CN117787568A - 一种道路施工进度智能监测及预警方法 - Google Patents
一种道路施工进度智能监测及预警方法 Download PDFInfo
- Publication number
- CN117787568A CN117787568A CN202410199623.XA CN202410199623A CN117787568A CN 117787568 A CN117787568 A CN 117787568A CN 202410199623 A CN202410199623 A CN 202410199623A CN 117787568 A CN117787568 A CN 117787568A
- Authority
- CN
- China
- Prior art keywords
- degree
- time
- time sequence
- construction
- peak
- 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.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 243
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012544 monitoring process Methods 0.000 title claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims abstract description 131
- 238000005070 sampling Methods 0.000 claims abstract description 115
- 230000007613 environmental effect Effects 0.000 claims abstract description 15
- 230000005856 abnormality Effects 0.000 claims description 21
- 230000035772 mutation Effects 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 abstract description 8
- 230000000875 corresponding effect Effects 0.000 description 97
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 230000000739 chaotic effect Effects 0.000 description 8
- 238000010606 normalization Methods 0.000 description 4
- 239000010426 asphalt Substances 0.000 description 3
- 230000003139 buffering effect Effects 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- UXFQFBNBSPQBJW-UHFFFAOYSA-N 2-amino-2-methylpropane-1,3-diol Chemical compound OCC(N)(C)CO UXFQFBNBSPQBJW-UHFFFAOYSA-N 0.000 description 1
- 101150035093 AMPD gene Proteins 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据预测技术领域,具体涉及一种道路施工进度智能监测及预警方法,该方法首先根据每个采样时间段中,每个施工路段的时序温度数据和时序湿度数据的波动变化相似关联情况,得到异常波动特征程度;进一步地结合所有施工路段的异常波动特征程度和整体的波动情况,得到监测施工道路在每个采样时间段下的环境异常特征程度;进一步地通过环境异常程度影响对自回归积分滑动平均模型中的自相关系数进行改进,使得根据改进自回归积分滑动平均模型预测得到的道路施工预测进度进行道路施工进度监测预警的效果更好。
Description
技术领域
本发明涉及数据预测技术领域,具体涉及一种道路施工进度智能监测及预警方法。
背景技术
道路施工进度监测预警是指对道路施工过程中的施工进度进行实时监测,并根据监测得到的各个时间段的施工进度情况进行预测,并根据预测得到的施工进度进行预警判断,以确保施工进度合理推进,提高施工工程的效率。现有技术通常通过自回归积分滑动平均(Autoregressive Integrated Moving Average,ARIMA)模型结合各个时间段的整体施工进度进行施工进度预测,得到道路施工预测进度;并根据道路施工预测进度进行监测预警。
但是道路施工进度受到恶劣天气环境的影响较大,例如,高温会导致沥青混合物中的挥发物质蒸发,影响沥青的粘附性和稳定性;雨水可能会冲刷沥青混合料、影响施工过程的平整度,降低铺设质量等,均会影响施工进度,在不考虑恶劣天气环境影响直接通过ARIMA模型进行施工进度预测时,不同采样时间段的施工进度变化值在ARIMA模型中的初始自回归参数也即权重相同,不符合客观实际情况,从而导致预测得到的道路施工预测进度可能会由于天气环境的影响导致存在一定的偏差,也即现有技术直接通过ARIMA模型进行施工进度预测的预测精度不同,导致根据预测得到的存在偏差的道路施工预测进度进行道路施工进度监测预警的效果较差。
发明内容
为了解决现有技术直接通过ARIMA模型进行施工进度预测的预测精度不同,导致根据预测得到的存在偏差的道路施工预测进度进行道路施工进度监测预警的效果较差的技术问题,本发明的目的在于提供一种道路施工进度智能监测及预警方法,所采用的技术方案具体如下:
本发明提出了一种道路施工进度智能监测及预警方法,所述方法包括:
在监测施工道路上,获取每个采样时间段的施工进度变化值,以及每个采样时间段下的每个施工路段上时序温度数据曲线和时序湿度数据曲线;
