CN118037014A - 基于物联网的道路施工监测系统 - Google Patents
基于物联网的道路施工监测系统 Download PDFInfo
- Publication number
- CN118037014A CN118037014A CN202410438312.4A CN202410438312A CN118037014A CN 118037014 A CN118037014 A CN 118037014A CN 202410438312 A CN202410438312 A CN 202410438312A CN 118037014 A CN118037014 A CN 118037014A
- Authority
- CN
- China
- Prior art keywords
- construction
- road
- progress
- data
- analysis
- 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 487
- 238000012544 monitoring process Methods 0.000 title claims abstract description 78
- 238000004458 analytical method Methods 0.000 claims abstract description 124
- 238000005457 optimization Methods 0.000 claims abstract description 52
- 230000004044 response Effects 0.000 claims abstract description 19
- 230000002265 prevention Effects 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 73
- 230000008569 process Effects 0.000 claims description 48
- 230000000694 effects Effects 0.000 claims description 46
- 230000007613 environmental effect Effects 0.000 claims description 30
- 230000006978 adaptation Effects 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 21
- 238000013468 resource allocation Methods 0.000 claims description 20
- 238000004088 simulation Methods 0.000 claims description 19
- 238000013058 risk prediction model Methods 0.000 claims description 16
- 230000006872 improvement Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 239000004035 construction material Substances 0.000 claims description 11
- 238000010206 sensitivity analysis Methods 0.000 claims description 8
- 230000008901 benefit Effects 0.000 claims description 7
- 238000013439 planning Methods 0.000 claims description 7
- 238000010191 image analysis Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 18
- 239000000463 material Substances 0.000 description 12
- 238000003745 diagnosis Methods 0.000 description 11
- 238000007405 data analysis Methods 0.000 description 9
- 238000003066 decision tree Methods 0.000 description 9
- 208000025174 PANDAS Diseases 0.000 description 6
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 6
- 240000004718 Panda Species 0.000 description 6
- 235000016496 Panda oleosa Nutrition 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000009430 construction management Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000728173 Sarima Species 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 241000135164 Timea Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及道路施工监控技术领域,具体为基于物联网的道路施工监测系统,系统包括:施工路段进度匹配模块通过分析道路施工现场摄像头捕获的图像,对比施工路段关键阶段与计划的匹配程度,识别关键路段的进度偏差,生成路段进度分析结果。本发明中,通过施工路段进度匹配模块,实时分析施工现场的图像数据,准确识别进度偏差和关键路段的实际状态,使得施工管理者能够及时调整施工策略,从而有效应对复杂多变的施工环境,解决了传统系统在决策动态优化方面的不足。通过路面工程预测与应对模块,利用调整后的施工方案和历史数据,预测关键里程碑的完成时间,并分析潜在的延误风险,为管理者提供依据以制定有效预防和应对策略。
Description
技术领域
本发明涉及道路施工监控技术领域,尤其涉及基于物联网的道路施工监测系统。
背景技术
