基于多源数据融合的公路路面性能衰变预测方法及系统与流程
本发明涉及公路管养,具体是基于多源数据融合的公路路面性能衰变预测方法及系统。
背景技术:
1、公路路面性能的持续衰减不仅会降低行车舒适性、安全性与通行效率,还会大幅提升公路运维成本,严重影响路网通行稳定性与使用寿命,制约公路交通高质量发展。因此,精准掌握路面性能演化规律、实现路面多指标性能的提前预测与病害预判,是公路智慧养护、主动养护的核心技术前提。
2、申请号为202211009294.5,发明名称为基于多源数据融合的公路路面性能衰减预测方法及装置的现有技术公开了通过分别获取若干采样区域处的路面摩擦系数、路面平整度、路面裂缝系数以及路面承载力系数;再将若干采样区域处的路面摩擦系数、路面平整度、路面裂缝系数以及路面承载力系数代入到路面性能衰减预测公式中求得路面性能衰减预测系数,进而增加了对路面性能的测试维度,从而能够保证路面性能测试结果的有效性;并分别对高温环境、低温环境以及不同降水量对路面性能衰减的影响进行预测;再对不同车流量对路面性能衰减的影响进行预测;最后通过对环境和车辆数据对路面性能衰减的影响进行综合分析,并得到路面性能衰减的综合预测结果;通过增加影响路面性能衰减的数据源,能够提高路面性能衰减预测的全面性和精准度。
3、由此可见,现有技术也是通过多源数据融合分析后得到路面性能衰减的综合预测结果,但是该现有技术存在几个技术问题,第一,对每一次目标路段的路面性能进行衰减预测时,都需要对路面摩擦系数、路面平整度、路面裂缝系数以及路面承载力系数等数据重新测定,因为随着时间的推移这些数据会存在一定的变化,以至于下一次的路面性能衰减预测不准确。第二,该现有技术的路面性能综合衰减预测公式仅和温度变化、降水量变化、车流量变化相关联,脱离了对路面性能本质属性的预测(即没有关联基础路面结构),也会导致路面性能衰减预测不准确,因此,现提供基于多源数据融合的公路路面性能衰变预测方法及系统。
技术实现思路
1、为了解决上述技术问题,本发明的目的在于提供基于多源数据融合的公路路面性能衰变预测方法及系统。
2、为了实现上述目的,本发明提供如下技术方案:基于多源数据融合的公路路面性能衰变预测方法,所述方法包括:
3、获取不同环境场景下源路段的历史路面性能检测数据以及历史交通数据;并进行时序特征分析,得到源路段的动态衰变时序特征数据;
4、根据源路段的路面结构数据和路基结构数据对目标路段进行相似分析,获得目标匹配相似度;
5、基于迁移学习以及动态衰变时序特征数据,构建路段状态迁移图谱;根据目标匹配相似度以及路段状态迁移图谱对目标路段进行图谱推理,获得目标路段的初始性能衰变预测值;
6、对目标路段的初始性能衰变预测值进行多层级校正,进而输出目标路段的路面性能衰变预测曲线以及置信度;其中,所述多层级校正包括一级校正和二级校正。
7、进一步地,对不同环境场景下源路段的历史路面性能检测数据以及历史交通数据进行时序特征分析的过程包括:
8、对所述历史路面性能检测数据以及历史交通数据进行预处理,所述预处理包括缺失值插补以及异常值剔除;
9、在对应时间窗口条件下,对预处理后的数据进行环境场景划分,构建环境场景归类数据集;对所述环境场景归类数据集进行时序特征分析,获取对应时间窗口条件下的动态衰变时序特征数据;其中,所述动态衰变时序特征数据包括路面性能衰减速率特征以及交通荷载波动效应因子。
10、进一步地,所述环境场景划分是依据对应源路段的温度和降水量进行分类划分的。
11、进一步地,根据源路段的路面结构数据和路基结构数据对目标路段进行相似分析,获得目标匹配相似度的过程包括:
12、获取所述源路段和目标路段的路面结构数据以及路基结构数据;基于所述路面结构数据以及路基结构数据,计算源路段与目标路段之间的路面结构相似度以及路基结构相似度;
13、对所述路面结构相似度以及路基结构相似度进行加权综合,获得对应的目标匹配相似度。
14、进一步地,基于迁移学习以及动态衰变时序特征数据,构建路段状态迁移图谱的过程包括:
15、以源路段在对应环境场景下不同采集时间节点的路面性能检测数据作为状态节点,将对应路面性能衰减速率特征以及交通荷载波动效应因子作为相邻状态节点之间的有向边,构建源路段的初始有向状态迁移图;
16、对所述初始有向状态迁移图进行图卷积运算,利用图卷积网络提取状态节点之间的空间编码向量;
