时刻的数据点到第/>时刻的数据点的方向为向量的方向，构成第/>个目标维度在第/>时刻的温度数据的温度幅值向量。该第/>时刻为第/>个目标维度中的任意一个时刻。

按照上述方式，得到第个目标维度在每一时刻的温度数据的温度幅值向量。

由此可知第个目标维度在第/>时刻的温度数据的划分程度的计算公式为：

其中，为第/>个目标维度在第/>时刻的温度数据的划分程度，/>和/>分别为第/>个目标维度在第/>时刻和第/>时刻的温度数据的温度幅值向量，/>为/>和/>的夹角值，/>为第/>个目标维度在第/>时刻到第/>时刻之间所有温度数据的均值，/>为第/>个目标维度在第/>时刻到第/>时刻之间所有温度数据的均值，/>为绝对值函数，/>为线性归一化函数，将数据值归一化至/>区间内，/>为预设的数量阈值。本实施例中/>为20，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。

所需说明的是：当越大时，说明第/>个目标维度在第/>时刻处温度数据的变化趋势方向出现了较大的改变，因此第/>时刻两侧越可能处于不同施工周期，本实时例使用反余弦函数计算两向量的夹角值，此为公知技术，具体方法在此不做介绍，已知两向量的夹角值最大为180度，因此用/>表示/>的归一化处理。而/>越大，说明第/>个目标维度在第/>时刻两侧的温度数据差异越大，则两侧越可能处于不同施工周期，当第/>时刻一侧不足/>个温度数据时，只用存在的温度数据，由此用的归一化值，表示第/>个目标维度在第/>时刻的温度数据的划分程度。/>越大，越需要划分。

按照上述方式，得到第个目标维度在每一时刻的温度数据的划分程度。

所需说明的是：由于目标维度上第一个和最后一个温度数据，分别为分段的起始点和终止点，不需要计算划分程度，即不需要获取最后一个温度数据的温度幅值向量，且不为1。

本实施例预设的分段阈值为0.75，预设的相关阈值为0.7，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。

在第个目标维度上，将划分程度大于预设的分段阈值的温度数据，记为划分点。

在第个目标维度上，使用所有划分点将第/>个目标维度划分为若干个施工周期。

所需说明的是：目标维度为温度数据序列，所有划分点会将温度数据序列分割为若干个数据序列段，每个划分点属于其之前的数据序列段，而每个数据序列段为一个施工周期。

步骤S003：根据每个目标维度的每个施工周期中温度数据对应的时刻，从所有环境维度中筛选出每个目标维度的每个施工周期对应的若干个协变数据序列；在每个目标维度上，根据每个施工周期与每个施工周期对应的协变数据序列之间的差异，得到每个目标维度在每个施工周期内的优选差分阶数。

进一步的，由于浇筑材料在不同深度的温度受到环境因素的影响程度不同，以及所受到的环境因素影响也不同，例如在浇筑材料表面主要受到风速以及空气湿度的影响，在浇筑材料内部主要受到光照强度的热辐射影响，因此首先需要获取所有环境维度中对目标维度具有影响性的环境维度，以其作为每个目标维度在每个施工周期的协变维度。

以第个目标维度的第/>个施工周期为例，将第/>个目标维度的第/>个施工周期内的第一个和最后一个温度数据对应的时刻，分别记为起始时刻和终止时刻。

在每个环境维度上，将起始时刻到终止时刻之间的环境数据构成的数据序列，记为参考数据序列。

计算每个参考数据序列与第个目标维度的第/>个施工周期的皮尔逊相关系数，在所有参考数据序列分别与第/>个目标维度的第/>个施工周期的皮尔逊相关系数中，将皮尔逊相关系数大于预设的相关阈值的参考数据序列，记为第/>个目标维度的第/>个施工周期的协变数据序列。

所需说明的是：皮尔逊相关系数的计算为公知技术，具体方法在此不做介绍，皮尔逊相关系数是一种衡量数据序列之间线性相关程度的统计量。它的取值范围在-1到1之间，其中1表示完全正相关，-1表示完全负相关，0表示没有线性相关。因此协变数据序列就是与第个目标维度的第/>个施工周期相关性较高的数据序列，而协变数据序列对应的环境维度，就是第/>个目标维度的第/>个施工周期对应的协变维度。

