一种养护作业对路面后期性能影响的预测方法技术

本发明专利技术涉及一种养护作业对路面后期性能影响的预测方法，包括：选取测试区域内进行养护的点位和正常点位，并记录养护作业信息；对选取点位一定范围内的路面进行拍摄，得到路面图像，并划分周期；采用识别算法识别每张路面图像的路面损伤类型和数量；对识别结果进行分类统计和均值化处理，获得点位在不同周期的分类损伤数据期望；计算点位路面性能变化；利用点位养护作业信息和路面性能变化，构建因果网络骨架；通过分隔算法识别因果网络的方向；构建并训练基于深度神经网络的路面性能变化预测模型；基于路面性能变化预测模型预测未来不同周期的路面性能变化。与现有技术相比，本发明专利技术具有时间维度信息全面、预测精准等优点。预测精准等优点。预测精准等优点。

【技术实现步骤摘要】
一种养护作业对路面后期性能影响的预测方法


[0001]本专利技术涉及道路路面性能评估领域，尤其是涉及一种养护作业对路面后期性能影响的预测方法。

技术介绍

[0002]随着我国道路里程增加和道路运营低效的矛盾日益突出，道路运营的智慧化是发展趋势。利用数据驱动的信息化手段评估道路性能以及基于感知数据分析影响道路性能变化的因素和延长道路使用寿命的方法是提升道路运营效率的迫切需求。
[0003]道路路面性能的评估有多种方法与指标。我国现行的标准中，路面状况指标PCI、行驶质量指数RQI或国际平整度指数IRI等均可以作为路面性能评价指标方法。其中，利用路面损伤进行路面性能评估是一种常用的方法，不同种类的路面损伤类型可以反映路面性能衰变的不同阶段，路段的路面损伤的类型和数量也一定程度反映道路路面当下的使用状态。道路路面损伤的图像识别与检测已在国内外普及应用。
[0004]目前，对道路养护质量的评价主要依据道路养护作业完成后即时的道路平整度、高差、抗滑性能和路面状况等，这些指标方法可以评价道路路面在养护作业实施后短期内的性能是否达标，但没有考虑到养护作业实施的质量对道路后续生命周期内使用性能的影响。道路性能的衰变是一个漫长的周期，道路路面中长期的性能是道路使用寿命以及道路运营成本控制的关键因素，需要一套完整的方法对养护作业后道路路面后续生命周期内性能的变化进行评价。