在每个采样时间段中,根据每个施工路段对应的时序温度数据曲线与时序湿度数据曲线之间的波动变化相似情况以及关联情况,得到每个施工路段的异常波动特征程度;根据所有施工路段的异常波动特征程度及其整体波动情况,得到每个采样时间段下监测施工道路的环境异常特征程度;
根据所述环境异常特征程度对自回归积分滑动平均模型中的自相关系数进行改进,得到改进自回归积分滑动平均模型;根据各个采样时间段的施工进度变化值通过所述改进自回归积分滑动平均模型中进行施工进度预测,得到道路施工预测进度;根据道路施工预测进度进行道路施工进度监测预警。
进一步地,所述异常波动特征程度的获取方法包括:
在每个采样时间段中,根据每个施工路段对应的时序温度数据曲线的波动变化情况,得到每个施工路段在每个采样时间段中的温度异常波动程度;根据每个施工路段对应的时序湿度数据曲线的波动变化情况,得到每个施工路段在每个采样时间段中的湿度异常波动程度;
将所述温度异常波动程度与所述湿度异常波动程度之间的差异的负相关映射值,作为每个施工路段在每个采样时间段中的温湿度波动相似性;将每个施工路段在每个采样时间段中的时序温度数据曲线与时序湿度数据曲线之间的皮尔逊相关系数的正相关映射值,作为每个施工路段在每个采样时间段中的温湿度变化关联性;
将所述温湿度波动相似性与所述温湿度变化关联性的乘积,作为每个施工路段在每个采样时间段中的温湿度波动变化可信度;
将所述温度异常波动程度与所述湿度异常波动程度之间的均值与所述温湿度波动变化可信度的乘积,作为每个施工路段在每个采样时间段中的异常波动特征程度。
进一步地,所述环境异常特征程度的获取方法包括:
在每个采样时间段下,将所有施工路段的异常波动特征程度的均值的归一化值与所有施工路段的异常波动特征程度的方差的负相关映射值之间的乘积,作为每个采样时间段下监测施工道路的环境异常特征程度。
进一步地,所述改进自回归积分滑动平均模型的获取方法包括:
在时间顺序上,将每个采样时间段的施工进度变化值作为数据点通过自回归积分滑动平均模型进行数据预测的过程中,获取每个采样时间段对应的初始自回归参数;将所述自回归参数与对应的环境异常特征程度的乘积,作为每个采样时间段对应的改进自回归参数;将所述改进自回归参数替换自回归积分滑动平均模型中每个采样时间段的初始自回归参数,得到改进自回归积分滑动平均模型。
进一步地,所述根据道路施工预测进度进行道路施工进度监测预警的方法包括:
当道路施工预测进度小于预设预警阈值时,进行道路施工进度预警。
进一步地,所述温度异常波动程度的获取方法包括:
依次将每个采样时间段中每个施工路段对应的时序温度数据曲线和时序湿度数据曲线,作为时序目标数据曲线;获取时序目标数据曲线在每个时刻对应的数据值;
将时序目标数据曲线上峰值点对应的时刻,作为峰值时刻;将时序目标曲线上拐点对应的时刻,作为拐点时刻;在时间顺序上,将每个峰值时刻与其时间间隔最小的拐点时刻,作为每个峰值时刻的第一参考时刻;将每个峰值时刻与其时间间隔第二小的拐点时刻,作为每个峰值时刻的第二参考时刻;
将每个峰值时刻的数据值与对应的第一参考时刻的数据值之间的差异,作为每个峰值时刻的第一参考跨度值;将每个峰值时刻对应的数据值与对应的第二参考时刻的数据值之间的差异,作为每个峰值时刻的第二参考跨度值;将每个峰值时刻对应的第一参考跨度值和第二参考跨度值中的最大值,作为每个峰值时刻的跨度数据值;
根据每个峰值时刻与对应的第一参考时刻之间的所有时刻的切线斜率,与每个峰值时刻与对应的第二参考时刻之间的所有时刻的切线斜率之间的整体差异分布情况,得到每个峰值时刻的斜率变化程度;
根据时序目标数据曲线上所有峰值时刻的跨度数据值和斜率变化程度的整体分布情况,得到时序目标数据曲线的曲线波动程度;
根据时序目标曲线上峰值时刻之间的时间间隔分布离散情况,得到时序目标数据曲线的时序离散程度;
将所述曲线波动程度与所述时序离散程度的乘积,作为时序目标数据曲线的数据值异常波动程度;
改变时序目标数据曲线,得到所述时序温度数据曲线的数据值异常波动程度;将所述时序温度数据曲线的数据值异常波动程度,作为每个施工路段在每个采样时间段中的温度异常波动程度。
进一步地,所述湿度异常波动程度的获取方法包括:
改变时序目标数据曲线,得到所述时序湿度数据曲线的数据值异常波动程度;将所述时序湿度数据曲线的数据值异常波动程度,作为每个施工路段在每个采样时间段中的湿度异常波动程度。
进一步地,所述斜率变化程度的获取方法包括:
将每个峰值时刻与对应的第一参考时刻之间的所有时刻,作为第一中间时刻;将每个峰值时刻与对应的第二参考时刻之间的所有时刻,作为第二中间时刻;
在时序目标数据曲线上,以对应的峰值时刻为起点,以对应的第一参考时刻为终点将所有第一中间时刻排列,得到每个峰值时刻的第一中间时刻序列;以对应的峰值时刻为起点,以对应的第二参考时刻为终点将所有的第二中间时刻排列,得到每个峰值时刻的第二中间时刻序列;
在时序目标数据曲线上,将所述第一中间时刻序列中每个第一中间时刻的切线斜率,与对应的所述第二中间时刻序列中索引值相同的第二中间时刻的切线斜率之间的差异,作为所述第一中间时刻序列中每个第一中间时刻的参考斜率差异;
将所有第一中间时刻序列中所有第一中间时刻的参考斜率差异的累加和,作为每个峰值时刻的斜率变化程度。
进一步地,所述时序目标数据曲线的曲线波动程度的获取方法包括:
将所述跨度数据值与所述斜率变化程度之间的乘积,作为每个峰值时刻的峰值点突变程度;将所有峰值时刻的峰值点突变程度的累加值,作为时序目标数据曲线的曲线波动程度。
进一步地,所述时序离散程度的获取方法包括:
计算时序目标数据曲线上相邻峰值点之间的时间间隔长度,将所有时间间隔长度的方差作为时序目标数据曲线的时序离散程度。
本发明具有如下有益效果:
