CN116432095A - 道路病害预测方法、装置、电子设备及存储介质 - Google Patents
道路病害预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116432095A CN116432095A CN202211739057.4A CN202211739057A CN116432095A CN 116432095 A CN116432095 A CN 116432095A CN 202211739057 A CN202211739057 A CN 202211739057A CN 116432095 A CN116432095 A CN 116432095A
- Authority
- CN
- China
- Prior art keywords
- road
- data
- influence
- matrix
- disease
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 178
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 178
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims description 195
- 238000004590 computer program Methods 0.000 claims description 11
- 238000011946 reduction process Methods 0.000 claims 2
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000002035 prolonged effect Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 description 10
- 230000035772 mutation Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 239000010426 asphalt Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种道路病害预测方法,获取各个路段的历史行驶车辆数据以及历史道路环境数据;根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子;根据所述道路病害影响因子,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。通过各个路段的历史行驶车辆数据以及历史道路环境数据来确定道路病害影响因子,通过道路病害影响因子来对目标路段的道路病害进行预测,可以***目标路段会出现什么样的道路病害,从而能够使相关管理部门对目标路段进行有针对性的养护工作,进而可以提高目标路段的使用寿命。
Description
技术领域
本发明涉及智慧城市领域,尤其涉及一种道路病害预测方法、装置、电子设备及存储介质。
背景技术
道路CT是对道路进行扫描,通过扫描图像进行道路病害识别,从而得到道路内部病害情况的一种方式,然而,道路CT是针对道路中已有病害进行扫描,对于以后会发生的道路病害无法进行预测,也就无法提前对道路进行针对性养护来延长道路寿命。
发明内容
本发明实施例提供一种道路病害预测方法,旨在解决现有技术中只能针对道路中已有病害进行扫描,对于以后会发生的道路病害无法进行预测的问题。通过各个路段的历史行驶车辆数据以及历史道路环境数据来确定道路病害影响因子,通过道路病害影响因子来对目标路段的道路病害进行预测,可以***目标路段会出现什么样的道路病害,从而能够使相关管理部门对目标路段进行有针对性的养护工作,进而可以提高目标路段的使用寿命。
第一方面,本发明实施例提供一种道路病害预测方法,所述方法包括:
获取各个路段的历史行驶车辆数据以及历史道路环境数据;
根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子;
根据所述道路病害影响因子,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。
可选的,所述根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子,包括:
根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害的影响数据,所述影响数据包括第一数量个数据维度;
对所述影响数据进行降维处理,得到样本降维数据,所述样本降维数据包括第二数量个数据维度,所述第二数量小于所述第一数量;
基于所述样本降维数据,确定道路病害影响因子。
可选的,所述对所述影响数据进行降维处理,得到样本降维数据,所述样本降维数据包括第二数量个数据维度,包括:
根据所述影响数据,确定第一影响矩阵,所述第一影响矩阵包括第一数量个数据维度;
对所述第一影响矩阵进行降维处理,得到第二影响矩阵;
基于所述第一影响矩阵与所述第二影响矩阵,确定所述样本降维数据。
可选的,所述对所述第一影响矩阵进行降维处理,得到第二影响矩阵,包括:
确定所述第一影响矩阵的协方差矩阵;