技术实现思路

[0005]本专利技术的目的就是为了提供一种养护作业对路面后期性能影响的预测方法，对养护作业实施后路面性能变化进行准确预测，提高对养护作业质量的把控。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种养护作业对路面后期性能影响的预测方法，包括以下步骤：
[0008]S1：选取测试区域内进行养护的点位和未养护的正常点位，并记录养护作业信息；
[0009]S2：对S1中选取点位预配置范围内的路面进行跟踪拍摄，得到路面图像，并划分为多个周期；
[0010]S3：采用识别算法识别每张路面图像的路面损伤类型和数量，记录对应点位不同采集时间的路面损伤类型和数量；
[0011]S4：对S3的识别结果进行分类统计，并对同一周期的数据进行均值化处理，获得点位在不同周期的分类损伤数据期望；
[0012]S5：基于分类损伤数据期望计算点位路面性能，并计算周期间的路面性能变化；
[0013]S6：利用点位养护作业信息和路面性能变化，对每个周期基于因果推断算法构建因果网络骨架；
[0014]S7：基于因果网络骨架，通过分隔算法识别因果网络的方向，得到完整的因果关系
网络；
[0015]S8：构建并训练基于深度神经网络的路面性能变化预测模型，所述模型输入为从因果关系网络中选取的直接影响路面性能变化的养护作业因素，输出为不同周期的路面性能变化；
[0016]S9：基于训练完成的路面性能变化预测模型预测未来不同周期的路面性能变化。
[0017]所述步骤S1具体为：
[0018]选取测试区域o内进行养护的点位和邻近的未养护的正常点位，将点位集合记为A，其中，养护点以养护作业时间作为时间起点，未养护点以同路段距离最近的养护点养护作业时间作为时间起点；
[0019]记录养护点的养护作业信息，建立A中点位i的养护作业信息因素集Z
i
＝{z1,z2,
…
,z
n
}，其中，Z
i
中的数值型因素以数值形式表达，对非数值性因素进行因子化处理，以数字型因子表达。
[0020]所述步骤S2具体为：
[0021]从时间起点开始，利用车载GPS数据和可见光摄像机对选定点位范围r内的路面进行为期c的信息采集，并将c划分为n个周期，每个周期时长c/n，记录路面图像、采集时间和地理信息数据。
[0022]所述步骤S3具体为：
[0023]对采集到的路面图像进行损伤识别与分类，建立A中点位i的道路路面状态跟踪巡检数据表，记录养护作业情况Z
i
和点位范围r内不同采集时间识别得到的路面损伤类型和数量。
[0024]所述步骤S4具体为：
[0025]基于道路路面状态跟踪巡检数据表，对A中点位i在周期t、范围r内的不同类型损伤数据进行统计并进行均值化处理，得到i在周期t的损伤统计的集合X
i,t
＝{x1,x2,x3…
x
k
…
}，其中x
k
表示k损伤的损伤数量期望。
[0026]所述步骤S5具体为：
[0027]对点位i在周期t、范围r内的路面性能状况进行定量评价，基于X
i,t
集合，根据损伤严重程度乘以权重表征路面性能y
i,t
，评价方法如下：
[0028]y
i,t
＝w1x1+w2x2+w3x3…
[0029]其中，x
k
表示k损伤的数量，w
k
表示k损伤的权重；
[0030]点位i范围r内的路面性能状况在时间起点到周期t的变化为
△
y
i,t
，其中时间起点的路面性能为y
i,0
，则：
[0031]Δy
i,t
＝y
i,t
‑
y
i,0
[0032]令
△
Y
t
为A中所有点位在周期t的性能变化组成的向量，则：
[0033]ΔY
t
＝[Δy
1,t
,Δy
2,
,
…
,Δy
i,t
,
…
][0034]所述步骤S6包括以下步骤：
[0035]步骤S61：建立变量数据集Z，Z中变量对应养护作业情况Z
i
，因果网络结构的目标节点为周期t的路面性能变化
△
y
t
，设置
△
y
t
的父节点或子节点候选集S(z)＝{}；
[0036]步骤S62：基于mRMR标准在Z中寻找和
△
y
t
有直接因果关系的节点，其中，所述mRMR标准为：
[0037][0038]使用增量搜索方法搜寻与
△
y
t
节点依赖程度最大的因素z
m
，将z
m
纳入S(z)；
[0039]步骤S63：采用条件独立性检验从S(z)中去除与路面性能变化
△
y
t
无因果关系的节点；
[0040]步骤S64：重复S62、S63，迭代直到S(z)中因素不再增加，根据
△
y
t
和S(z)建立因果网络骨架，节点间关系为无向连接。
[0041]所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种养护作业对路面后期性能影响的预测方法，其特征在于，包括以下步骤：S1：选取测试区域内进行养护的点位和未养护的正常点位，并记录养护作业信息；S2：对S1中选取点位预配置范围内的路面进行跟踪拍摄，得到路面图像，并划分为多个周期；S3：采用识别算法识别每张路面图像的路面损伤类型和数量，记录对应点位不同采集时间的路面损伤类型和数量；S4：对S3的识别结果进行分类统计，并对同一周期的数据进行均值化处理，获得点位在不同周期的分类损伤数据期望；S5：基于分类损伤数据期望计算点位路面性能，并计算周期间的路面性能变化；S6：利用点位养护作业信息和路面性能变化，对每个周期基于因果推断算法构建因果网络骨架；S7：基于因果网络骨架，通过分隔算法识别因果网络的方向，得到完整的因果关系网络；S8：构建并训练基于深度神经网络的路面性能变化预测模型，所述模型输入为从因果关系网络中选取的直接影响路面性能变化的养护作业因素，输出为不同周期的路面性能变化；S9：基于训练完成的路面性能变化预测模型预测未来不同周期的路面性能变化。2.根据权利要求1所述的一种养护作业对路面后期性能影响的预测方法，其特征在于，所述步骤S1具体为：选取测试区域o内进行养护的点位和邻近的未养护的正常点位，将点位集合记为A，其中，养护点以养护作业时间作为时间起点，未养护点以同路段距离最近的养护点养护作业时间作为时间起点；记录养护点的养护作业信息，建立A中点位i的养护作业信息因素集Z
i
＝{z1,z2,
…
,z
n
}，其中，Z
i
中的数值型因素以数值形式表达，对非数值性因素进行因子化处理，以数字型因子表达。3.根据权利要求2所述的一种养护作业对路面后期性能影响的预测方法，其特征在于，所述步骤S2具体为：从时间起点开始，利用车载GPS数据和可见光摄像机对选定点位范围r内的路面进行为期c的信息采集，并将c划分为n个周期，每个周期时长c/n，记录路面图像、采集时间和地理信息数据。4.根据权利要求3所述的一种养护作业对路面后期性能影响的预测方法，其特征在于，所述步骤S3具体为：对采集到的路面图像进行损伤识别与分类，建立A中点位i的道路路面状态跟踪巡检数据表，记录养护作业情况Z
i
和点位范围r内不同采集时间识别得到的路面损伤类型和数量。5.根据权利要求4所述的一种养护作业对路面后期性能影响的预测方法，其特征在于，所述步骤S4具体为：基于道路路面状态跟踪巡检数据表，对A中点位i在周期t、范围r内的不同类型损伤数据进行统计并进行均值化处理，得到i在周期t的损伤统计的集合X
i,t
＝{x1,x2,x3…
x
k
…
}，其中x
k
表示k损伤的损伤数量期望。
6.根据权利要求5所述的一种养护作业对路面后期性能影响的预测方法，其特征在于，所述步骤S5具体为：对点位i在周期t、范围r内的路面性能状况进行定量评价，基于X
i,t
集合，根据损伤严重程度乘以权重表征路面性能y
...

【专利技术属性】
技术研发人员：刘成龙，蔡文渊，杜豫川，吴荻非，
申请(专利权)人：同济大学，
类型：发明
国别省市：