道路施工监控技术领域通过最新的信息技术和通信技术,实现对道路施工过程的实时监控和管理。通过集成传感器、无线传输、数据分析和云计算技术,道路施工监控技术能够提供对施工现场各种关键参数的实时反馈,从而帮助项目管理者做出更加科学的决策。
基于物联网的道路施工监测系统是一种利用物联网技术对道路施工过程进行全面监测的系统。通过实时收集施工现场的数据,包括但不限于施工进度、施工人员的安全、施工材料的使用情况以及环境条件等,优化施工计划,提高工程质量,保障施工安全,以及减少不必要的成本和时间延误。
虽然现有的道路施工监控技术利用信息技术和通信技术能够实现对施工过程的实时监控和管理,也提高了施工效率和安全性,但在道路施工材料选择、工艺方法决定等决策过程中,缺乏有效的机制来在保证施工质量的同时,难以动态平衡新策略的探索和已知最优策略的利用,导致施工管理无法高效应对复杂多变的施工环境。此外,尽管现有技术通过实时数据收集和分析优化了施工计划,但在精确预测施工过程中未来状态,如工程进度、成本变化及外部环境因素的影响方面,仍存在不足。影响了施工过程的整体效率和成本控制。
发明内容
本申请通过提供了基于物联网的道路施工监测系统,解决了虽然现有的道路施工监控技术利用信息技术和通信技术实现了对施工过程的实时监控和管理,提高了施工效率和安全性,但在道路施工材料选择、工艺方法决定等决策过程中,缺乏有效的机制来在保证施工质量的同时,难以动态平衡新策略的探索和已知最优策略的利用,导致施工管理无法高效应对复杂多变的施工环境。此外,尽管现有技术通过实时数据收集和分析优化了施工计划,但在精确预测施工过程中未来状态方面,如工程进度、成本变化及外部环境因素的影响,仍存在不足。影响了施工过程的整体效率和成本控制的问题。
鉴于上述问题,本申请提供了基于物联网的道路施工监测系统。
本申请提供了基于物联网的道路施工监测系统,其中,所述系统包括;
施工路段进度匹配模块通过分析道路施工现场摄像头捕获的图像,对比施工路段关键阶段与计划的匹配程度,识别关键路段的进度偏差,生成路段进度分析结果;
道路环境适应分析模块收集道路施工区域的气象数据,分析环境因素对路面施工的影响,结合所述路段进度分析结果,分析施工流程在多种环境条件下的响应能力,得到道路环境适配分析结果;
道路施工策略调整模块依据所述道路环境适配分析结果,细化调整道路施工计划,模拟调整后的施工效率,进行施工方案的寻优,得到调整后的道路施工方案;
路面工程预测与应对模块基于所述调整后的道路施工方案和历史施工数据,预测道路施工关键进度的完成时间,分析潜在的延误风险,并制定应对措施,建立路面工程风险预测模型;
施工资源流动性优化模块分析所述路面工程风险预测模型中预测的未来进展和潜在风险,优化施工机械和人员在多路段的调度和配置,创建资源调度优化图;
道路施工活动跟踪模块监控所述调整后的道路施工方案在每个路段的执行情况,记录施工活动与计划的偏差,并根据所述资源调度优化图进行人员和机械的即时调整,形成施工实施跟踪记录;
路段施工效率优化模块根据所述施工实施跟踪记录,识别施工过程中效率异常环节和问题路段,调整施工方法和资源分配,生成路段效率优化方案。
优选的,所述路段进度分析结果包括施工阶段的完成时间、预期与完成里程的对比数据、关键路段的进度偏差量,所述道路环境适配分析结果包括多气象条件下的施工适应性评级、关键环境因素对施工影响的量化指标、施工时段推荐,所述调整后的道路施工方案包括施工时间调整、关键施工环节的资源重分配细节、针对多环境调整的施工方法,所述路面工程风险预测模型包括关键施工节点的完成风险分析、具有延误风险的路段及其原因分析、风险缓解措施方案,所述资源调度优化图包括每类施工资源在项目期间的调配计划、资源利用率提升的关键节点、施工峰值期的资源调整策略,所述施工实施跟踪记录包括每日施工路段的完成情况汇总、计划与施工差异的数据、紧急调整措施的执行情况,所述路段效率优化方案包括效率异常路段的改进措施、提高施工质量的关键操作点、施工资源再优化策略。
优选的,所述施工路段进度匹配模块包括进度图像分析子模块、施工阶段匹配子模块、延误路段标识子模块;
所述进度图像分析子模块分析道路施工现场摄像头捕获的图像,识别施工现场的关键标志,包括道路铺设区域、施工机械的位置和状态,生成施工场景特征数据;
所述施工阶段匹配子模块对施工场景特征数据进行分析,利用近端策略优化算法,将其与施工计划的每个阶段的标准图像进行比对,确定施工当前阶段情况,生成施工状况识别结果;
所述近端策略优化算法按照公式I:
;
计算策略网络参数更新,生成施工状况识别结果;
其中,为策略网络参数的更新量,为学习率,为期望操作符,计算随机变
量的期望值,取最小值函数,为根据施工阶段的多种状况动态调整的权重,为策
略比率,代表策略网络的参数,为优势函数,表示时间步或决策点,为实时环境因素
调整系数,为裁剪函数,限制策略比率的更新幅度在一个安全的范围内,为用于限制策略更新幅度的正数,为历史数据影响系数,为施工材
料和工艺的可变性系数;
所述延误路段标识子模块分析施工状况识别结果,识别与预定施工计划相偏离的区域,标注施工进度滞后的路段,生成路段进度分析结果。
优选的,所述道路环境适应分析模块包括环境数据采集子模块、施工影响分析子模块、环境调节策略分析子模块;
所述环境数据采集子模块搜集道路施工区域的实时气象数据,记录温度、湿度、降雨量多种关键参数,生成实时环境监测数据;
所述施工影响分析子模块将实时环境监测数据与施工材料和工艺的环境敏感性进行对比分析,判断多种环境条件下施工的可行性和潜在风险,生成环境敏感性分析结果;
所述环境调节策略分析子模块结合环境敏感性分析结果和路段进度分析结果,分析施工计划在当前和预测的环境条件下的执行效果,制定调整措施,生成道路环境适配分析结果。
优选的,所述道路施工策略调整模块包括策略效果预测子模块、施工计划调整子模块、方案选择子模块;
所述策略效果预测子模块基于道路环境适配分析结果,执行多种施工策略的效率模拟,包括施工时间安排、资源分配和工序安排的组合,考察每个策略在当前环境条件下的施工效果,生成策略模拟分析数据;
所述施工计划调整子模块基于策略模拟分析数据,执行施工计划的调整,包括施工时间表、人员与设备的重新分配,生成初始调整的施工计划;
所述方案选择子模块基于初始调整的施工计划,判断每个计划的可行性与成本效益,选出匹配的施工方案,生成调整后的道路施工方案。
优选的,所述路面工程预测与应对模块包括未来施工进度预测子模块、风险点分析子模块、应急措施规划子模块;
所述未来施工进度预测子模块基于调整后的道路施工方案和历史施工数据,执行施工进度的预测分析,确定关键施工进度的预计完成时间,生成路段施工进度预测数据;