为了提高数据压缩的实时性，对于压缩容差的选取，本实施例使用数据序列的预测数据计算压缩容差，其利用ARIMA预测算法进行数据预测，而ARIMA模型中包括自回归部分、差分部分和移动平均部分，其中差分部分用于消除时间序列数据的非平稳性，需要选取一个差分阶数。

所需说明的是：ARIMA预测算法为公知技术，具体方法在此不做介绍。ARIMA的中文全称为自回归移动平均模型，英文全称为Autoregressive Integrated Moving AverageModel。

由此根据协变维度中协变数据序列的进行差分阶数的调整，实现对每个目标维度在每个施工周期的优选差分阶数，从而实现自适应预测。

已知如果差分阶数过小，即差分次数较少，可能无法完全消除数据中的非平稳性，导致模型训练的收敛困难或无法得到准确的预测结果。反之，如果差分阶数过大，即差分次数过多，可能会导致数据的平稳性过度损失，预测结果会失去实际意义。

计算每个施工周期的差分阶数时，会受到关联数据的变化与目标维度的数据变化差异影响，若关联数据的变化是波动的情况，且波动的差异较大，那么需要设置的差分阶数应当较小，能保证数据在保持平稳性的情况下，还能保证其存在信息。若反之，应当设置的差分阶数较大，使得数据能更加平稳，即其他关联性因素是平稳的，则当前也是平稳的，那么进一步的使用该值预测得到的压缩容差也应该与当前的压缩容差一样较小，则存储的敏感度更高。其关联数据便是施工周期对应的协变数据序列。

在对用于ARIMA算法预测的输入数据中，整体差分无法满足复杂的多施工周期的目标维度温度数据，在一个施工周期内，若协变维度与目标维度的关联性较强，那么当协变维度不稳定时，或协变维度与目标维度的波动不协调时，此时若使用较大的差分阶数对目标维度的温度数据进行平稳化，会造成温度数据的平稳性过度损失，使得使用ARIMA算法进行预测的温度数据失去了原有该施工周期内温度数据所表现的特征，即预测结果会失去在该预测周期内的实际意义。若在一个施工周期内目标维度和协变维度的变化都较大，或目标维度的变化幅度相较于协变维度更大，那么在该施工周期内，对于目标维度是属于较为平稳的，若使用较小的差分阶数进行差分后，差分后的数据无法消除数据中的非平稳性，导致ARIMA模型训练的收敛困难或无法得到准确的预测结果。

因此，本实施例根据每个目标维度的协变维度与目标维度的变化关系，结合所在施工周期的时间距离对当前的影响，获得在每个施工周期内差分阶数的调整系数。

由此可知第个目标维度在第/>个施工周期内的差分阶数调整系数的计算方式为：

其中，为第/>个目标维度在第/>个施工周期内的差分阶数调整系数，/>为第/>个目标维度所划分的施工周期总个数，/>为第/>个目标维度的第/>个施工周期的第/>个协变数据序列的峰度，/>为第/>个目标维度的第/>个施工周期的峰度，/>为第/>个目标维度的第/>个施工周期的协变数据序列的数量，/>为第/>个目标维度的第/>个施工周期，/>为第/>个目标维度的第/>个施工周期的第/>个协变数据序列，/>为/>和/>的DTW距离，/>为以自然常数为底的指数函数，本实施例以/>来呈现反比例关系及归一化处理，实施者可根据实际情况设置反比例函数及归一化函数，/>为线性归一化函数，将数据值归一化至/>区间内。

