CN117853407A - 基于注意力机制dcgan时间序列模型的公路病害预测与养护方法 - Google Patents
基于注意力机制dcgan时间序列模型的公路病害预测与养护方法 Download PDFInfo
- Publication number
- CN117853407A CN117853407A CN202311619328.7A CN202311619328A CN117853407A CN 117853407 A CN117853407 A CN 117853407A CN 202311619328 A CN202311619328 A CN 202311619328A CN 117853407 A CN117853407 A CN 117853407A
- Authority
- CN
- China
- Prior art keywords
- dcgan
- attention
- time
- model
- attention mechanism
- 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.)
- Pending
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 70
- 201000010099 disease Diseases 0.000 title claims abstract description 65
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 65
- 238000012423 maintenance Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法，包括：构建注意力机制算法模型，利用收集到的历史的公路视频、图像或文本特征数据定义注意力机制算法模型中的输入序列，通过注意力机制算法模型输出注意力加权矩阵；利用注意力加权矩阵进行计算，输出时间输入序列；构建DCGAN时间序列模型，通过DCGAN时间序列模型根据时间输入序列进行对抗训练；利用优化后的DCGAN时间序列模型根据待测路段对应的时间输入序列，得出预测的评估结果，根据评估结果制定养护计划。本发明弥补传统公路病害预测方法的不足，能识别公路病害图像序列中的重要时间节点，捕捉不同时间点图像之间的重要关联，预测未来病害发展情况。
Description
技术领域
本发明涉及一种公路病害预测与养护方法，具体涉及一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法。
背景技术
随着公路网络逐步完善和运输量的加大，公路病害如裂缝、坑洞、塌陷等问题也逐渐显现，不仅会造成交通事故的发生，对车辆行驶安全造成较大威胁，也使得交通管理部门耗费大量的人力、物力和财力进行公路病害检测、修复和维护。在此背景下，公路也由建设为主逐渐向运营养护管理转变。而通过综合气候、交通量、道路结构、道路现状等因素进行公路病害预测，可以及时发现潜在的病害风险，提前制定养护计划，合理安排资源，减少养护成本，提高养护效率，进而减少交通事故的发生，并延长公路使用寿命。公路病害的精准预测有助于交通管理部门更好地了解公路病害的分布和发展趋势规划，进一步优化交通运输网络。
目前关于路面病害预测的专利方法多从两个方面展开，一是在设备采集方法上，通过全景图像采集设备获得公路全景图像、位置信息等，进而分析路面病害演变趋势；二是在深度学习方法上，通过深度卷积神经网络，构建病害数据训练集等对多类型路面病害进行分类及评定损坏状况。但由于不同路面的材质、结构、环境以及车流量不同，单纯依靠分析路面图像进行病害预测所展现的结果并不精准，会进一步影响养护计划的制定。而考虑时间序列和多影响因素都能够提高预测精度，从而为制定养护计划提供较好的支持。
但是，公路病害预测需要综合考虑多因素特征和时间序列，因此，亟需一种基于注意力机制DCGAN（深度卷积生成对抗网络）时间序列模型的公路病害预测与养护方法，来解决由于不同路面的材质、结构、环境以及车流量不同，单纯依靠分析路面图像进行病害预测所展现的结果并不精准的问题。
发明内容
本发明针对现有技术中的不足，提供一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法，以解决由于不同路面的材质、结构、环境以及车流量不同，单纯依靠分析路面图像进行病害预测所展现的结果并不精准的问题。
为实现上述目的，本发明采用以下技术方案：
一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法，其特征在于，包括如下步骤：