基于所述第一影响矩阵的协方差矩阵,对所述第一影响矩阵进行降维处理,得到第二影响矩阵。
可选的,所述基于所述第一影响矩阵的协方差矩阵,对所述第一影响矩阵进行降维处理,得到第二影响矩阵,包括:
计算所述第一影响矩阵的协方差矩阵;
计算所述协方差矩阵的特征值以及所述特征值对应的特征向量;
根据所述特征值最大的第二数量个所述特征向量得到所述中间矩阵,根据所述第一影响矩阵与所述中间矩阵确定第二影响矩阵。
可选的,所述根据所述特征值最大的第二数量个所述特征向量得到所述中间矩阵,根据所述第一影响矩阵与所述中间矩阵确定第二影响矩阵,包括:
将所述第一影响矩阵与所述中间矩阵进行相乘,得到第二影响矩阵。
可选的,所述根据所述道路病害影响因子,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果,包括:
获取所述目标路段的行驶车辆数据以及道路环境数据;
根据所述道路病害影响因子,确定所述目标路段的目标影响矩阵;
基于所述目标影响矩阵,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。
第二方面,本发明实施例提供一种道路病害预测装置,所述装置包括:
获取模块,用于获取各个路段的历史行驶车辆数据以及历史道路环境数据;
确定模块,用于根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子;
预测模块,用于根据所述道路病害影响因子,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。
第三方面,本发明实施例提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例提供的道路病害预测方法中的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现发明实施例提供的道路病害预测方法中的步骤。
本发明实施例中,获取各个路段的历史行驶车辆数据以及历史道路环境数据;根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子;根据所述道路病害影响因子,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。通过各个路段的历史行驶车辆数据以及历史道路环境数据来确定道路病害影响因子,通过道路病害影响因子来对目标路段的道路病害进行预测,可以***目标路段会出现什么样的道路病害,从而能够使相关管理部门对目标路段进行有针对性的养护工作,进而可以提高目标路段的使用寿命。
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,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地介绍,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他的附图。
图1是本发明实施例提供的一种道路病害预测方法的流程图;
图2是本发明实施例提供的一种道路病害预测装置的结构示意图;
图3是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1,图1是本发明实施例提供的一种道路病害预测方法的流程图,如图1所示,该道路病害预测方法包括以下步骤:
101、获取各个路段的历史行驶车辆数据以及历史道路环境数据。
在本发明实施例中,上述各个路段指的是多个样本路段,上述样本路段包括已经出现道路病害的路段和还未出现道路病害的路段。
上述历史行驶车辆数据可以是行驶车辆的类型、行驶车辆的大小、行驶车辆的速度、行驶车辆的数量等与行驶车辆相关的数据。上述历史行驶车辆数据可以通过设置在各个路段的交通摄像头采集到的图像数据进行确定,具体的,在各个路段中均设置有交通摄像头,通过交通摄像头采集对应路段的交通图像,对交通图像进行车辆识别,得到对应路段的行驶车辆数据,将行驶车辆数据存储到服务器中进行复用。
上述历史道路环境数据可以是天气数据、道路湿度数据、道路温度数据、道路扫描数据、道路病害数据等。上述天气数据可以根据道路所在天气部门进行获取,上述道路扫描数据可以根据道路扫描车扫描到的数据进行获取,上述道路病害数据可以根据道路扫描数据进行获取,也可以通过道路巡查人员的记录进行获取。
102、根据历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子。
在本发明实施例中,可以对历史行驶车辆数据以及历史道路环境数据来确定道路病害的影响数据,根据道路病害的影响数据,确定道路病害影响因子。具体的,可以对道路病害的影响数据进行降维处理,得到道路病害影响因子,上述降维处理可以是在全部的影响因子中对于道路病害影响最大的多个影响因子。通过对上述影响数据进行降维处理,可以得到数据维度较低的降维数据。比如,道路病害的影响数据为行驶车辆的类型、行驶车辆的大小、行驶车辆的速度、行驶车辆的数量、天气数据、道路湿度数据、道路温度数据等,道路病害影响因子可以是行驶车辆的大小、行驶车辆的速度、道路温度数据。
103、根据道路病害影响因子,对目标路段的道路病害进行预测,得到目标路段的道路病害预测结果。