所述风险点分析子模块基于路段施工进度预测数据,结合相空间重构理论和长短期记忆网络,分析导致延误的因素,包括资源短缺、技术难题和环境限制,识别关键风险点,生成风险点分析结果;
结合所述相空间重构理论和长短期记忆网络方法按照公式II:
;
计算隐藏层状态,生成风险点分析结果;
其中,为当前时刻的LSTM隐藏层状态,为激活函数,和为分别是输入到
隐藏层和隐藏层到隐藏层权重矩阵的缩放因子,和为分别代表输入到隐藏层和隐
藏层到隐藏层的权重矩阵,指从输入层到隐藏层的转换,表示从一个时间步的隐
藏层状态到下一个时间步的隐藏层状态的转换,表示通过相空间重构技
术从时间序列数据中提取的特征向量,代表与时间关联的施工进度指标,表示时间序
列中的时刻,是延迟时间,是嵌入维度,为施工阶段复杂度的权重系数,为施工阶
段复杂度,为环境变化指数的权重系数,为环境变化指数,为技术难度系数的权重系
数,为技术难度系数,为资源可用度的权重系数,为资源可用度,为隐藏层的偏置
项,代表偏置项,而下标ℎ指特定偏置项关联的隐藏层;
所述应急措施规划子模块基于风险点分析结果,规划风险应对措施,包括风险预防、缓解措施和应急响应计划,为每个风险点制定应对策略,生成路面工程风险预测模型。
优选的,所述施工资源流动性优化模块包括资源需求分析子模块、资源调度策略子模块、调度执行监控子模块;
所述资源需求分析子模块基于路面工程风险预测模型,进行资源类型和数量的需求分析,包括施工机械、人员以及材料,分析未来进展和潜在风险的影响,生成资源需求列表;
所述资源调度策略子模块基于资源需求列表,执行资源的优化配置,包括机械的分配、人员的安排以及材料的供应计划,针对多种施工阶段和路段的需求,生成资源配置方案;
所述调度执行监控子模块基于资源配置方案,执行实时监控,跟踪资源的使用情况,包括施工机械的位置、人员的工作状态以及材料的消耗情况,对出现的偏差进行调整,生成资源调度优化图。
优选的,所述道路施工活动跟踪模块包括施工执行监测子模块、计划偏差分析子模块、实时调整反馈子模块;
所述施工执行监测子模块基于调整后的道路施工方案,执行施工活动的实时监测,记录施工过程中的关键活动,包括铺设、压实和养护,生成施工活动监测数据;
所述计划偏差分析子模块基于施工活动监测数据,执行计划与当前执行情况的对比分析,识别施工计划与当前施工之间的偏差,包括时间延迟、资源短缺或过剩,生成计划执行偏差分析结果;
所述实时调整反馈子模块基于计划执行偏差分析结果和资源调度优化图,执行实时调整,针对识别的问题和偏差,调整施工计划、资源配置和施工方法,生成施工实施跟踪记录。
优选的,所述路段施工效率优化模块包括效率诊断分析子模块、问题区域识别子模块、改进措施制定子模块;
所述效率诊断分析子模块基于施工实施跟踪记录,进行数据分析,包括施工速度、资源利用率和工作时段的有效性,标识出效率异常的环节,生成效率诊断结果;
所述问题区域识别子模块基于效率诊断结果,分析施工环节和路段,识别导致效率异常的问题区域,包括人员分配不均或机械故障频发,生成问题区域分析结果;
所述改进措施制定子模块基于问题区域分析结果,制定改进措施,包括调整人力资源配置、优化施工设备使用计划和改善施工方法,生成路段效率优化方案。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过施工路段进度匹配模块,实时分析施工现场的图像数据,准确识别进度偏差和关键路段的实际状态,使得施工管理者能够及时调整施工策略,从而有效应对复杂多变的施工环境,解决了传统系统在决策动态优化方面的不足。通过路面工程预测与应对模块,利用调整后的施工方案和历史数据,预测关键里程碑的完成时间,并分析潜在的延误风险,为管理者提供依据以制定有效预防和应对策略,提高了施工过程的整体效率和成本控制。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本发明提出基于物联网的道路施工监测系统的模块图;
图2为本发明提出基于物联网的道路施工监测系统的系统框架图;
图3为本发明提出基于物联网的道路施工监测系统施工路段进度匹配模块的具体流程示意图;
图4为本发明提出基于物联网的道路施工监测系统道路环境适应分析模块的具体流程示意图;
图5为本发明提出基于物联网的道路施工监测系统道路施工策略调整模块的具体流程示意图;
图6为本发明提出基于物联网的道路施工监测系统路面工程预测与应对模块的具体流程示意图;
图7为本发明提出基于物联网的道路施工监测系统施工资源流动性优化模块的具体流程示意图;
图8为本发明提出基于物联网的道路施工监测系统道路施工活动跟踪模块的具体流程示意图;
图9为本发明提出基于物联网的道路施工监测系统路段施工效率优化模块的具体流程示意图。
具体实施方式
本申请提供了基于物联网的道路施工监测系统。
申请概述
现有技术中存在虽然现有的道路施工监控技术利用信息技术和通信技术实现了对施工过程的实时监控和管理,提高了施工效率和安全性,但在道路施工材料选择、工艺方法决定等决策过程中,缺乏有效的机制来在保证施工质量的同时,难以动态平衡新策略的探索和已知最优策略的利用,导致施工管理无法高效应对复杂多变的施工环境。此外,尽管现有技术通过实时数据收集和分析优化了施工计划,但在精确预测施工过程中未来状态方面,如工程进度、成本变化及外部环境因素的影响,仍存在不足。影响了施工过程的整体效率和成本控制的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
如图1所示,本申请提供了基于物联网的道路施工监测系统,其中,系统包括:
施工路段进度匹配模块通过分析道路施工现场摄像头捕获的图像,对比施工路段关键阶段与计划的匹配程度,识别关键路段的进度偏差,生成路段进度分析结果;
道路环境适应分析模块收集道路施工区域的气象数据,分析环境因素对路面施工的影响,结合路段进度分析结果,分析施工流程在多种环境条件下的响应能力,得到道路环境适配分析结果;
道路施工策略调整模块依据道路环境适配分析结果,细化调整道路施工计划,模拟调整后的施工效率,进行施工方案的寻优,得到调整后的道路施工方案;
路面工程预测与应对模块基于调整后的道路施工方案和历史施工数据,预测道路施工关键进度的完成时间,分析潜在的延误风险,并制定应对措施,建立路面工程风险预测模型;
施工资源流动性优化模块分析路面工程风险预测模型中预测的未来进展和潜在风险,优化施工机械和人员在多路段的调度和配置,创建资源调度优化图;
道路施工活动跟踪模块监控调整后的道路施工方案在每个路段的执行情况,记录施工活动与计划的偏差,并根据资源调度优化图进行人员和机械的即时调整,形成施工实施跟踪记录;
路段施工效率优化模块根据施工实施跟踪记录,识别施工过程中效率异常环节和问题路段,调整施工方法和资源分配,生成路段效率优化方案。