所需说明的是：表示第/>个施工周期距离待预测施工周期的距离，取值越小说明距离越远，那么该施工周期内的数据与待预测施工周期内数据的时间间隔过长，那么在预测时第/>个施工周期的温度数据给予的参考性较低，则差分阶数应较大。数据序列的峰度的计算为公知技术，具体方法在此不做介绍。数据序列的峰度是衡量数据分布形态陡峭程度的统计量。它描述了数据分布相对于正态分布的尖峰或平坦程度，峰度越大，说明数据越聚集。因此当/>大于0时，说明/>相对于/>中的数据是聚集的，/>中的数据波动相对较大，则需要使用较大的差分阶数进行过拟合，消除第/>个目标维度的波动特征，避免造成差分后数据仍旧是非平稳的。当/>小于0时，说明/>相对于/>中的数据是聚集的，/>中的数据波动相对较小，则需要对第/>个目标维度使用较小的差分阶数进行差分，尽可能的保留第/>个目标维度的波动特征用于预测。本实施例中两数据序列的DTW距离，使用DTW算法获取，DTW算法为公知技术，具体方法在此不做介绍，DTW距离为DTW算法的输出特征，DTW距离越小，说明两数据序列越相似，则越能用于作为第/>个目标维度的差分阶数的参考。因此用对/>进行校正。用与/>的乘积的归一化值，表示第/>个目标维度在第/>个施工周期内的差分阶数调整系数。/>越大，需要越大的差分阶数。DTW的中文全称是动态时间规整，而英文全称是Dynamic Time Warping。

按照上述方式，得到第个目标维度在每个施工周期内的差分阶数调整系数。

由此可知第个目标维度在第/>个施工周期内的优选差分阶数的计算公式为：

其中为第/>个目标维度在第/>个施工周期的优选差分阶数，/>为第/>个目标维度在第/>个施工周期内的差分阶数调整系数，/>为预设的差分阶数，/>为预设的常数，/>为向上取整函数。本实施例中/>为3，/>为0.5，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。

所需说明的是：对加/>，令调整系数取整范围为0.5到1.5，调整系数越大，需要越大的差分阶数，因此用/>表示第/>个目标维度在第/>个施工周期的优选差分阶数。

按照上述方式，得到第个目标维度在每个施工周期内的优选差分阶数。

步骤S004：根据每个目标维度在每个施工周期内的优选差分阶数，得到每个目标维度对应的旋转门算法中的压缩容差；根据每个目标维度对应的旋转门算法中的压缩容差，使用旋转门算法进行数据压缩运算，得到每个目标维度对应的压缩数据；将所有目标维度对应的压缩数据存储至数据库中。

统计第个目标维度的每个施工周期内的温度数据的数量，将第/>个目标维度的所有施工周期内的温度数据的数量的均值，记为下一个施工周期长度N。

进一步的，根据第个目标维度中所有施工周期内的温度数据以及第/>个目标维度在所有施工周期内的优选差分阶数，使用ARIMA预测算法，得到一个预测温度数据序列。该预测温度数据序列中的预测温度数据的数量为下一个施工周期长度N。

所需说明的是：ARIMA预测算法为公知技术，具体方法在此不做介绍，差分阶数为该算法的一个重要参数。ARIMA模型可以预测未来多个数据，也就是预测未来的时间序列。

在预测温度数据序列中，计算任意相邻两个预测温度数据的差值的绝对值，将所有相邻的预测温度数据的差值的绝对值的均值，记为第个目标维度对应的压缩容差。

已知第个目标维度对应一个温度探头，使用该温度探头继续采集第/>个目标维度之后的N个温度数据，根据压缩容差，使用旋转门算法对所述N个温度数据进行压缩运算，得到第/>个目标维度对应的压缩数据。N为下一个施工周期长度。

所需说明的是：旋转门算法为公知技术，具体方法在此不做介绍，压缩容差为该算法的重要参数。继续采集第个目标维度之后的N个温度数据后，得到新的第/>个目标维度，根据新的第/>个目标维度，按照上述方式，得到新的下一个施工周期长度以及新的压缩容差，继续采集数据，再对采集的新数据进行压缩运算，依次完成温度数据的实时压缩运算。对应开始监测阶段的温度数据，可直接使用传统的旋转门压缩算法进行压缩处理。