构建注意力机制算法模型，利用收集到的历史的公路视频、图像或文本特征数据定义注意力机制算法模型中的输入序列，通过注意力机制算法模型根据定义后的输入序列进行计算，并输出注意力加权矩阵；
将收集到的历史的公路视频、图像或文本特征数据与注意力加权矩阵进行计算，并输出带有注意力权重的时间输入序列；构建DCGAN时间序列模型，通过DCGAN时间序列模型根据时间输入序列进行对抗训练，并得到优化后的DCGAN时间序列模型；
利用收集到的待测路段的视频、图像或文本特征数据定义注意力机制算法模型的输入序列，并通过注意力机制算法模型输出对应的注意力加权矩阵；再将该待测路段的视频、图像或文本特征数据与上述对应的注意力加权矩阵进行计算，并输出对应的时间输入序列，利用优化后的DCGAN时间序列模型根据对应的时间输入序列，得出预测的评估结果，根据评估结果制定养护计划。
为优化上述技术方案，采取的具体措施还包括：
进一步地，所述视频、图像或文本特征数据通过车载巡检设备采集道路状况的特征数据。
进一步地，所述特征数据包括道路表面损伤程度、道路材质、道路结构、温湿度变化和车流量。
进一步地，对收集到的公路历史的或待测路段实时的视频、图像或文本特征数据按照时间步进行切分，并通过图像自动标注，以进行预处理。
进一步地，所述通过注意力机制算法模型根据定义后的输入序列进行计算，并输出注意力加权矩阵，具体为：定义注意力机制算法模型的矩阵参数，利用输入序列和矩阵参数计算得到注意力分数，将注意力分数除以一个缩放因子，得到缩放后的注意力分数；将缩放后的注意力分数应用于softmax函数，得到归一化的注意力权重分布，对注意力权重分布进行归一化操作，确保所有权重的和等于1，将归一化后的注意力权重分布与输入序列进行加权求和操作，得到最终的注意力加权矩阵。
进一步地，所述矩阵参数包括权重矩阵、查询矩阵、键矩阵和值矩阵。
进一步地，在通过注意力机制算法模型根据定义后的输入序列进行计算，并输出注意力加权矩阵后，将历史的公路视频、图像或文本特征数据作为数据源，并按8:2的比例划分为训练集和测试集，对构建的注意力机制算法模型进行训练和检验。
进一步地，所述构建DCGAN时间序列模型，通过DCGAN时间序列模型根据时间输入序列进行对抗训练，并得到优化后的DCGAN时间序列模型，具体包括：构建DCGAN网络结构，定义生成器和鉴别器结构，生成器采用卷积层与注意力机制，鉴别器采用卷积层，指定损失函数为Wasserstein距离，优化器为RMSprop；循环训练生成器产生更真实样本，训练鉴别器区分真实样本与假样本；视觉化生成样本与真实样本对比，根据生成效果调整注意力机制或网络结构，继续对抗训练至收敛，以得到优化后的DCGAN时间序列模型。
进一步地，所述利用优化后的DCGAN时间序列模型根据对应的时间输入序列，得出预测的评估结果，具体包括：将时间输入序列输入到优化后的DCGAN时间序列模型中，DCGAN时间序列模型的生成器将采用卷积神经网络提取特征之间的空间关系，并利用注意力机制强化模型对重要特征的学习能力，DCGAN时间序列模型的生成器对输入的数据进行深度学习，并利用生成对抗训练的能力对道路未来状况进行预测。
进一步地，所述根据评估结果制定养护计划，具体包括：识别出哪些路段的损伤程度将在未来预设的一定时间内超标，评估不同路段的维修优先级。
本发明的有益效果是：
本发明可以弥补传统公路病害预测方法输入数据单一、未考虑图像时序性的不足，能识别公路病害图像序列中的重要时间节点；可以捕捉不同时间点图像之间的重要关联，有利于预测未来病害发展情况；能够生成高质量的公路病害图像，有助于补充实际监测数据，扩充训练样本量；可结合生成任务和预测任务，两个任务可以相互促进，例如利用生成图像来增加预测任务的数据量，同时采用注意力机制和时间序列信息，可以更好地分析公路病害随时间变化的规律；DCGAN时间序列模型结合卷积神经网络，对图像数据具有很强的处理能力，可以预测未来多个时间点的公路病害情况，为公路养护提供决策支持。预测结果更加准确和可靠，有利于提前采取防治措施，降低公路病害造成的经济损失。
附图说明
图1为本发明所提出的一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法的流程图。
图2为本发明所提出的一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法的注意力机制算法模型阶段的流程图；
图3为本发明所提出的一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法的DCGAN时间序列模型阶段的流程图。