恶劣的天气环境如大风、高温和雨雪天气会破坏正常气候环境下的温湿度缓冲能力,而导致发生剧烈或混乱的温湿度变化,从而影响道路施工进度;也即当温湿度变化越混乱或越剧烈时,说明当前天气环境越恶劣,对道路施工进度的影响越大,也即实际施工进度会被延缓。因此在根据ARIMA模型进行预测时,不考虑天气环境的影响会导致预测得到的道路施工预测进度相比于客观真实预测进度更高,不符合现实需求,因此在ARIMA模型中引入表征恶劣异常天气环境影响的环境异常特征程度,提高受到恶劣天气影响较大的采样时间段对应的施工进度变化值对道路施工进度预测的贡献程度,从而得到更加准确的道路施工预测进度;使得根据改进自回归积分滑动平均模型预测得到的道路施工预测进度进行道路施工进度监测预警的效果更好。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种道路施工进度智能监测及预警方法流程图。
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道路施工进度智能监测及预警方法,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道路施工进度智能监测及预警方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种道路施工进度智能监测及预警方法流程图,该方法包括:
步骤S1:在监测施工道路上,获取每个采样时间段的施工进度变化值,以及每个采样时间段下的每个施工路段上时序温度数据曲线和时序湿度数据曲线。
本发明实施例旨在提供一种道路施工进度智能监测及预警方法,用于根据监测施工道路的每个施工路段上每个采样时间段的温度数据和湿度数据进行分析,得到环境异常特征程度,并结合环境异常特征程度进行施工进度预测,得到更加准确的道路施工预测进度,使得根据结合环境异常特征程度预测得到的道路施工预测进度进行道路施工进度监测预警的效果更好。因此首先需要获取温度数据和湿度数据,但是考虑到道路施工进度预测需要结合已有的道路施工进度数据,且温度数据和湿度数据的时序变化才能表征环境的异常程度,因此本发明实施例在监测施工道路上,获取每个采样时间段的施工进度变化值,以及每个采样时间段下的每个施工路段上时序温度数据曲线和时序湿度数据曲线。
在本发明实施例中,首先获取每个施工路段对应的每个采样时间段中每个采样时刻下的温度数据和湿度数据,并按时间顺序组成序列后进行曲线拟合,得到对应的时序温度数据曲线和时序湿度数据曲线;并且通过在每个施工路段布置温度传感器和湿度传感器采集温度数据和湿度数据;而施工进度变化值通过每个采样时间段的已施工路段面积在监测施工道路在未施工情况下需要施工的路段面积的占比;并且本发明实施例将采样时间段长度设置为1小时,相邻采样时刻之间的间隔也即采样频率设置为30秒,实施者可根据具体实施环境自行选择采样时间段长度、采样频率以及施工进度变化值的衡量方法,在此不做进一步赘述。
步骤S2:在每个采样时间段中,根据每个施工路段对应的时序温度数据曲线与时序湿度数据曲线之间的波动变化相似情况以及关联情况,得到每个施工路段的异常波动特征程度;根据所有施工路段的异常波动特征程度及其整体波动情况,得到每个采样时间段下监测施工道路的环境异常特征程度。
在正常气候环境下施工时,由于空气中具有一定的热容量且水汽在大气中的存在也为温度提供了一种缓冲作用,当空气中的水汽会凝结为水滴时会释放出潜热,从而使温度升高;当水蒸气从水面蒸发时会吸收潜热,从而使温度降低,也即正常气候环境下温湿度变化通常较为平缓,对施工进度的影响不大。但是当出现恶劣异常天气时,例如大风会加速水分的蒸发导致潜热性能降低,从而使温湿度变化更易突变;极度炎热天气会导致空气中的温度升高,降低空气密度使得空气稀薄导致潜热性能降低,同样会使得温湿度更易突变;而下雨天等雨水天气在带走热量的同时增加空气中的湿度,结合潜热对温湿度变化的抑制和调节作用,雨水天气会导致温湿度变化混乱度提高;也即恶劣异常天气的出现会破坏正常气候环境下的温湿度缓冲能力,导致温湿度变化更加混乱或更加剧烈,从而影响道路施工进度。
而当温度变化越混乱或越剧烈时,说明当前天气环境越恶劣,对道路施工进度的影响越大,也即实际施工进度会被延缓。因此在根据ARIMA模型进行预测时,不考虑天气环境的影响会导致预测得到的道路施工预测进度相比于客观真实预测进度更高,不符合现实需求,因此在ARIMA模型中引入表征恶劣异常天气环境影响的环境异常特征程度,提高受到恶劣天气影响较大的采样时间段对应的施工进度变化值对道路施工进度预测的贡献程度,从而得到更加准确的道路施工预测进度。因此本发明实施例的目的是获取表征恶劣天气环境影响的环境异常特征程度。
由于恶劣异常天气的出现会破坏正常气候环境下的温湿度缓冲能力,导致温湿度变化更加混乱或更加剧烈,因此恶劣天气的影响在时序温度数据曲线和时序湿度数据曲线体现为异常的波动特征。由于非天气因素也会导致温湿度的波动变化,但是区别在于恶劣天气所导致的温湿度变化是存在关联性和相似性的,因此本发明实施例在每个采样时间段中,根据每个施工路段对应的时序温度数据曲线与时序湿度数据曲线之间的波动变化相似情况以及关联情况,得到每个施工路段的异常波动特征程度,通过异常波动特征程度表征每个采样时间段中每个施工路段受到恶劣天气环境的影响程度。
优选地,异常波动特征程度的获取方法包括:
在每个采样时间段中,根据每个施工路段对应的时序温度数据曲线的波动变化情况,得到每个施工路段在每个采样时间段中的温度异常波动程度;根据每个施工路段对应的时序湿度数据曲线的波动变化情况,得到每个施工路段在每个采样时间段中的湿度异常波动程度。
优选地,温度异常波动程度的获取方法包括:
依次将每个采样时间段中每个施工路段对应的时序温度数据曲线和时序湿度数据曲线,作为时序目标数据曲线;获取时序目标数据曲线在每个时刻对应的数据值。由于时序温度数据曲线的温度异常波动程度与时序湿度数据曲线的温度异常波动程度相同,因此通过对时序目标数据曲线同时表征温度异常波动程度与时序湿度数据曲线进行分析,时序目标数据曲线中的数据值即对应温度异常波动程度中的温度数据的数据值,也对应时序湿度数据曲线中的湿度数据的数据值。