在本发明实施例中在得到道路病害影响因子后,可以通过道路病害影响因子,在目标路段的数据中筛选与道路病害影响因子对应的数据,根据筛选出来的数据对目标路段的道路病害进行预测,得到目标路段的道路病害预测结果。比如,道路影响因子为行驶车辆的大小、行驶车辆的速度、道路温度数据,则可以在目标路段的数据中筛选出行驶车辆的大小、行驶车辆的速度、道路温度数据,根据行驶车辆的大小、行驶车辆的速度、道路温度数据来预测目标路段的会发生什么类型的道路病害。
具体的,在筛选出与道路病害影响因子对应的数据后,可以将与道路病害影响因子对应的数据输入到训练好的时序模型中进行预测处理,时序模型输出得到目标路段的道路病害预测结果。
本发明实施例中,获取各个路段的历史行驶车辆数据以及历史道路环境数据;根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子;根据所述道路病害影响因子,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。通过各个路段的历史行驶车辆数据以及历史道路环境数据来确定道路病害影响因子,通过道路病害影响因子来对目标路段的道路病害进行预测,可以***目标路段会出现什么样的道路病害,从而能够使相关管理部门对目标路段进行有针对性的养护工作,进而可以提高目标路段的使用寿命。
可选的,在根据历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子的步骤中,可以根据历史行驶车辆数据以及历史道路环境数据,确定道路病害的影响数据,影响数据包括第一数量个数据维度;对影响数据进行降维处理,得到样本降维数据,样本降维数据包括第二数量个数据维度,第二数量小于第一数量;基于样本降维数据,确定道路病害影响因子。
在本发明实施例中,上述各个路段中包括已发生道路病害的路段和未发生道路病害的路段,在得到各个路段的历史行驶车辆数据以及历史道路环境数据后,对各个路段贩历史行驶车辆数据和历史道路环境数据进行整理,得到道路病害的影响数据。上述道路病害的影响数据用于说明数据与道路病害的产生或多或少存在影响关系。上述道路病害的影响数据可以是为行驶车辆的类型、行驶车辆的大小、行驶车辆的速度、行驶车辆的数量、天气数据、道路湿度数据、道路温度数据等,道路病害影响因子可以是行驶车辆的大小、行驶车辆的速度、道路温度数据。上述道路病害主要包括沥青路面对应的道路病害、水泥路面对应的道路病害以及沿线设施对应的道路病害,其中,沥青路面对应的道路病害的类型可以包括坑槽、龟裂、块裂、裂缝(横向裂缝、纵向裂缝、不规则斜线裂缝)、沉陷、车辙、路框差、杂物、积水等;水泥路面对应的道路病害的类型可以包括面板破碎、坑洞、板角断裂、线裂等;沿线设施对应的道路病害的类型可以包括护栏损坏、路框差、井盖破损等。
上述道路病害的影响数据具有第一数量个数据维度,上述第一数量个数据维度可以理解为具有第一数量个道路病害候选影响因子。在得到道路病害的影响数据数据后,可以将道路病害的影响数据进行降维处理,得到样本标题降维数据,样本降维数据具有第二数量个数据维度,上述第二数量个数据维度可以理解为具有第二数量个道路病害影响因子。
上述的降维处理可以是通过主成分分析算法(Principal Component Analysis,PCA)、线性判别分析算法(Discriminant Analysis,LDA)等降维方法来进行。在得到样本降维数据后,可以根据样本降维数据中的数据维度来确定道路病害影响因子,每个数据维度对应一个道路病害影响因子。
可选的,在对影响数据进行降维处理,得到样本降维数据,样本降维数据包括第二数量个数据维度的步骤中,可以根据影响数据,确定第一影响矩阵,第一影响矩阵包括第一数量个数据维度;对第一影响矩阵进行降维处理,得到第二影响矩阵;基于第一影响矩阵与第二影响矩阵,确定样本降维数据。
在本发明实施例中,高所有路段的数量为n,第一数量为m,则可以将n个路段对应的m个数据维度的影响数据构建成n×m的第一影响矩阵,在第一影响矩阵中,每一列对应一个道路病害候选影响因子,每一行对应一个路段的影响数据。
可以通过主成分分析算法或线性判别分析算法,对第一影响矩阵进行降维处理,得到第二影响矩阵,其中,上述第二影响矩阵为n×k,k为第二数量,即表示样本降维数据的数据维度为k。上述k可以是预先设定的。在第二影响矩阵中,第一列对应一个道路病害影响因子,第一行对应一个路段的影响数据。
可选的,在对第一影响矩阵进行降维处理,得到第二影响矩阵的步骤中,可以确定第一影响矩阵的协方差矩阵;基于第一影响矩阵的协方差矩阵,对所述第一影响矩阵进行降维处理,得到第二影响矩阵。
在本发明实施例中,对于第一影响矩阵,计算每一列性能指标数据的平均值,用每一列性能指标数据减去该平均值,得到每个性能指标数据对应的标准差,通过标准差的平方得到每个性能指标数据对应的协方差,根据协方差得到n×m的协方差矩阵。
通过对协方差矩阵提取出性能指标数据的异变信息,从而通过异变信息,再对协方差矩阵进行降维处理,可以提取异变程度较高的样本降维数据,保证样本降维数据对于道路病害的高影响力。
可选的,在基于第一影响矩阵的协方差矩阵,对第一影响矩阵进行降维处理,得到第二影响矩阵的步骤中,可以计算第一影响矩阵的协方差矩阵;计算协方差矩阵的特征值以及特征值对应的特征向量;根据特征值最大的第二数量个特征向量得到中间矩阵,根据第一影响矩阵与中间矩阵确定第二影响矩阵。