按照上述方式，得到每个目标维度对应的压缩数据。

将所有目标维度对应的压缩数据存储至数据库中。由此完成了公路桥梁施工数据的高效管理。

至此，本发明完成。

综上所述，在本发明实施例中，获取每一时刻上的浇筑材料内部多个不同深度位置的温度数据以及多种施工现场的环境数据，分别得到多个温度数据序列以及多个环境数据序列，将每个温度数据序列记为一个目标维度，将每个目标维度划分为若干个施工周期，获取每个目标维度在每个施工周期内的差分阶数调整系数，从而得到每个目标维度在每个施工周期内的优选差分阶数，由此得到每个目标维度对应的旋转门算法中的压缩容差，进行数据压缩运算，得到每个目标维度对应的压缩数据，将所有目标维度对应的压缩数据存储至数据库中。本发明通过自适应ARIMA预测算法中的差分阶数，得到可信的预测数据，由此得到准确的旋转门算法中的压缩容差，提高了数据压缩的效率，从而提高了公路桥梁施工数据的管理效率。

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 (7)

1.一种公路桥梁施工数据智能管理方法，其特征在于，该方法包括以下步骤：

在一段时间内，获取每一时刻上的浇筑材料内部多个不同深度位置的温度数据以及多种施工现场的环境数据，分别得到多个温度数据序列以及多个环境数据序列；将每个温度数据序列记为一个目标维度；将每个环境数据序列记为一个环境维度；

根据每个目标维度中温度数据之间的差异，得到每个目标维度中每一时刻的温度数据的划分程度；根据每个目标维度中每一时刻的温度数据的划分程度，将每个目标维度划分为若干个施工周期；

根据每个目标维度的每个施工周期中温度数据对应的时刻，从所有环境维度中筛选出每个目标维度的每个施工周期对应的若干个协变数据序列；在每个目标维度上，根据每个施工周期与每个施工周期对应的协变数据序列之间的差异，得到每个目标维度在每个施工周期内的优选差分阶数；

根据每个目标维度在每个施工周期内的优选差分阶数，得到每个目标维度对应的旋转门算法中的压缩容差；根据每个目标维度对应的旋转门算法中的压缩容差，使用旋转门算法进行数据压缩运算，得到每个目标维度对应的压缩数据；将所有目标维度对应的压缩数据存储至数据库中；

所述根据每个目标维度中温度数据之间的差异，得到每个目标维度中每一时刻的温度数据的划分程度，包括的具体步骤如下：

以时刻为横轴，以温度数据为纵轴，构建第个目标维度的散点图；所述第/>个目标维度为所有目标维度中的任意一个目标维度；

在第个目标维度的散点图上，以第/>时刻和第/>时刻的数据点之间的距离为向量的模，以第/>时刻的数据点到第/>时刻的数据点的方向为向量的方向，构成第/>个目标维度在第/>时刻的温度数据的温度幅值向量；所述第/>时刻为第/>个目标维度中的任意一个时刻；

在第个目标维度上，根据每一时刻的温度数据以及温度数据的温度幅值向量，得到第/>个目标维度在第/>时刻的温度数据的划分程度对应的具体计算公式为：

其中，为第/>个目标维度在第/>时刻的温度数据的划分程度，/>和/>分别为第/>个目标维度在第/>时刻和第/>时刻的温度数据的温度幅值向量，/>为/>和/>的夹角值，/>为第/>个目标维度在第/>时刻到第/>时刻之间所有温度数据的均值，为第/>个目标维度在第/>时刻到第/>时刻之间所有温度数据的均值，/>为绝对值函数，/>为线性归一化函数，/>为预设的数量阈值；

所述根据每个目标维度的每个施工周期中温度数据对应的时刻，从所有环境维度中筛选出每个目标维度的每个施工周期对应的若干个协变数据序列，包括的具体步骤如下：

将第个目标维度的第/>个施工周期内的第一个和最后一个温度数据对应的时刻，分别记为起始时刻和终止时刻；所述第/>个目标维度为所有目标维度中的任意一个目标维度；所述第/>个施工周期为第/>个目标维度的任意一个施工周期；

在每个环境维度上，将起始时刻到终止时刻之间的环境数据构成的数据序列，记为参考数据序列；

计算每个参考数据序列与第个目标维度的第/>个施工周期的皮尔逊相关系数，在所有参考数据序列分别与第/>个目标维度的第/>个施工周期的皮尔逊相关系数中，将皮尔逊相关系数大于预设的相关阈值的参考数据序列，记为第/>个目标维度的第/>个施工周期的协变数据序列。