实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如附图1所示，本发明实施例的一种基于注意力机制DCGAN（深度卷积生成对抗网络）时间序列模型的公路病害预测与养护方法，包括如下步骤：
构建注意力机制算法模型，利用收集到的历史的公路视频、图像或文本等特征数据进行预处理，如标准化、去噪等，再用于定义注意力机制算法模型中的输入序列，通过注意力机制算法模型根据定义后的输入序列进行计算，并输出注意力加权矩阵；
将收集到的历史的公路视频、图像或文本特征数据进行预处理，再用于与注意力加权矩阵进行计算，并输出带有注意力权重的时间输入序列；利用注意力机制算法模型给出影响因素的重要特征性排序，结合按时间顺序切分的特征数据作为DCGAN时间序列模型的数据输入源；构建DCGAN时间序列模型，通过DCGAN时间序列模型根据时间输入序列进行对抗训练，并得到优化后的DCGAN时间序列模型；
利用收集到的预处理后的待测路段的视频、图像或文本特征数据定义注意力机制算法模型的输入序列，并通过注意力机制算法模型输出对应的注意力加权矩阵；再将该待测路段的视频、图像或文本特征数据与上述对应的注意力加权矩阵进行计算，并输出对应的时间输入序列，利用优化后的DCGAN时间序列模型根据对应的时间输入序列，得出预测的评估结果，根据评估结果制定养护计划。
本方法包含注意力机制算法特征排序阶段、DCGAN时间序列模型训练阶段和公路病害预测三个阶段，首先利用注意力机制算法，通过定义输入序列、矩阵参数、计算缩放注意力分数、进行softmax函数操作等步骤，得到多因素特征输入位置的权重。其次，将预处理数据结合重要特征序列作为DCGAN时间序列模型训练的数据输入维度，通过模型训练、测试，最终实现对公路病害演化的预测。
在上述实施例中的视频、图像或文本特征数据可通过车载巡检设备(如摄像头、传感器等)实时采集道路状况相关的特征数据。
其中，特征数据包括道路表面损伤程度、道路材质、道路结构、温湿度变化和车流量，以定义输入序列的维度、长度和数据结构等。
在上述实施例中，对收集到的公路历史的或待测路段实时的视频、图像或文本等特征数据按照时间步进行切分，并通过图像自动标注，即针对图像数据通过LabelImg等工具进行自动标注并生成待输入数据集，以进行预处理，并以此作为注意力机制算法的数据源。
如附图2所示，在上述实施例中，通过注意力机制算法模型根据定义后的输入序列进行计算，并输出注意力加权矩阵，具体为：定义注意力机制算法模型的矩阵参数，利用输入序列和矩阵参数计算得到注意力分数，将注意力分数除以一个缩放因子，得到缩放后的注意力分数；将缩放后的注意力分数应用于softmax函数，得到归一化的注意力权重分布，对注意力权重分布进行归一化操作，确保所有权重的和等于1，将归一化后的注意力权重分布与输入序列进行加权求和操作，得到最终的注意力加权矩阵。
例如，假设输入序列为X，包含N个元素，每个元素由一个特征向量或特征矩阵；首先，将输入序列X与矩阵参数W进行乘法操作，得到注意力分数A，为了缩放注意力分数A，可以将A除以一个缩放因子，如注意力分数A的维度大小，这个缩放因子可以是注意力分数的维度大小，也可以是其他常数；将缩放后的注意力分数A应用于softmax函数，得到归一化的注意力权重分布。
其中，矩阵参数包括权重矩阵（Weight Matrix）、查询矩阵（Query Matrix）、键矩阵（Key Matrix）和值矩阵（Value Matrix），以通过使用矩阵参数来计算注意力分数。
在上述实施例中，在通过注意力机制算法模型根据定义后的输入序列进行计算，并输出注意力加权矩阵后，将历史的公路视频、图像或文本等特征数据作为数据源，并按8:2的比例划分为训练集和测试集，对构建的注意力机制算法模型进行训练和检验。
如附图3所示，在上述实施例中，构建DCGAN时间序列模型，通过DCGAN时间序列模型根据时间输入序列进行对抗训练，并得到优化后的DCGAN时间序列模型，具体包括：构建DCGAN网络结构，定义生成器和鉴别器结构，生成器采用卷积层与注意力机制，鉴别器采用卷积层，使用编译模型进行模型编译，指定损失函数为Wasserstein距离，优化器为RMSprop；循环训练生成器产生更真实样本，训练鉴别器区分真实样本与假样本；视觉化生成样本与真实样本对比，根据生成效果调整注意力机制或网络结构，继续对抗训练至收敛，以得到优化后的DCGAN时间序列模型。
在本实施例中，在模型编译和训练方面，将均方误差（MSE）作为损失函数，平均绝对误差（MAE）作为评估指标，利用Adam优化器进行参数更新在模型编译和对坑训练上，通过MSE方法计算模型在测试集上的损失值和评估指标，还可尝试调整超参数的值，增加模型的层数等方法，反复调整和训练模型。