路段进度分析结果包括施工阶段的完成时间、预期与完成里程的对比数据、关键路段的进度偏差量,道路环境适配分析结果包括多气象条件下的施工适应性评级、关键环境因素对施工影响的量化指标、施工时段推荐,调整后的道路施工方案包括施工时间调整、关键施工环节的资源重分配细节、针对多环境调整的施工方法,路面工程风险预测模型包括关键施工节点的完成风险分析、具有延误风险的路段及其原因分析、风险缓解措施方案,资源调度优化图包括每类施工资源在项目期间的调配计划、资源利用率提升的关键节点、施工峰值期的资源调整策略,施工实施跟踪记录包括每日施工路段的完成情况汇总、计划与施工差异的数据、紧急调整措施的执行情况,路段效率优化方案包括效率异常路段的改进措施、提高施工质量的关键操作点、施工资源再优化策略。
如图2和图3所示,施工路段进度匹配模块包括进度图像分析子模块、施工阶段匹配子模块、延误路段标识子模块;
进度图像分析子模块分析道路施工现场摄像头捕获的图像,识别施工现场的关键标志,包括道路铺设区域、施工机械的位置和状态,生成施工场景特征数据的具体流程为;
进度图像分析子模块基于实时监控图像,采用图像处理技术,执行OpenCV库中的图像预处理函数,包括使用GaussianBlur进行图像模糊,利用Canny边缘检测算法识别施工场景中的边缘,通过findContours找出图像中的施工标志轮廓,如道路铺设区域、施工机械的位置和状态,生成施工场景特征数据。
施工阶段匹配子模块对施工场景特征数据进行分析,利用近端策略优化算法,将其与施工计划的每个阶段的标准图像进行比对,确定施工当前阶段情况,生成施工状况识别结果的具体流程为;
施工阶段匹配子模块基于施工场景特征数据,采用近端策略优化算法,执行策略网络构建,定义状态空间为施工场景特征数据,动作空间为施工计划的各阶段,使用奖励函数衡量当前施工状态与目标施工阶段的匹配度,采用梯度上升法更新策略网络参数,以最大化累计奖励,确定施工当前阶段情况,并生成施工状况识别结果。
近端策略优化算法按照公式I:
;
计算策略网络参数更新,生成施工状况识别结果;
其中,为策略网络参数的更新量,表示在学习过程中对策略网络参数进行的调整。/>为学习率,通过实验调优或预先设定的学习策略确定,控制参数更新步长,影响每次更新中参数变化的大小。/>为期望操作符,用于计算随机变量的期望值,表示对策略更新中涉及的所有可能情况进行平均。/>取最小值函数,确保策略更新幅度不会超出预定的界限,以维持学习过程的稳定性。/>为根据施工阶段的多种状况动态调整的权重,通过分析历史施工数据中各阶段的复杂度和完成情况确定,考虑不同施工任务的难易程度及其对策略更新的影响。
为策略比率,反映了在给定状态下,新策略与旧策略选择相同行为的概率比,
用于评估新策略的效果,代表策略网络的参数,是影响策略行为选择的内部变量。为优
势函数,衡量在当前状态下采取某一行为相对于平均行为的优势,指导策略向更优行为的
更新,表示时间步或决策点,是指在特定的时间点或决策步骤中评估的优势。为实时环
境因素调整系数,通过实时监测施工环境条件,如天气变化和现场突发事件,进行动态调整
确定,根据实时环境变化如天气、现场条件等调整策略更新幅度,适应环境变化。为裁
剪函数,限制策略比率的更新幅度在一个安全的范围内,以防止因更新
步伐过大而导致的学习不稳定。为用于限制策略更新幅度的正数,保证策略更新的稳定
性,避免过大的更新步伐导致策略性能下降。为历史数据影响系数,通过回顾历史施工案
例,分析同类型施工阶段的执行效率和偏差情况确定,根据历史施工数据分析得出,用于在
策略更新中加入历史施工经验的影响,提高策略的准确性和适应性。为施工材料和工艺
的可变性系数,通过判断多种材料和工艺在历史施工项目中的表现和适应性确定,反映不
同材料和工艺在特定环境条件下的表现差异,用于调整策略适应变化。
执行过程如下:
通过实验调优或预先设定的学习策略确定学习率,影响参数更新的步长和速度。
分析历史施工数据中各阶段的复杂度和完成情况,以此确定权重系数,确保模型能够适应不同复杂度的施工阶段。
实时监测施工现场的环境条件,如天气变化和现场突发事件,根据实时数据动态调整系数,使模型能够适应环境变化。
回顾历史施工案例,特别是与当前施工阶段相似的情况,分析案例的执行效率和偏差,据此确定系数,引入历史经验到模型中。
评估不同材料和工艺在历史施工项目中的表现和适应性,以此确定系数,确保模型能够适应不同材料和工艺的变化。
使用上述确定的系数值更新策略网络参数,按照公式I进行计算。
计算过程中,采用梯度上升法来更新策略网络的参数,以最大化累积奖励,从而优化施工阶段的匹配和识别准确度。
延误路段标识子模块分析施工状况识别结果,识别与预定施工计划相偏离的区域,标注施工进度滞后的路段,生成路段进度分析结果的具体流程为;
延误路段标识子模块基于施工状况识别结果,采用异常检测算法,执行SciPy库中的stats.zscore函数计算施工进度偏差的Z分数,设置阈值标识异常偏差,利用booleanindexing筛选与预定施工计划相偏离的区域,标注施工进度滞后的路段,并生成路段进度分析结果。
如图2和图4所示,道路环境适应分析模块包括环境数据采集子模块、施工影响分析子模块、环境调节策略分析子模块;
环境数据采集子模块搜集道路施工区域的实时气象数据,记录温度、湿度、降雨量多种关键参数,生成实时环境监测数据的具体流程为;
环境数据采集子模块基于气象监测设备,进行实时数据捕获,执行Python库中的requests.get方法请求气象API接口,提取JSON响应中的温度、湿度、降雨量等关键参数,利用pandas库中的DataFrame结构整理和存储参数,生成实时环境监测数据。
施工影响分析子模块将实时环境监测数据与施工材料和工艺的环境敏感性进行对比分析,判断多种环境条件下施工的可行性和潜在风险,生成环境敏感性分析结果的具体流程为;
施工影响分析子模块基于实时环境监测数据,采用数据相关性分析,执行NumPy库中的corrcoef函数计算环境参数与施工材料及工艺的环境敏感性指标之间的相关系数,使用matplotlib库进行可视化展示相关性,以图表形式突出高相关性环境因素,生成环境敏感性分析结果。
环境调节策略分析子模块结合环境敏感性分析结果和路段进度分析结果,分析施工计划在当前和预测的环境条件下的执行效果,制定调整措施,生成道路环境适配分析结果的具体流程为;
环境调节策略分析子模块基于环境敏感性分析结果和路段进度分析结果,进行策略模拟,执行scikit-learn库中的DecisionTreeClassifier构建决策树模型,定义环境参数和施工进度偏差为输入特征,施工调整措施为目标变量,采用交叉验证法评估模型性能,确定最佳决策路径,生成道路环境适配分析结果。