2.根据权利要求1所述一种公路桥梁施工数据智能管理方法，其特征在于，所述根据每个目标维度中每一时刻的温度数据的划分程度，将每个目标维度划分为若干个施工周期，包括的具体步骤如下：

在任意一个目标维度上，将划分程度大于预设的分段阈值的温度数据，记为划分点；使用所有划分点将目标维度划分为若干个施工周期。

3.根据权利要求1所述一种公路桥梁施工数据智能管理方法，其特征在于，所述在每个目标维度上，根据每个施工周期与每个施工周期对应的协变数据序列之间的差异，得到每个目标维度在每个施工周期内的优选差分阶数，包括的具体步骤如下：

在每个目标维度上，根据每个施工周期与每个施工周期对应的协变数据序列之间的差异，得到每个目标维度在每个施工周期内的差分阶数调整系数；

根据每个目标维度在每个施工周期内的差分阶数调整系数以及预设的差分阶数，得到每个目标维度在每个施工周期内的优选差分阶数。

4.根据权利要求3所述一种公路桥梁施工数据智能管理方法，其特征在于，所述在每个目标维度上，根据每个施工周期与每个施工周期对应的协变数据序列之间的差异，得到每个目标维度在每个施工周期内的差分阶数调整系数对应的具体计算公式为：

其中，为第/>个目标维度在第/>个施工周期内的差分阶数调整系数，/>为第/>个目标维度所划分的施工周期总个数，/>为第/>个目标维度的第/>个施工周期的第/>个协变数据序列的峰度，/>为第/>个目标维度的第/>个施工周期的峰度，/>为第/>个目标维度的第/>个施工周期的协变数据序列的数量，/>为第/>个目标维度的第/>个施工周期，/>为第/>个目标维度的第/>个施工周期的第/>个协变数据序列，/>为/>和/>的DTW距离，/>为以自然常数为底的指数函数，/>为线性归一化函数；

所述DTW距离的获取过程为：在第个目标维度上，使用DTW算法对第/>个施工周期与第/>个施工周期的第/>个协变数据序列进行匹配，得到/>和/>的DTW距离。

5.根据权利要求3所述一种公路桥梁施工数据智能管理方法，其特征在于，所述根据每个目标维度在每个施工周期内的差分阶数调整系数以及预设的差分阶数，得到每个目标维度在每个施工周期内的优选差分阶数，包括的具体步骤如下：

其中为第/>个目标维度在第/>个施工周期的优选差分阶数，/>为第/>个目标维度在第/>个施工周期内的差分阶数调整系数，/>为预设的差分阶数，/>为预设的常数，/>为向上取整函数。

6.根据权利要求1所述一种公路桥梁施工数据智能管理方法，其特征在于，所述根据每个目标维度在每个施工周期内的优选差分阶数，得到每个目标维度对应的旋转门算法中的压缩容差，包括的具体步骤如下：

统计第个目标维度的每个施工周期内的温度数据的数量，将第/>个目标维度的所有施工周期内的温度数据的数量的均值，记为下一个施工周期长度N；所述第/>个目标维度为所有目标维度中的任意一个目标维度；

根据第个目标维度中所有施工周期内的温度数据以及第/>个目标维度在所有施工周期内的优选差分阶数，使用ARIMA预测算法，得到一个预测温度数据序列；所述预测温度数据序列中的预测温度数据的数量为N；

在预测温度数据序列中，计算任意相邻两个预测温度数据的差值的绝对值，将所有相邻的预测温度数据的差值的绝对值的均值，记为第个目标维度对应的压缩容差。

7.根据权利要求6所述一种公路桥梁施工数据智能管理方法，其特征在于，所述根据每个目标维度对应的旋转门算法中的压缩容差，使用旋转门算法进行数据压缩运算，得到每个目标维度对应的压缩数据，包括的具体步骤如下：

在第个目标维度的最后一个温度数据之后，继续依次采集第/>个目标维度对应的N个温度数据，根据第/>个目标维度对应的压缩容差，使用旋转门算法对所述N个温度数据进行压缩运算，得到第/>个目标维度对应的压缩数据。