其中，利用优化后的DCGAN时间序列模型根据对应的时间输入序列，得出预测的评估结果，具体包括：将时间输入序列输入到优化后的DCGAN时间序列模型中，DCGAN时间序列模型的生成器将采用卷积神经网络提取特征之间的空间关系，并利用注意力机制强化模型对重要特征的学习能力，DCGAN时间序列模型的生成器对新输入的数据进行深度学习，并利用生成对抗训练的能力对道路未来状况进行预测。
其中，根据评估结果制定养护计划，具体包括：识别出哪些路段的损伤程度将在未来预设的一定时间内超标，需要及时维修，评估不同路段的维修优先级。
本发明可以弥补传统公路病害预测方法输入数据单一、未考虑图像时序性的不足，能识别公路病害图像序列中的重要时间节点，例如关键帧，这对于预测病害发展趋势很重要。该模型可以捕捉不同时间点图像之间的重要关联，比如病害出现、扩展的关系，这有利于预测未来病害发展情况。能够生成高质量的公路病害图像，有助于补充实际监测数据，扩充训练样本量。该模型结合生成任务和预测任务，两个任务可以相互促进，例如利用生成图像来增加预测任务的数据量，同时采用注意力机制和时间序列信息，可以更好地分析公路病害随时间变化的规律。DCGAN模型结合卷积神经网络，对图像数据具有很强的处理能力，可以预测未来多个时间点的公路病害情况，为公路养护提供决策支持。预测结果更加准确和可靠，有利于提前采取防治措施，降低公路病害造成的经济损失。
本发明方案在基于时间序列图像分析检测的基础上，充分考虑了道路材质、气候条件、道路结构等因素对公路病害的影响，大大提高了不同路段病害预测的精度，从而为养护计划的制定提供了指导。传统的病害预测方法，数据输入单一，往往只对采集的图像进行标注、识别和预测，本方法通过注意力机制算法对影响公路病害发生的道路现状、气候条件、道路服役时间等因素进行重要性排序，选取重要性特征作为输入数据源，极大提高了公路病害预测精度。本方法利用的深度卷积生成对抗网络(DCGAN)时间序列模型利用深度卷积网络替代全连接网络，能够将特征数据按时间步长进行切分，并对输入数据进行卷积操作，从而进一步提高了公路病害预测精度。
在另一实施例中，本发明提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序使计算机执行如上述的一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法。
在另一实施例中，本发明提出了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如上述的一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法。
在本申请所公开的实施例中，计算机存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合使用的程序。计算机存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。计算机存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
本领域普通技术人员可以意识到，结合本申请所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (10)
1.一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法，其特征在于，包括如下步骤：
构建注意力机制算法模型，利用收集到的历史的公路视频、图像或文本特征数据定义注意力机制算法模型中的输入序列，通过注意力机制算法模型根据定义后的输入序列进行计算，并输出注意力加权矩阵；
将收集到的历史的公路视频、图像或文本特征数据与注意力加权矩阵进行计算，并输出带有注意力权重的时间输入序列；构建DCGAN时间序列模型，通过DCGAN时间序列模型根据时间输入序列进行对抗训练，并得到优化后的DCGAN时间序列模型；
利用收集到的待测路段的视频、图像或文本特征数据定义注意力机制算法模型的输入序列，并通过注意力机制算法模型输出对应的注意力加权矩阵；再将该待测路段的视频、图像或文本特征数据与上述对应的注意力加权矩阵进行计算，并输出对应的时间输入序列，利用优化后的DCGAN时间序列模型根据对应的时间输入序列，得出预测的评估结果，根据评估结果制定养护计划。
2.根据权利要求1所述的一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法，其特征在于：所述视频、图像或文本特征数据通过车载巡检设备采集道路状况的特征数据。
3.根据权利要求2所述的一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法，其特征在于：所述特征数据包括道路表面损伤程度、道路材质、道路结构、温湿度变化和车流量。