在时序曲线上,对应的峰值点具有突变程度,每个峰值点的突变程度越大,整体的异常波动程度也就越大;峰值点的突变程度,也即峰值点相对于邻域时刻内的点的突出程度,可通过该峰值点左右相邻的各个时刻对应斜率值变化以及数据值的时序变化得到。将时序目标数据曲线上峰值点对应的时刻,作为峰值时刻;将时序目标曲线上拐点对应的时刻,作为拐点时刻;在时间顺序上,将每个峰值时刻与其时间间隔最小的拐点时刻,作为每个峰值时刻的第一参考时刻;将每个峰值时刻与其时间间隔第二小的拐点时刻,作为每个峰值时刻的第二参考时刻。对于每个峰值时刻而言,其对应的相邻两个时间间隔最小的拐点时刻通常位于每个峰值时刻的两侧;当其对应的第一参考时刻和第二参考时刻位于同一侧时,说明对应的峰值时刻的突变程度小,因此后续在进行重叠部分的计算时,会得到数值为0的斜率变化程度,从而抑制其突变程度的表征;此外拐点所表征的含义为曲线上数值变化趋势改变的点,因此通过引入拐点进行计算,能够通过数值变化趋势对峰值时刻突变程度的表征更加准确。在本发明实施例中,通过自动多尺度峰值查找(Automaticmultiscale-based peak detection,AMPD)算法获取时序目标数据曲线的峰值点,实施者也可通过其他方法获取峰值点,在此不做进一步赘述。
将每个峰值时刻的数据值与对应的第一参考时刻的数据值之间的差异,作为每个峰值时刻的第一参考跨度值;将每个峰值时刻对应的数据值与对应的第二参考时刻的数据值之间的差异,作为每个峰值时刻的第二参考跨度值;将每个峰值时刻对应的第一参考跨度值和第二参考跨度值中的最大值,作为每个峰值时刻的跨度数据值。第一参考时刻和第二参考时刻均对应拐点时刻,当峰值时刻与其相邻的拐点时刻之间的数据值差异越大时,说明当前峰值时刻在对应的数据变化趋势下产生了越大的纵轴数值跨度,对应的突变程度也就越大;通过选取最大的参考跨度值得到每个峰值时刻的跨度数据值,从而进行对峰值时刻的数值跨度上突变程度的表征。
对于每个峰值时刻而言,当峰值点两侧对应的数据点的切线斜率差异越大时,说明当前峰值时刻的局部时间段内的数据变化越剧烈,对应的峰值时刻的突变程度也就越大。因此本发明实施例根据每个峰值时刻与对应的第一参考时刻之间的所有时刻的切线斜率,与每个峰值时刻与对应的第二参考时刻之间的所有时刻的切线斜率之间的整体差异分布情况,得到每个峰值时刻的斜率变化程度,使得斜率变化程度越大时,峰值时刻的局部数据变化越剧烈,对应的突变程度也就越大。
优选地,斜率变化程度的获取方法包括:
将每个峰值时刻与对应的第一参考时刻之间的所有时刻,作为第一中间时刻;将每个峰值时刻与对应的第二参考时刻之间的所有时刻,作为第二中间时刻;在时序目标数据曲线上,以对应的峰值时刻为起点,以对应的第一参考时刻为终点将所有第一中间时刻排列,得到每个峰值时刻的第一中间时刻序列;以对应的峰值时刻为起点,以对应的第二参考时刻为终点将所有的第二中间时刻排列,得到每个峰值时刻的第二中间时刻序列。第一中间时刻序列和第二中间时刻序列中相同索引值对应的两个时刻对应的斜率值差异越大,说明对应的峰值时刻的局部时间段的数据值变化越剧烈,对应的斜率变化程度也就越大。因此进一步地在时序目标数据曲线上,将第一中间时刻序列中每个第一中间时刻的切线斜率,与对应的第二中间时刻序列中索引值相同的第二中间时刻的切线斜率之间的差异,作为第一中间时刻序列中每个第一中间时刻的参考斜率差异。
由于每个峰值点存在多个第一中间时刻,因此本发明实施例将所有第一中间时刻序列中所有第一中间时刻的参考斜率差异的累加和,作为每个峰值时刻的斜率变化程度。当第一中间时刻的数量越多时,说明在当前数值变化趋势下,持续的时间越长,突变程度也就越大,对应的斜率变化程度越大,因此引入累加和而不是均值。并且当第一参考时刻和第二参考时刻位于同侧时,对应的第一中间时刻和第二中间时刻的数据点重合,使得对应的每个第一中间时刻的参考斜率差异为0,从而使得得到的斜率变化程度为0,以抑制相邻两个拐点时刻位于同侧时对峰值点突变程度的影响。
对于每个峰值时刻而言,其对应的跨度数据值越大,斜率变化程度越大时,对应的峰值点突变程度也就越大,而峰值点的突变程度能够表征时序目标数据曲线局部的异常波动程度,因此为了表征时序目标数据曲线整体的异常波动程度,本发明实施例将时序目标数据曲线的所有峰值点的突变程度结合进行分析,根据时序目标数据曲线上所有峰值时刻的跨度数据值和斜率变化程度的整体分布情况,得到时序目标数据曲线的曲线波动程度。
优选地,时序目标数据曲线的曲线波动程度的获取方法包括:
将跨度数据值与斜率变化程度之间的乘积,作为每个峰值时刻的峰值点突变程度,也即每个峰值点局部邻域曲线的异常波动程度。将所有峰值时刻的峰值点突变程度的累加值,作为时序目标数据曲线的曲线波动程度。采用累加值而不是均值的原因在于,时序目标数据曲线的峰值点数量越多,说明曲线整体波动越曲折,曲线波动程度也就越大。
此外,当时序目标数据曲线的峰值点之间的时间间隔分布越混乱或越离散时,说明时序目标数据曲线越没有周期规律,也即整体峰值时刻的分布越混乱对应的异常波动程度也就越大;根据时序目标曲线上峰值时刻之间的时间间隔分布离散情况,得到时序目标数据曲线的时序离散程度;优选地,时序离散程度的获取方法包括:
计算时序目标数据曲线上相邻峰值点之间的时间间隔长度,将所有时间间隔长度的方差作为时序目标数据曲线的时序离散程度。对应的所有时间间隔的方差越大,说明峰值分布越混乱,对应的异常波动程度越大;也即时序离散程度越大时,时序目标数据曲线的数据值异常波动程度越大。
进一步地将曲线波动程度和时序离散程度结合,进行曲线异常波动程度的表征,由于曲线波动程度越大,时序离散程度越大时,均能表征时序目标数据曲线的异常波动程度越大;因此本发明实施例将曲线波动程度与时序离散程度的乘积,作为时序目标数据曲线的数据值异常波动程度。
在本发明实施例中,时序目标数据曲线的数据值异常波动程度的获取方法在公式上表现为:
其中,为时序目标数据曲线/>的数据值异常波动程度,/>为时序目标数据曲线/>中的峰值时刻数量;/>为时序目标数据曲线/>中第/>个峰值时刻的数据值,/>为时序目标数据曲线/>中第/>个峰值时刻的第一参考时刻的数据值,/>为时序目标数据曲线/>中第/>个峰值时刻的第二参考时刻的数据值,/>为绝对值符号,/>为最大值选取函数,为时序目标数据曲线/>中第/>个峰值时刻的跨度数据值;为时序目标数据曲线/>中第/>个峰值时刻的第一中间时刻数量,/>为时序目标数据曲线/>中第/>个峰值时刻对应的第/>个第一中间时刻的切线斜率,/>为时序目标数据曲线/>中第/>个峰值时刻对应的第/>个第二中间时刻的切线斜率,/>为时序目标数据曲线/>中第/>个峰值时刻的斜率变化程度;为时序目标数据曲线/>中第/>个峰值时刻的峰值点突变程度;/>为时序目标数据曲线/>的曲线波动程度;/>为时序目标数据曲线/>的时序离散程度,也即时序目标数据曲线/>中所有相邻峰值点时间间隔长度的方差。