如图2和图5所示,道路施工策略调整模块包括策略效果预测子模块、施工计划调整子模块、方案选择子模块;
策略效果预测子模块基于道路环境适配分析结果,执行多种施工策略的效率模拟,包括施工时间安排、资源分配和工序安排的组合,考察每个策略在当前环境条件下的施工效果,生成策略模拟分析数据的具体流程为;
策略效果预测子模块基于道路环境适配分析结果,进行施工策略的效率模拟,执行Python环境下的SimPy库进行基于事件的仿真,通过定义施工进程和资源为仿真实体,设置施工时间安排、资源分配和工序安排的参数,采用随机变量模拟环境条件变化,触发相应施工事件,模拟施工场景下每种策略的执行流程,记录施工完成时间和资源利用情况,生成策略模拟分析数据。
施工计划调整子模块基于策略模拟分析数据,执行施工计划的调整,包括施工时间表、人员与设备的重新分配,生成初始调整的施工计划的具体流程为;
施工计划调整子模块基于策略模拟分析数据,进行施工计划的调整,执行pandas库中的DataFrame结构操作,将策略模拟分析数据作为输入,通过apply函数结合自定义逻辑,如根据资源利用率和施工时间进行优先级排序,调整DataFrame中的施工时间表和资源分配列,采用reindex方法对施工活动进行重新排序,以模拟人员与设备的重新分配过程,生成初始调整的施工计划。
方案选择子模块基于初始调整的施工计划,判断每个计划的可行性与成本效益,选出匹配的施工方案,生成调整后的道路施工方案的具体流程为;
方案选择子模块基于初始调整的施工计划,判断每个计划的可行性与成本效益,执行SciPy库中的optimize.minimize函数,将施工成本和时间作为优化目标,定义约束条件为环境适应性和资源可用性,采用序列二次规划法求解最优化问题,筛选满足约束条件且成本效益最高的施工方案,并生成调整后的道路施工方案。
如图2和图6所示,路面工程预测与应对模块包括未来施工进度预测子模块、风险点分析子模块、应急措施规划子模块;
未来施工进度预测子模块基于调整后的道路施工方案和历史施工数据,执行施工进度的预测分析,确定关键施工进度的预计完成时间,生成路段施工进度预测数据的具体流程为;
未来施工进度预测子模块基于调整后的道路施工方案和历史施工数据,执行时间序列分析,采用Python的pandas库进行数据整理,通过datetime索引对施工进度数据进行时间序列化,使用statsmodels库中的SARIMA模型进行季节性调整和自回归积分滑动平均处理,设置模型参数为自动化选择的最优参数组合,通过模型拟合过程计算未来施工里程碑的预计完成时间点,生成路段施工进度预测数据。
风险点分析子模块基于路段施工进度预测数据,结合相空间重构理论和长短期记忆网络,分析导致延误的因素,包括资源短缺、技术难题和环境限制,识别关键风险点,生成风险点分析结果的具体流程为;
风险点分析子模块基于路段施工进度预测数据,采用长短期记忆网络,执行Keras库构建序列模型,定义输入层接受多维时间序列数据,添加LSTM层以捕捉时间依赖性,通过Dropout层减少过拟合,设置优化器为Adam,损失函数选择mean_squared_error,结合相空间重构理论对延误因素进行动态特征提取,利用模型输出识别可能的风险发生时间和原因,生成风险点分析结果。
结合相空间重构理论和长短期记忆网络方法按照公式II:
;
计算隐藏层状态,生成风险点分析结果;
其中,为当前时刻的LSTM隐藏层状态,反映截至当前时刻的施工进度信息和
潜在风险因素的累积效应。为激活函数,用于引入非线性,使模型能够捕捉复杂的数据
关系。和为分别是输入到隐藏层和隐藏层到隐藏层权重矩阵的缩放因子,调节权重对模
型输出的影响程度。和为分别代表输入到隐藏层和隐藏层到隐藏层的权重矩阵,
指从输入层到隐藏层的转换,表示从一个时间步的隐藏层状态到下一个时间
步的隐藏层状态的转换。表示通过相空间重构技术从时间序列数据中提取
的特征向量,代表与时间关联的施工进度指标,表示时间序列中的时刻,是延迟时间,是嵌入维度,该向量提供了施工进度数据的动态特征。为施工阶段复杂度的权重系数,
决定了施工阶段复杂度对隐藏层状态的影响程度。为施工阶段复杂度,量化了施工任务
的难度水平。为环境变化指数的权重系数,决定了环境变化指数对隐藏层状态的影响程
度。为环境变化指数,反映了施工环境条件的变化对施工进度的潜在影响。为技术难度
系数的权重系数,决定了技术难度对隐藏层状态的影响程度。为技术难度系数,考量了施
工中所采用的技术和方法的复杂性及其对施工进度的影响。为资源可用度的权重系数,
决定了资源可用度对隐藏层状态的影响程度。为资源可用度,指示了施工所需资源的可
用情况和其对施工进度的影响。为隐藏层的偏置项,调整神经网络的输出阈值,代表
偏置项,而下标ℎ指特定偏置项关联的隐藏层。
执行过程如下:
从历史施工数据中选择适当的延迟时间和嵌入维度,根据Takens嵌入定理执
行相空间重构,将时间序列数据转换为高维向量。
对每个时间点的施工进度数据应用重构向量作为LSTM网络的输入,同
时准备前一时刻的隐藏层状态。
根据施工项目的具体情况,评估施工阶段的复杂度,监测环境变化指数,确
定技术难度系数,以及计算资源可用度。
通过历史数据分析或模型训练过程确定权重系数的具体数值,其中,/>权重系数通过模型的训练过程中的梯度下降方法确定,调整以最小化预测误差。/>权重系数通过对历史施工阶段的执行效率和偏差分析确定,以反映隐藏层状态对模型预测的贡献度。/>权重系数通过分析施工阶段复杂度与施工延误之间的关系确定,以调整复杂度因素在预测模型中的影响。/>权重系数通过实时监控环境条件变化对施工进度的影响分析确定,确保环境变化因素被适当考虑。/>权重系数通过评估不同技术难度对施工进度的影响确定,以准确反映技术难度在风险预测中的作用。/>权重系数通过资源调度和使用情况的历史数据分析确定,确保资源可用度对预测模型的贡献得到适当的调整。
将所有收集到的信息和参数代入公式II,利用激活函数计算当前时刻的隐藏层
状态。
根据隐藏层状态输出预测结果,进行风险点的识别和分析,生成风险点分析结果。
应急措施规划子模块基于风险点分析结果,规划风险应对措施,包括风险预防、缓解措施和应急响应计划,为每个风险点制定应对策略,生成路面工程风险预测模型的具体流程为;
应急措施规划子模块基于风险点分析结果,执行决策树分析,采用scikit-learn库中的DecisionTreeClassifier构建决策树,定义风险类型和严重性为特征,风险应对措施为目标变量,通过信息增益选择最佳分裂属性,设置树的最大深度以避免过拟合,利用生成的决策树模型为每个风险点制定特定的预防、缓解和应急措施,生成路面工程风险预测模型。