17、对状态节点的时间序列进行时序编码并结合对应的空间编码向量,获取每个状态节点的时空融合嵌入向量;基于自注意力机制以及时空融合嵌入向量,计算源路段不同状态节点之间的迁移概率矩阵,进而构建对应源路段在对应环境场景的路段状态迁移图谱。
18、进一步地,根据目标匹配相似度以及路段状态迁移图谱对目标路段进行图谱推理的过程包括:
19、获取目标路段与不同源路段之间的目标匹配相似度并进行降序排序,选取目标匹配相似度最高且大于预设匹配相似度阈值的源路段,记为候选源路段;
20、获取目标路段的实际路面性能检测数据,构建目标当前状态向量;
21、对于候选源路段在不同环境场景下的路段状态迁移图谱,基于欧氏距离度量算法,计算路段状态迁移图谱中的对应状态节点集合与所述目标当前状态向量的欧氏距离,且满足预设欧氏距离阈值的若干个状态节点作为推理锚点,组成推理锚点集合;
22、根据目标匹配相似度与对应推理锚点的欧氏距离,计算候选源路段中的每个路段状态迁移图谱对应的图谱融合权重;
23、以推理锚点集合中的推理锚点为推理起点,依据路段状态迁移图谱有向边方向进行多步前向迁移推理,并根据所述图谱融合权重,得到目标路段在对应未来时间节点的初始性能衰变预测值。
24、进一步地,对目标路段的初始性能衰变预测值进行一级校正的过程包括:
25、获取目标路段的实际交通数据,计算目标路段的实际交通荷载波动效应因子;将所述实际交通荷载波动效应因子与源路段的交通荷载波动效应因子进行对比,构建荷载偏差修正系数,进而对初始性能衰变预测值进行一级校正,得到一级校正性能衰变预测值。
26、进一步地,对目标路段的初始性能衰变预测值进行二级校正的过程包括:
27、获取目标路段和源路段的通行年限,计算目标路段与各候选源路段之间的通行年限偏差;根据通行年限偏差以及年限偏差敏感系数,得到通行年限偏差修正系数,进而对一级校正性能衰变预测值进行二级校正,得到二级校正性能衰变预测值;
28、将所述二级校正性能衰变预测值作为纵坐标,未来时间节点作为横坐标,得到路面性能衰变预测曲线。
29、进一步地,计算对应未来时间节点的二级校正性能衰变预测值的置信度的过程包括:
30、依据推理锚点的欧氏距离以及图谱融合权重,计算图谱推理基础置信因子;基于荷载偏差修正系数以及通行年限偏差修正系数,计算对应的荷载校正置信因子以及通行年限校正置信因子;
31、将图谱推理基础置信因子、荷载校正置信因子以及通行年限校正置信因子融合得到基础置信度;根据预测时长引入时间衰减修正,生成各未来时间节点对应的置信度。
32、本发明进一步提供了一种基于多源数据融合的公路路面性能衰变预测系统,包括:多源数据采集模块、时序特征分析模块、路段相似匹配模块、迁移图谱构建模块、图谱推理预测模块以及多层级校正模块;
33、多源数据采集模块,用于获取不同环境场景下源路段的历史路面性能检测数据以及历史交通数据;
34、时序特征分析模块,用于对历史路面性能检测数据以及历史交通数据进行时序特征分析,得到源路段的动态衰变时序特征数据;
35、路段相似匹配模块,根据源路段的路面结构数据和路基结构数据对目标路段进行相似分析,获得目标匹配相似度;
36、迁移图谱构建模块,基于迁移学习以及动态衰变时序特征数据,构建路段状态迁移图谱;
37、图谱推理预测模块,根据目标匹配相似度以及路段状态迁移图谱对目标路段进行图谱推理,获得目标路段的初始性能衰变预测值;
38、多层级校正模块,用于对目标路段的初始性能衰变预测值进行多层级校正,进而输出目标路段的路面性能衰变预测曲线以及置信度;其中,所述多层级校正包括一级校正和二级校正。
39、与现有技术相比,本发明的有益效果是:通过获取不同环境场景下源路段的历史路面性能检测数据以及历史交通数据;并进行时序特征分析,得到源路段的动态衰变时序特征数据;根据源路段的路面结构数据和路基结构数据对目标路段进行相似分析,获得目标匹配相似度;基于迁移学习以及动态衰变时序特征数据,构建路段状态迁移图谱;根据目标匹配相似度以及路段状态迁移图谱对目标路段进行图谱推理,获得目标路段的初始性能衰变预测值;对目标路段的初始性能衰变预测值进行多层级校正,进而输出目标路段的路面性能衰变预测曲线以及置信度;大大提高了性能衰变预测精准度以及效率。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com