由于时序温度数据曲线和时序湿度数据曲线的获取方法相同,因此本发明实施例获取得到时序目标数据曲线的数据值异常波动的同时,也得到的时序温度数据曲线和时序湿度数据曲线的数据值异常波动程度。改变时序目标数据曲线,得到时序温度数据曲线的数据值异常波动程度;将时序温度数据曲线的数据值异常波动程度,作为每个施工路段在每个采样时间段中的温度异常波动程度。
优选地,湿度异常波动程度的获取方法包括:
改变时序目标数据曲线,得到时序湿度数据曲线的数据值异常波动程度;将时序湿度数据曲线的数据值异常波动程度,作为每个施工路段在每个采样时间段中的湿度异常波动程度。
由于恶劣天气所导致的温湿度变化是存在关联性和相似性的,当水蒸气吸热凝结成小水滴,导致温度上升时,温度会下降;温度上升时,蒸发空气中的水分,导致湿度下降,所以温度数据的异常波动变化会反映与湿度数据的异常波动变化相关性较强。因此本发明实施例将温度异常波动程度与湿度异常波动程度之间的差异的负相关映射值,作为每个施工路段在每个采样时间段中的温湿度波动相似性。也即每个施工路段在每个采样时间段对应的温度异常波动程度与湿度异常波动程度越接近,对应的施工路段在采样时间段内受到恶劣天气导致温湿度变化的可信度越高;
将每个施工路段在每个采样时间段中的时序温度数据曲线与时序湿度数据曲线之间的皮尔逊相关系数的正相关映射值,作为每个施工路段在每个采样时间段中的温湿度变化关联性。皮尔逊相关系数能够表征两条曲线对应数据之间的关联性,当时序温度数据曲线与时序湿度数据曲线之间的皮尔逊相关系数越大时,说明时序温度数据曲线与时序湿度数据曲线之间越关联,对应的施工路段在采样时间段内受到恶劣天气导致温湿度变化的可信度越高。因此本发明实施例将温湿度波动相似性与温湿度变化关联性的乘积,作为每个施工路段在每个采样时间段中的温湿度波动变化可信度。需要说明的是,皮尔逊相关系数的计算方法为本领域技术人员所熟知的现有技术,在此不做进一步赘述。
在本发明实施例中,第个施工路段在第/>个采样时间段中的温湿度波动变化可信度的获取方法在公式上表现为:
其中,为第/>个施工路段在第/>个采样时间段中的温湿度波动变化可信度,/>为第/>个施工路段在第/>个采样时间段中的温度异常波动程度,/>为第/>个施工路段在第/>个采样时间段中的湿度异常波动程度,/>为绝对值符号,/>为以自然常数为底的指数函数;为第/>个施工路段在第/>个采样时间段中的时序温度数据曲线与时序湿度数据曲线之间的皮尔逊相关系数;/>为第/>个施工路段在第/>个采样时间段中的时序温度数据曲线与时序湿度数据曲线之间的皮尔逊相关系数的正相关映射值,用于调整对应的取值范围,使得计算出的温湿度波动变化可信度不会为负数。需要说明的是,实施者也可根据具体实施环境通过/>外的其他方法进行负相关映射,例如倒数;也可根据具体实施环境通过其他方法进行正相关映射,例如/>,在此不做进一步赘述。
温度异常波动程度和湿度异常波动程度越大,且温湿度波动变化可信度越大时,说明对应的施工路段在对应的采样时间段中受到恶劣天气的影响越大,也即对应的异常波动特征越明显,因此本发明实施例将温度异常波动程度与湿度异常波动程度之间的均值与温湿度波动变化可信度的乘积,作为每个施工路段在每个采样时间段中的异常波动特征程度。通过计算温度异常波动程度与湿度异常波动程度的均值,异常波动程度整合进行异常波动特征的表征,而温湿度波动变化可信度为权重用于表征受到恶劣天气影响的可信程度,使得得到的异常波动特征更加准确。
在本发明实施例中,第个施工路段在第/>个采样时间段中的异常波动特征程度的获取方法在公式上表现为:
其中,为第/>个施工路段在第/>个采样时间段中的异常波动特征程度,/>为第/>个施工路段在第/>个采样时间段中的温度异常波动程度,/>为第/>个施工路段在第/>个采样时间段中的湿度异常波动程度,/>为第/>个施工路段在第/>个采样时间段中温度异常波动程度和湿度异常波动程度的均值;/>为第/>个施工路段在第/>个采样时间段中的温湿度波动变化可信度。
考虑到监测施工道路通常具有多个施工路段,且在恶劣天气的影响下,不同施工路段的异常波动特征程度通常相近,具有较高的均匀性和关联性;当不同施工路段的异常波动特征程度分布较为混乱时,则需要考虑是否为受到除恶劣天气外的其他因素影响导致的异常波动特征;也即当不同施工路段的异常波动特征程度分布较为混乱或均匀性较差时,受到恶劣天气影响导致的异常波动特征的可能性较小,对应的环境异常特征程度越小;反之则环境异常特征程度越大。本发明实施例根据所有施工路段的异常波动特征程度及其整体波动情况,得到每个采样时间段下监测施工道路的环境异常特征程度。
优选地,环境异常特征程度的获取方法包括:
在每个采样时间段下,将所有施工路段的异常波动特征程度的均值的归一化值与所有施工路段的异常波动特征程度的方差的负相关映射值之间的乘积,作为每个采样时间段下监测施工道路的环境异常特征程度。对于监测施工道路而言,对应的所有施工路段的异常波动程度整体越大,则说明对应的监测施工路段整体受到环境异常的影响越大;而所有施工路段的异常波动特征程度的方差越小时,说明不同施工路段的异常波动特征程度分布较为稳定或均匀性较高,具有较高的关联性,也即符合同时受到恶劣天气的影响的异常波动特征,对应的环境异常特征程度也就越大。因此通过乘积的形式结合对应均值的归一化值和对应方差的负相关映射值。
在本发明实施例中,第个采样时间段下监测施工道路的环境异常特征程度的获取方法包括:
其中,为第/>个采样时间段下监测施工道路的环境异常特征程度,/>为监测施工道路的施工路段数量,/>为第/>个采样时间段下监测施工道路的第/>个施工路段的异常波动特征程度,/>为第/>个采样时间段下监测施工道路的所有施工路段的异常波动特征程度的方差,/>为以自然常数为底的指数函数,除/>外,实施者也可通过其他方法进行负相关映射,例如倒数;/>为归一化函数,本发明实施例的归一化方法采样线性归一化,实施者可根据具体实施环境自行调整归一化方法,在此不做进一步赘述。