如图2和图7所示,施工资源流动性优化模块包括资源需求分析子模块、资源调度策略子模块、调度执行监控子模块;
资源需求分析子模块基于路面工程风险预测模型,进行资源类型和数量的需求分析,包括施工机械、人员以及材料,分析未来进展和潜在风险的影响,生成资源需求列表的具体流程为;
资源需求分析子模块基于路面工程风险预测模型,进行资源需求量化,执行Python的pandas库对历史施工数据进行统计分析,包括调用DataFrame.mean()和DataFrame.std()计算施工资源的平均需求量和波动范围,结合numpy库中的np.percentile()估算未来施工阶段资源需求的概率分布,考虑潜在风险因素对资源需求的影响,生成资源需求列表。
资源调度策略子模块基于资源需求列表,执行资源的优化配置,包括机械的分配、人员的安排以及材料的供应计划,针对多种施工阶段和路段的需求,生成资源配置方案的具体流程为;
资源调度策略子模块基于资源需求列表,执行调度优化算法,采用SciPy库中的linear_sum_assignment()函数实现匈牙利算法,对施工资源进行最优匹配,考虑机械分配的成本效益,人员的技能匹配和材料供应的时间敏感性,针对施工不同阶段和地点的具体需求,执行资源分配,生成资源配置方案。
调度执行监控子模块基于资源配置方案,执行实时监控,跟踪资源的使用情况,包括施工机械的位置、人员的工作状态以及材料的消耗情况,对出现的偏差进行调整,生成资源调度优化图的具体流程为;
调度执行监控子模块基于资源配置方案,进行实时监控执行,利用GPS和RFID技术追踪施工机械的实时位置,通过Python的socket库实现实时通信,收集人员的工作状态信息和材料消耗数据,采用matplotlib库进行数据可视化,对比计划与实际使用情况,执行调整指令,生成资源调度优化图。
如图2和图8所示,道路施工活动跟踪模块包括施工执行监测子模块、计划偏差分析子模块、实时调整反馈子模块;
施工执行监测子模块基于调整后的道路施工方案,执行施工活动的实时监测,记录施工过程中的关键活动,包括铺设、压实和养护,生成施工活动监测数据的具体流程为;
施工执行监测子模块基于调整后的道路施工方案,执行实时数据捕捉,利用无线传感网络收集施工现场的关键活动数据,包括铺设、压实和养护的时间戳和持续时间,利用SQL数据库命令INSERT INTO将数据存储于施工活动数据库中,生成施工活动监测数据。
计划偏差分析子模块基于施工活动监测数据,执行计划与当前执行情况的对比分析,识别施工计划与当前施工之间的偏差,包括时间延迟、资源短缺或过剩,生成计划执行偏差分析结果的具体流程为;
计划偏差分析子模块基于施工活动监测数据,执行偏差识别,利用Python中的pandas库进行数据帧操作,对比计划与实际施工活动时间戳,使用numpy库计算时间差异并标识超出预定范围的活动,通过matplotlib库生成偏差可视化图表,生成计划执行偏差分析结果。
实时调整反馈子模块基于计划执行偏差分析结果和资源调度优化图,执行实时调整,针对识别的问题和偏差,调整施工计划、资源配置和施工方法,生成施工实施跟踪记录的具体流程为;
实时调整反馈子模块基于计划执行偏差分析结果和资源调度优化图,执行调整策略,利用决策树算法分析偏差类型和严重性,根据预定义的逻辑规则调整施工计划和资源分配,通过REST API将调整命令发送到现场管理系统,指导现场调整施工计划和资源配置,生成施工实施跟踪记录。
如图2和图9所示,路段施工效率优化模块包括效率诊断分析子模块、问题区域识别子模块、改进措施制定子模块;
效率诊断分析子模块基于施工实施跟踪记录,进行数据分析,包括施工速度、资源利用率和工作时段的有效性,标识出效率异常的环节,生成效率诊断结果的具体流程为;
效率诊断分析子模块基于施工实施跟踪记录,进行数据分析,执行Python的Pandas库中的DataFrame.apply函数对施工速度、资源利用率和工作时段的有效性进行量化评估,利用NumPy库的mean和std函数计算各项指标的平均值和标准差,通过设定阈值识别偏离平均水平的异常值,标识出效率异常的环节,并生成效率诊断结果。
问题区域识别子模块基于效率诊断结果,分析施工环节和路段,识别导致效率异常的问题区域,包括人员分配不均或机械故障频发,生成问题区域分析结果的具体流程为;
问题区域识别子模块基于效率诊断结果,执行聚类分析,采用scikit-learn库中的KMeans算法对效率异常环节进行分类,设置聚类数量根据实际情况预设,并使用fit_predict方法对数据进行聚类分析,识别具有相似效率问题特征的施工环节和路段,将其归为同一问题区域,生成问题区域分析结果。
改进措施制定子模块基于问题区域分析结果,制定改进措施,包括调整人力资源配置、优化施工设备使用计划和改善施工方法,生成路段效率优化方案的具体流程为;
改进措施制定子模块基于问题区域分析结果,进行决策树分析,利用scikit-learn库中的DecisionTreeClassifier构建决策树模型,以问题区域特征为输入节点,改进措施为叶节点,采用信息增益作为分裂标准进行节点分裂,生成针对每个问题区域的改进措施决策树,并通过遍历决策树得到具体的改进措施,生成路段效率优化方案。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (9)
1.基于物联网的道路施工监测系统,其特征在于,所述系统包括:
施工路段进度匹配模块通过分析道路施工现场摄像头捕获的图像,对比施工路段关键阶段与计划的匹配程度,生成路段进度分析结果;
道路环境适应分析模块收集道路施工区域的气象数据,结合所述路段进度分析结果,分析施工流程在多种环境条件下的响应能力,得到道路环境适配分析结果;
道路施工策略调整模块依据所述道路环境适配分析结果,模拟调整后的施工效率,进行施工方案的寻优,得到调整后的道路施工方案;
路面工程预测与应对模块基于所述调整后的道路施工方案和历史施工数据,预测道路施工关键进度的完成时间,建立路面工程风险预测模型;
施工资源流动性优化模块分析所述路面工程风险预测模型中预测的未来进展和潜在风险,优化施工机械和人员在多路段的调度和配置,创建资源调度优化图;
道路施工活动跟踪模块监控所述调整后的道路施工方案在每个路段的执行情况,根据所述资源调度优化图进行人员和机械的即时调整,形成施工实施跟踪记录;
路段施工效率优化模块根据所述施工实施跟踪记录,调整施工方法和资源分配,生成路段效率优化方案。