4.根据权利要求1所述的一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法，其特征在于：对收集到的公路历史的或待测路段实时的视频、图像或文本特征数据按照时间步进行切分，并通过图像自动标注，以进行预处理。
5.根据权利要求1所述的一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法，其特征在于，所述通过注意力机制算法模型根据定义后的输入序列进行计算，并输出注意力加权矩阵，具体为：定义注意力机制算法模型的矩阵参数，利用输入序列和矩阵参数计算得到注意力分数，将注意力分数除以一个缩放因子，得到缩放后的注意力分数；将缩放后的注意力分数应用于softmax函数，得到归一化的注意力权重分布，对注意力权重分布进行归一化操作，确保所有权重的和等于1，将归一化后的注意力权重分布与输入序列进行加权求和操作，得到最终的注意力加权矩阵。
6.根据权利要求5所述的一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法，其特征在于：所述矩阵参数包括权重矩阵、查询矩阵、键矩阵和值矩阵。
7.根据权利要求1所述的一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法，其特征在于，在通过注意力机制算法模型根据定义后的输入序列进行计算，并输出注意力加权矩阵后，将历史的公路视频、图像或文本特征数据作为数据源，并按8:2的比例划分为训练集和测试集，对构建的注意力机制算法模型进行训练和检验。
8.根据权利要求1所述的一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法，其特征在于，所述构建DCGAN时间序列模型，通过DCGAN时间序列模型根据时间输入序列进行对抗训练，并得到优化后的DCGAN时间序列模型，具体包括：构建DCGAN网络结构，定义生成器和鉴别器结构，生成器采用卷积层与注意力机制，鉴别器采用卷积层，指定损失函数为Wasserstein距离，优化器为RMSprop；循环训练生成器产生更真实样本，训练鉴别器区分真实样本与假样本；视觉化生成样本与真实样本对比，根据生成效果调整注意力机制或网络结构，继续对抗训练至收敛，以得到优化后的DCGAN时间序列模型。
9.根据权利要求8所述的一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法，其特征在于，所述利用优化后的DCGAN时间序列模型根据对应的时间输入序列，得出预测的评估结果，具体包括：将时间输入序列输入到优化后的DCGAN时间序列模型中，DCGAN时间序列模型的生成器将采用卷积神经网络提取特征之间的空间关系，并利用注意力机制强化模型对重要特征的学习能力，DCGAN时间序列模型的生成器对输入的数据进行深度学习，并利用生成对抗训练的能力对道路未来状况进行预测。
10.根据权利要求8所述的一种基于注意力机制DCGAN时间序列模型的公路病害预测与养护方法，其特征在于，所述根据评估结果制定养护计划，具体包括：识别出哪些路段的损伤程度将在未来预设的一定时间内超标，评估不同路段的维修优先级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311619328.7A CN117853407A (zh) | 2023-11-30 | 2023-11-30 | 基于注意力机制dcgan时间序列模型的公路病害预测与养护方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311619328.7A CN117853407A (zh) | 2023-11-30 | 2023-11-30 | 基于注意力机制dcgan时间序列模型的公路病害预测与养护方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117853407A true CN117853407A (zh) | 2024-04-09 |
Family
ID=90542431
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311619328.7A Pending CN117853407A (zh) | 2023-11-30 | 2023-11-30 | 基于注意力机制dcgan时间序列模型的公路病害预测与养护方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117853407A (zh) |