步骤S3:根据环境异常特征程度对自回归积分滑动平均模型中的自相关系数进行改进,得到改进自回归积分滑动平均模型;根据各个采样时间段的施工进度变化值通过改进自回归积分滑动平均模型中进行施工进度预测,得到道路施工预测进度;根据道路施工预测进度进行道路施工进度监测预警。
在得到监测施工道路在每个采样时间段的环境异常特征程度后,根据本发明实施例需要在ARIMA模型中引入表征恶劣异常天气环境影响的环境异常特征程度的目的,进一步地需要提高受到恶劣天气影响较大的采样时间段对应的施工进度变化值对道路施工进度预测的贡献程度。因此本发明实施例根据环境异常特征程度对自回归积分滑动平均模型中的自相关系数进行改进,得到改进自回归积分滑动平均模型。
优选地,改进自回归积分滑动平均模型的获取方法包括:
在传统的ARIMA模型中,对施工进度预测进行预测时,通常根据已有采样时间段的施工进度变化值的大小进行预测,每个采样时间段对应的数据点的权重相同,也即初始自回归参数相同,若根据环境异常特征程度对初始自回归参数进行加权,则能够达到提高受到恶劣天气影响较大的采样时间段对应的施工进度变化值对道路施工进度预测的贡献程度的目的。因此本发明实施例在时间顺序上,将每个采样时间段的施工进度变化值作为数据点通过自回归积分滑动平均模型进行数据预测的过程中,获取每个采样时间段对应的初始自回归参数;将自回归参数与对应的环境异常特征程度的乘积,作为每个采样时间段对应的改进自回归参数;将改进自回归参数替换自回归积分滑动平均模型中每个采样时间段的初始自回归参数,得到改进自回归积分滑动平均模型。在ARIMA模型中,每个采样时间段的数据点对应的观测值前都对应一个权重,即初始自回归系数或是自回归系数,现有技术通常根据与预测时间间隔的大小进行权重的设定或者权重设定为相同,但是由于没有考虑天气影响,导致预测的结果存在偏差;因此本发明实施例对每个观测值前的权重通过环境异常特征程度进行加权,使得受到恶劣天气影响较大的采样时间段对应的施工进度变化值对道路施工进度预测的贡献程度更高,从而提高改进自回归积分滑动平均模型中进行施工进度预测的准确性,使得预测得到的道路施工预测进度更加准确。
进一步地本发明实施例根据各个采样时间段的施工进度变化值通过改进自回归积分滑动平均模型中进行施工进度预测,得到道路施工预测进度。需要说明的是,根据自回归积分滑动平均模型进行预测的方法,以及自回归积分滑动平均模型均为本领域技术人员所熟知的现有技术,在此不做进一步赘述。
最后根据道路施工预测进度进行道路施工进度监测预警。优选地,根据道路施工预测进度进行道路施工进度监测预警的方法包括:
当道路施工预测进度小于预设预警阈值时,进行道路施工进度预警。在本发明实施例中,预设预警阈值需要根据经验值自行选取,受到工程量总体的影响较大,实施者可将预先设置的工程预计施工时间的倒数,作为预设预警阈值;由于本发明实施例中采样时间段的时间长度设置为1小时,因此工程预计施工时间设置为小时;本发明实施例设置为0.01,也即监测施工道路的整体工程的完成时间在100个施工时间下的预设预警阈值。
综上所述,本发明首先根据每个采样时间段中,每个施工路段的时序温度数据和时序湿度数据的波动变化相似关联情况,得到异常波动特征程度;进一步地结合所有施工路段的异常波动特征程度和整体的波动情况,得到监测施工道路在每个采样时间段下的环境异常特征程度;进一步地通过环境异常程度影响对自回归积分滑动平均模型中的自相关系数进行改进,使得根据改进自回归积分滑动平均模型预测得到的道路施工预测进度进行道路施工进度监测预警的效果更好。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种道路施工进度智能监测及预警方法,其特征在于,所述方法包括:
在监测施工道路上,获取每个采样时间段的施工进度变化值,以及每个采样时间段下的每个施工路段上时序温度数据曲线和时序湿度数据曲线;
在每个采样时间段中,根据每个施工路段对应的时序温度数据曲线与时序湿度数据曲线之间的波动变化相似情况以及关联情况,得到每个施工路段的异常波动特征程度;根据所有施工路段的异常波动特征程度及其整体波动情况,得到每个采样时间段下监测施工道路的环境异常特征程度;
根据所述环境异常特征程度对自回归积分滑动平均模型中的自相关系数进行改进,得到改进自回归积分滑动平均模型;根据各个采样时间段的施工进度变化值通过所述改进自回归积分滑动平均模型中进行施工进度预测,得到道路施工预测进度;根据道路施工预测进度进行道路施工进度监测预警。
2.根据权利要求1所述的一种道路施工进度智能监测及预警方法,其特征在于,所述异常波动特征程度的获取方法包括:
在每个采样时间段中,根据每个施工路段对应的时序温度数据曲线的波动变化情况,得到每个施工路段在每个采样时间段中的温度异常波动程度;根据每个施工路段对应的时序湿度数据曲线的波动变化情况,得到每个施工路段在每个采样时间段中的湿度异常波动程度;
将所述温度异常波动程度与所述湿度异常波动程度之间的差异的负相关映射值,作为每个施工路段在每个采样时间段中的温湿度波动相似性;将每个施工路段在每个采样时间段中的时序温度数据曲线与时序湿度数据曲线之间的皮尔逊相关系数的正相关映射值,作为每个施工路段在每个采样时间段中的温湿度变化关联性;
将所述温湿度波动相似性与所述温湿度变化关联性的乘积,作为每个施工路段在每个采样时间段中的温湿度波动变化可信度;
将所述温度异常波动程度与所述湿度异常波动程度之间的均值与所述温湿度波动变化可信度的乘积,作为每个施工路段在每个采样时间段中的异常波动特征程度。
3.根据权利要求1所述的一种道路施工进度智能监测及预警方法,其特征在于,所述环境异常特征程度的获取方法包括:
在每个采样时间段下,将所有施工路段的异常波动特征程度的均值的归一化值与所有施工路段的异常波动特征程度的方差的负相关映射值之间的乘积,作为每个采样时间段下监测施工道路的环境异常特征程度。
4.根据权利要求1所述的一种道路施工进度智能监测及预警方法,其特征在于,所述改进自回归积分滑动平均模型的获取方法包括:
在时间顺序上,将每个采样时间段的施工进度变化值作为数据点通过自回归积分滑动平均模型进行数据预测的过程中,获取每个采样时间段对应的初始自回归参数;将所述自回归参数与对应的环境异常特征程度的乘积,作为每个采样时间段对应的改进自回归参数;将所述改进自回归参数替换自回归积分滑动平均模型中每个采样时间段的初始自回归参数,得到改进自回归积分滑动平均模型。