2.根据权利要求1所述的基于物联网的道路施工监测系统,其特征在于:所述路段进度分析结果包括施工阶段的完成时间、预期与完成里程的对比数据、关键路段的进度偏差量,所述道路环境适配分析结果包括多气象条件下的施工适应性评级、关键环境因素对施工影响的量化指标、施工时段推荐,所述调整后的道路施工方案包括施工时间调整、关键施工环节的资源重分配细节、针对多环境调整的施工方法,所述路面工程风险预测模型包括关键施工节点的完成风险分析、具有延误风险的路段及其原因分析、风险缓解措施方案,所述资源调度优化图包括每类施工资源在项目期间的调配计划、资源利用率提升的关键节点、施工峰值期的资源调整策略,所述施工实施跟踪记录包括每日施工路段的完成情况汇总、计划与施工差异的数据、紧急调整措施的执行情况,所述路段效率优化方案包括效率异常路段的改进措施、提高施工质量的关键操作点、施工资源再优化策略。
3.根据权利要求1所述的基于物联网的道路施工监测系统,其特征在于:所述施工路段进度匹配模块包括:
进度图像分析子模块分析道路施工现场摄像头捕获的图像,识别施工现场的关键标志,包括道路铺设区域、施工机械的位置和状态,生成施工场景特征数据;
施工阶段匹配子模块对所述施工场景特征数据进行分析,利用近端策略优化算法,将其与施工计划的每个阶段的标准图像进行比对,确定施工当前阶段情况,生成施工状况识别结果;
延误路段标识子模块分析所述施工状况识别结果,识别与预定施工计划相偏离的区域,标注施工进度滞后的路段,生成路段进度分析结果。
4.根据权利要求3所述的基于物联网的道路施工监测系统,其特征在于:所述近端策略优化算法按照公式I:
;
计算策略网络参数更新,生成施工状况识别结果;
其中,为策略网络参数的更新量,为学习率,为期望操作符,计算随机变量的
期望值,取最小值函数,为根据施工阶段的多种状况动态调整的权重,为策略比
率,代表策略网络的参数,为优势函数,表示时间步或决策点,为实时环境因素调整
系数,为裁剪函数,限制策略比率的更新幅度在一个安全的范围内,为用于限制策略更新幅度的正数,为历史数据影响系数,为施工材
料和工艺的可变性系数。
5.根据权利要求1所述的基于物联网的道路施工监测系统,其特征在于:所述道路环境适应分析模块包括:
环境数据采集子模块搜集道路施工区域的实时气象数据,记录温度、湿度、降雨量多种关键参数,生成实时环境监测数据;
施工影响分析子模块将所述实时环境监测数据与施工材料和工艺的环境敏感性进行对比分析,判断多种环境条件下施工的可行性和潜在风险,生成环境敏感性分析结果;
环境调节策略分析子模块结合所述环境敏感性分析结果和所述路段进度分析结果,分析施工计划在当前和预测的环境条件下的执行效果,制定调整措施,生成道路环境适配分析结果。
6.根据权利要求1所述的基于物联网的道路施工监测系统,其特征在于:所述道路施工策略调整模块包括:
策略效果预测子模块基于所述道路环境适配分析结果,执行多种施工策略的效率模拟,包括施工时间安排、资源分配和工序安排的组合,考察每个策略在当前环境条件下的施工效果,生成策略模拟分析数据;
施工计划调整子模块基于所述策略模拟分析数据,执行施工计划的调整,包括施工时间表、人员与设备的重新分配,生成初始调整的施工计划;
方案选择子模块基于所述初始调整的施工计划,判断每个计划的可行性与成本效益,选出匹配的施工方案,生成调整后的道路施工方案。
7.根据权利要求1所述的基于物联网的道路施工监测系统,其特征在于:所述路面工程预测与应对模块包括:
未来施工进度预测子模块基于所述调整后的道路施工方案和历史施工数据,执行施工进度的预测分析,确定关键施工进度的预计完成时间,生成路段施工进度预测数据;
风险点分析子模块基于所述路段施工进度预测数据,结合相空间重构理论和长短期记忆网络,分析导致延误的因素,包括资源短缺、技术难题和环境限制,识别关键风险点,生成风险点分析结果;
应急措施规划子模块基于所述风险点分析结果,规划风险应对措施,包括风险预防、缓解措施和应急响应计划,为每个风险点制定应对策略,生成路面工程风险预测模型。
8.根据权利要求7所述的基于物联网的道路施工监测系统,其特征在于:结合所述相空间重构理论和长短期记忆网络方法按照公式II:
;
计算隐藏层状态,生成风险点分析结果;
其中,为当前时刻的LSTM隐藏层状态,为激活函数,和为分别是输入到隐藏
层和隐藏层到隐藏层权重矩阵的缩放因子,和为分别代表输入到隐藏层和隐藏层
到隐藏层的权重矩阵,指从输入层到隐藏层的转换,表示从一个时间步的隐藏层
状态到下一个时间步的隐藏层状态的转换,表示通过相空间重构技术从
时间序列数据中提取的特征向量,代表与时间关联的施工进度指标,表示时间序列中
的时刻,是延迟时间,是嵌入维度,为施工阶段复杂度的权重系数,为施工阶段复
杂度,为环境变化指数的权重系数,为环境变化指数,为技术难度系数的权重系数,为技术难度系数,为资源可用度的权重系数,为资源可用度,为隐藏层的偏置项,代表偏置项,而下标ℎ指特定偏置项关联的隐藏层。
9.根据权利要求1所述的基于物联网的道路施工监测系统,其特征在于:所述道路施工活动跟踪模块包括:
施工执行监测子模块基于所述调整后的道路施工方案,执行施工活动的实时监测,记录施工过程中的关键活动,包括铺设、压实和养护,生成施工活动监测数据;
计划偏差分析子模块基于所述施工活动监测数据,执行计划与当前执行情况的对比分析,识别施工计划与当前施工之间的偏差,包括时间延迟、资源短缺或过剩,生成计划执行偏差分析结果;
实时调整反馈子模块基于所述计划执行偏差分析结果和资源调度优化图,执行实时调整,针对识别的问题和偏差,调整施工计划、资源配置和施工方法,生成施工实施跟踪记录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410438312.4A CN118037014B (zh) | 2024-04-12 | 基于物联网的道路施工监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410438312.4A CN118037014B (zh) | 2024-04-12 | 基于物联网的道路施工监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118037014A true CN118037014A (zh) | 2024-05-14 |
CN118037014B CN118037014B (zh) | 2024-06-28 |
Family
ID=
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200334777A1 (en) * | 2018-11-21 | 2020-10-22 | Beijing Yutian Technology Co. Ltd | Intelligent emergency decision support system for emergency communication |