-
2023
- 2023-11-30 CN CN202311619328.7A patent/CN117853407A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110647539B (zh) | 一种用于车辆故障的预测方法和系统 | |
| CN117495210B (zh) | 公路混凝土施工质量管理系统 | |
| EP3671201B1 (en) | An improved method for evaluating pipe condition | |
| Nik et al. | Hybrid PSO and GA approach for optimizing surveyed asphalt pavement inspection units in massive network | |
| CN111143932A (zh) | 一种桥梁健康状态的评估方法、装置、系统和设备 | |
| CN115471625A (zh) | 一种云机器人平台大数据智能决策方法和系统 | |
| CN114611372A (zh) | 一种基于物联网边缘计算的工业设备健康预测方法 | |
| CN112183906A (zh) | 一种基于多模型组合模型的机房环境预测方法及系统 | |
| CN115019209A (zh) | 一种基于深度学习的电力杆塔状态检测的方法及系统 | |
| CN116957331A (zh) | 风险旅客流量范围预测方法和装置 | |
| Giglioni et al. | Deep autoencoders for unsupervised damage detection with application to the Z24 benchmark bridge | |
| CN112115817B (zh) | 基于深度学习的遥感影像道路轨迹正确性核查方法及装置 | |
| Rayhana et al. | Smart valve detection system for water distribution networks | |
| CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及系统 | |
| CN115063337A (zh) | 埋地管道智能维修决策方法及装置 | |
| CN117422990A (zh) | 一种基于机器学习的桥梁结构分类与评估方法 | |
| Heydarian et al. | Automated benchmarking and monitoring of an earthmoving operation's carbon footprint using video cameras and a greenhouse gas estimation model | |
| CN117251722A (zh) | 一种基于大数据的智慧交通管理系统 | |
| CN117037421A (zh) | 降雨型滑坡隐患群气象风险预警方法、设备及存储介质 | |
| CN117853407A (zh) | 基于注意力机制dcgan时间序列模型的公路病害预测与养护方法 | |
| CN113516179B (zh) | 一种地下基础设施渗漏水性态辨识方法及系统 | |
| Fuchsberger et al. | A correlation network model for structural health monitoring and analyzing safety issues in civil infrastructures | |
| Wu et al. | Optimization of unmanned aerial vehicle inspection strategy for infrastructure based on model-enabled diagnostics and prognostics | |
| Kim et al. | Seismic Performance Management of Aging Road Facilities in Korea: Part 2− Decision-making Support Technology and Its Application | |
| Hong et al. | Drainage network flow anomaly classification based on XGBoost |
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 |