5.根据权利要求1所述的一种道路施工进度智能监测及预警方法,其特征在于,所述根据道路施工预测进度进行道路施工进度监测预警的方法包括:
当道路施工预测进度小于预设预警阈值时,进行道路施工进度预警。
6.根据权利要求2所述的一种道路施工进度智能监测及预警方法,其特征在于,所述温度异常波动程度的获取方法包括:
依次将每个采样时间段中每个施工路段对应的时序温度数据曲线和时序湿度数据曲线,作为时序目标数据曲线;获取时序目标数据曲线在每个时刻对应的数据值;
将时序目标数据曲线上峰值点对应的时刻,作为峰值时刻;将时序目标曲线上拐点对应的时刻,作为拐点时刻;在时间顺序上,将每个峰值时刻与其时间间隔最小的拐点时刻,作为每个峰值时刻的第一参考时刻;将每个峰值时刻与其时间间隔第二小的拐点时刻,作为每个峰值时刻的第二参考时刻;
将每个峰值时刻的数据值与对应的第一参考时刻的数据值之间的差异,作为每个峰值时刻的第一参考跨度值;将每个峰值时刻对应的数据值与对应的第二参考时刻的数据值之间的差异,作为每个峰值时刻的第二参考跨度值;将每个峰值时刻对应的第一参考跨度值和第二参考跨度值中的最大值,作为每个峰值时刻的跨度数据值;
根据每个峰值时刻与对应的第一参考时刻之间的所有时刻的切线斜率,与每个峰值时刻与对应的第二参考时刻之间的所有时刻的切线斜率之间的整体差异分布情况,得到每个峰值时刻的斜率变化程度;
根据时序目标数据曲线上所有峰值时刻的跨度数据值和斜率变化程度的整体分布情况,得到时序目标数据曲线的曲线波动程度;
根据时序目标曲线上峰值时刻之间的时间间隔分布离散情况,得到时序目标数据曲线的时序离散程度;
将所述曲线波动程度与所述时序离散程度的乘积,作为时序目标数据曲线的数据值异常波动程度;
改变时序目标数据曲线,得到所述时序温度数据曲线的数据值异常波动程度;将所述时序温度数据曲线的数据值异常波动程度,作为每个施工路段在每个采样时间段中的温度异常波动程度。
7.根据权利要求6所述的一种道路施工进度智能监测及预警方法,其特征在于,所述湿度异常波动程度的获取方法包括:
改变时序目标数据曲线,得到所述时序湿度数据曲线的数据值异常波动程度;将所述时序湿度数据曲线的数据值异常波动程度,作为每个施工路段在每个采样时间段中的湿度异常波动程度。
8.根据权利要求6所述的一种道路施工进度智能监测及预警方法,其特征在于,所述斜率变化程度的获取方法包括:
将每个峰值时刻与对应的第一参考时刻之间的所有时刻,作为第一中间时刻;将每个峰值时刻与对应的第二参考时刻之间的所有时刻,作为第二中间时刻;
在时序目标数据曲线上,以对应的峰值时刻为起点,以对应的第一参考时刻为终点将所有第一中间时刻排列,得到每个峰值时刻的第一中间时刻序列;以对应的峰值时刻为起点,以对应的第二参考时刻为终点将所有的第二中间时刻排列,得到每个峰值时刻的第二中间时刻序列;
在时序目标数据曲线上,将所述第一中间时刻序列中每个第一中间时刻的切线斜率,与对应的所述第二中间时刻序列中索引值相同的第二中间时刻的切线斜率之间的差异,作为所述第一中间时刻序列中每个第一中间时刻的参考斜率差异;
将所有第一中间时刻序列中所有第一中间时刻的参考斜率差异的累加和,作为每个峰值时刻的斜率变化程度。
9.根据权利要求6所述的一种道路施工进度智能监测及预警方法,其特征在于,所述时序目标数据曲线的曲线波动程度的获取方法包括:
将所述跨度数据值与所述斜率变化程度之间的乘积,作为每个峰值时刻的峰值点突变程度;将所有峰值时刻的峰值点突变程度的累加值,作为时序目标数据曲线的曲线波动程度。
10.根据权利要求6所述的一种道路施工进度智能监测及预警方法,其特征在于,所述时序离散程度的获取方法包括:
计算时序目标数据曲线上相邻峰值点之间的时间间隔长度,将所有时间间隔长度的方差作为时序目标数据曲线的时序离散程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410199623.XA CN117787568B (zh) | 2024-02-23 | 2024-02-23 | 一种道路施工进度智能监测及预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410199623.XA CN117787568B (zh) | 2024-02-23 | 2024-02-23 | 一种道路施工进度智能监测及预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117787568A true CN117787568A (zh) | 2024-03-29 |
CN117787568B CN117787568B (zh) | 2024-05-24 |
Family
ID=90391254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410199623.XA Active CN117787568B (zh) | 2024-02-23 | 2024-02-23 | 一种道路施工进度智能监测及预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117787568B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08278815A (ja) * | 1995-02-10 | 1996-10-22 | Meidensha Corp | 異常監視装置および状態変化警報装置 |
KR101484265B1 (ko) * | 2014-05-14 | 2015-01-20 | 현대엔지니어링 주식회사 | 아리마모델과 지수평활법을 이용한 물 수요 예측과 이를 통한 급배수 펌프의 운영 최적화 시스템 |
CN108831181A (zh) * | 2018-05-04 | 2018-11-16 | 东南大学 | 一种用于公交车辆行程时间预测的模型建立方法及系统 |