CN111914875A (zh) * | 2020-06-05 | 2020-11-10 | 华南理工大学 | 一种基于贝叶斯lstm模型的旋转机械的故障预警方法 |
CN114091579A (zh) * | 2021-11-03 | 2022-02-25 | 深圳技术大学 | 城市轨道交通客流预警系统和方法 |
CN116414093A (zh) * | 2023-04-13 | 2023-07-11 | 暨南大学 | 基于物联网系统和强化学习的车间生产方法 |
CN117710156A (zh) * | 2024-02-05 | 2024-03-15 | 深圳市金众工程检验检测有限公司 | 一种基于大数据的公路施工优化方法及系统 |
CN117789504A (zh) * | 2024-02-28 | 2024-03-29 | 苏州申亿通智慧运营管理有限公司 | 一种城市隧道交通智能指挥调度方法及系统 |
CN117829382A (zh) * | 2024-03-06 | 2024-04-05 | 深圳市云图华祥科技有限公司 | 一种公路施工进度智能预测方法及系统 |
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200334777A1 (en) * | 2018-11-21 | 2020-10-22 | Beijing Yutian Technology Co. Ltd | Intelligent emergency decision support system for emergency communication |
CN111914875A (zh) * | 2020-06-05 | 2020-11-10 | 华南理工大学 | 一种基于贝叶斯lstm模型的旋转机械的故障预警方法 |
CN114091579A (zh) * | 2021-11-03 | 2022-02-25 | 深圳技术大学 | 城市轨道交通客流预警系统和方法 |
CN116414093A (zh) * | 2023-04-13 | 2023-07-11 | 暨南大学 | 基于物联网系统和强化学习的车间生产方法 |
CN117710156A (zh) * | 2024-02-05 | 2024-03-15 | 深圳市金众工程检验检测有限公司 | 一种基于大数据的公路施工优化方法及系统 |
CN117789504A (zh) * | 2024-02-28 | 2024-03-29 | 苏州申亿通智慧运营管理有限公司 | 一种城市隧道交通智能指挥调度方法及系统 |
CN117829382A (zh) * | 2024-03-06 | 2024-04-05 | 深圳市云图华祥科技有限公司 | 一种公路施工进度智能预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107464025B (zh) | 基于大数据的供应链需求预测与智能决策方法 | |
KR101825881B1 (ko) | 빅 데이터 분석을 이용한 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템 | |
Dong et al. | Applying the ensemble artificial neural network-based hybrid data-driven model to daily total load forecasting | |
CN114971356A (zh) | 一种电力工程项目进度预测系统及方法 | |
CN117172414A (zh) | 一种基于bim技术的建筑幕墙施工管理系统 | |
CN114155072B (zh) | 基于大数据分析的财务预测模型构建方法及系统 | |
CN109889391A (zh) | 一种基于组合模型的网络短时流量预测方法 | |
CN117436727A (zh) | 一种智能水利调度优化系统 | |
CN116822115A (zh) | 一种基于数字孪生技术的智慧园区的环境管理方法及系统 | |
CN114254833A (zh) | 基于多元线性回归和气象数据的水库水位预测及调度方法 | |
CN116976862B (zh) | 一种工厂设备信息化管理系统及方法 | |
CN117725537A (zh) | 实时计量数据处理平台 | |
CN118037014B (zh) | 基于物联网的道路施工监测系统 | |
CN118037014A (zh) | 基于物联网的道路施工监测系统 | |
WO2022162798A1 (ja) | 電力需要予測装置、電力需要予測方法およびプログラム | |
Owda et al. | Using artificial neural network techniques for prediction of electric energy consumption | |
Al‐Tabtabai et al. | Expert judgment in forecasting construction project completion | |
Olsson et al. | Case-based reasoning applied to geometric measurements for decision support in manufacturing | |
CN117314370B (zh) | 一种基于智慧能源的数据驾驶舱系统及实现方法 | |
CN117973904B (zh) | 智能制造的产能分析方法及系统 | |
CN116911807B (zh) | 一种智慧燃气数据中心流程可视化管理方法和物联网系统 | |
CN113657844B (zh) | 任务处理流程的确定方法及装置 | |
CN116934041B (zh) | 一种基于物联网协同的工厂任务管理方法及系统 | |
Kummer et al. | Data Fitting as the Next Level in the Management of Chances and Risks | |
Blancarte et al. | Short term load forecasting in the industry for establishing consumption baselines: A French case |
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 |