CN111637925A (zh) * | 2020-05-27 | 2020-09-08 | 中铁大桥局集团有限公司 | 一种桥梁伸缩缝状态的预警方法和预警系统 |
EP4075306A1 (en) * | 2021-04-15 | 2022-10-19 | Business Objects Software Ltd. | Time-series anomaly prediction and alert |
CN117151649A (zh) * | 2023-09-15 | 2023-12-01 | 浙江蓝城萧立建设管理有限公司 | 基于大数据分析的施工方法管控系统及方法 |
CN117436763A (zh) * | 2023-11-30 | 2024-01-23 | 广州墨斗信息科技有限公司 | 一种基于数字化实现建筑劳务全流程精细化管理方法及系统 |
-
2024
- 2024-02-23 CN CN202410199623.XA patent/CN117787568B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08278815A (ja) * | 1995-02-10 | 1996-10-22 | Meidensha Corp | 異常監視装置および状態変化警報装置 |
KR101484265B1 (ko) * | 2014-05-14 | 2015-01-20 | 현대엔지니어링 주식회사 | 아리마모델과 지수평활법을 이용한 물 수요 예측과 이를 통한 급배수 펌프의 운영 최적화 시스템 |
CN108831181A (zh) * | 2018-05-04 | 2018-11-16 | 东南大学 | 一种用于公交车辆行程时间预测的模型建立方法及系统 |
CN111637925A (zh) * | 2020-05-27 | 2020-09-08 | 中铁大桥局集团有限公司 | 一种桥梁伸缩缝状态的预警方法和预警系统 |
EP4075306A1 (en) * | 2021-04-15 | 2022-10-19 | Business Objects Software Ltd. | Time-series anomaly prediction and alert |
CN117151649A (zh) * | 2023-09-15 | 2023-12-01 | 浙江蓝城萧立建设管理有限公司 | 基于大数据分析的施工方法管控系统及方法 |
CN117436763A (zh) * | 2023-11-30 | 2024-01-23 | 广州墨斗信息科技有限公司 | 一种基于数字化实现建筑劳务全流程精细化管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117787568B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sohoni et al. | A comparative analysis of wind speed probability distributions for wind power assessment of four sites | |
CN115600932B (zh) | 一种基于大数据的文物储藏环境异常评估方法 | |
CN117421687B (zh) | 一种数字化电力环网柜运行状态监测方法 | |
CN114167838B (zh) | 一种伺服系统多尺度健康评估与故障预测方法 | |
CN110211325A (zh) | 一种基于气象大数据的区域道路结冰高精度监测预警系统 | |
CN116307944B (zh) | 基于人工智能与物联网的配电箱远程监测系统 | |
CN112418517B (zh) | 一种用于冻害短临预警的预测方法 | |
CN112836720B (zh) | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 | |
Mitterer et al. | An operational supporting tool for assessing wet-snow avalanche danger | |
CN114896872A (zh) | 一种高压输电线路覆冰状态综合评估方法 | |
CN110543987A (zh) | 一种智能气候预测系统 | |
CN115099453A (zh) | 一种多变量栅格化卫星遥感综合干旱风险评估方法 | |
CN117787568B (zh) | 一种道路施工进度智能监测及预警方法 | |
CN114429238A (zh) | 一种基于时空特征提取的风电机组故障预警方法 | |
CN113919430A (zh) | 电压暂降监测判别方法及装置 | |
CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
CN116776094A (zh) | 一种晶振温度测试数据智能分析存储系统 | |
Byrkjedal et al. | Development of operational forecasting for icing and wind power at cold climate sites | |
CN113212244A (zh) | 一种新能源车辆动力电池寿命预测方法及系统 | |
CN108710961B (zh) | 一种风速集合预报评分方法及系统 | |
CN105261016A (zh) | 一种利用卫星云图对高原地区降水量的估测和反演的方法 | |
CN117292530B (zh) | 一种载波通信数据采集效率优化方法 | |
CN112906101B (zh) | 基于监测数据的桥梁残余变形异常评估预警方法 | |
CN116341993B (zh) | 一种用于聚苯乙烯生产过程中状态监测方法及系统 | |
CN118094485A (zh) | 一种适用于复杂微地形的架空线路覆冰厚度分析方法 |
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 |