在本发明实施例中,在得到第一影响矩阵的协方差矩阵后,再求出协方差矩阵的特征值和对应的特征向量;按特征值的大小进行特征向量的排序;保留前k个特征值最大的特征向量,得到m×k的中间矩阵。根据第一影响矩阵与中间矩阵,确定第二影响矩阵。通过特征值来确定性能指标数据的异变程度,从而可以选取到异变程度较高的样本降维数据,保证样本降维数据对于道路病害的高影响力。
上述中间矩阵中每一列对应一个道路病害影响因子,每一行对应一个特征向量。
可选的,在根据道路病害影响因子,对目标路段的道路病害进行预测,得到目标路段的道路病害预测结果的步骤中,可以将第一影响矩阵与中间矩阵进行相乘,得到第二影响矩阵。
在本发明实施例中,在得到第一影响矩阵与中间矩阵后,对第一影响矩阵和中间矩阵进行矩阵计算,得到第二影响矩阵。具体的,设第一影响矩阵为H=n×m,中间影响矩阵D=m×k,则第二影响矩阵G=HD=n×k。这样,就可以将第一影响矩阵由m维降到k维,去掉了对于道路病害影响小的数据维度。
通过矩阵乘法进行降维处理,得到异变程度较高的样本降维数据,保证样本降维数据对于道路病害的高影响力。
在得到第二影响矩阵后,可以将第二影响矩阵中的各列对应的数据维度确定为对应的道路病害影响因子。
可选的,在根据所述道路病害影响因子,对目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果的步骤中,可以获取目标路段的行驶车辆数据以及道路环境数据;根据道路病害影响因子,确定目标路段的目标影响矩阵;基于目标影响矩阵,对目标路段的道路病害进行预测,得到目标路段的道路病害预测结果。
在本发明实施例中,上述目标路段的行驶车辆数据,行驶车辆的类型、行驶车辆的大小、行驶车辆的速度、行驶车辆的数量等与行驶车辆相关的数据。上述目标路段的行驶车辆数据可以通过设置在目标路段的交通摄像头采集到的图像数据进行确定。具体的,在目标路段中设置有交通摄像头,通过交通摄像头采集目标路段的交通图像,对交通图像进行车辆识别,得到目标路段的行驶车辆数据,将行驶车辆数据存储到服务器中进行复用。
上述道路环境数据可以是目标路段的天气数据、道路湿度数据、道路温度数据、道路扫描数据、道路病害数据等。上述天气数据可以根据目标道路所在天气部门进行获取,上述道路扫描数据可以根据道路扫描车扫描目标道路时得到的数据进行获取,上述道路病害数据可以根据目标路段的道路扫描数据进行获取,也可以通过目标路段的道路巡查人员的记录进行获取。
在得到目标路段的行驶车辆数据和道路环境数据后,筛选出与道路病害因子相关的数据,构建得到一个G=1×k×T的目标影响矩阵,上述目标影响矩阵中,k表示有k个道路病害影响因子,T表示时间维度。在得到目标影响矩阵,将目标影响矩阵输入到时序模型中进行预测,得到目标路段的道路病害预测结果。
上述时序模型可以是基于循环神经网络RNN或长短时记忆网络LSTM的时序模型。在训练时序模型时,可以获取数据集和初始时序模型,上述数据集包括样本影响矩阵以及真实病害标签,上述样本影响矩阵与目标影响矩阵通过相同的处理方法来得到,将样本影响矩阵输入到初始时序模型,得到样本病害预测结果,计算样本病害预测结果与真实病害标签之间的误差损失,以最小误差损失为优化目标,对初始时序模型进行参数调整,迭代上述参数调整过程,直到迭代次数达到预设次数,或初始时序模型在最小化误差损失处收敛,停止训练,得到训练好的时序模型。
在得到训练好的时序模型后,将目标影响矩阵输入到训练好的时序模型中,通过训练好的时序模型输出目标路段的道路病害预测结果。上审判员道路病害预测结果包括道路病害类型以及道路病害发生时间。
需要说明的是,本发明实施例提供的道路病害预测方法可以应用于可以进行道路病害预测方法的智能摄像头、智能手机、电脑、服务器等设备。
可选的,请参见图2,图2是本发明实施例提供的一种道路病害预测装置的结构示意图,如图2所示,所述装置包括:
获取模块201,用于获取各个路段的历史行驶车辆数据以及历史道路环境数据;
确定模块202,用于根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子;
预测模块203,用于根据所述道路病害影响因子,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。
可选的,所述确定模块202,包括:
第一确定子模块,用于根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害的影响数据,所述影响数据包括第一数量个数据维度;
处理子模块,用于对所述影响数据进行降维处理,得到样本降维数据,所述样本降维数据包括第二数量个数据维度,所述第二数量小于所述第一数量;
第二确定子模块,用于基于所述样本降维数据,确定道路病害影响因子。
可选的,所述处理子模块,包括:
第一确定单元,用于根据所述影响数据,确定第一影响矩阵,所述第一影响矩阵包括第一数量个数据维度;
处理单元,用于对所述第一影响矩阵进行降维处理,得到第二影响矩阵;
第二确定单元,用于基于所述第一影响矩阵与所述第二影响矩阵,确定所述样本降维数据。
可选的,所述处理单元,包括:
确定子单元,用于确定所述第一影响矩阵的协方差矩阵;
处理子单元,用于基于所述第一影响矩阵的协方差矩阵,对所述第一影响矩阵进行降维处理,得到第二影响矩阵。
可选的,所述处理子单元还用于计算所述第一影响矩阵的协方差矩阵;计算所述协方差矩阵的特征值以及所述特征值对应的特征向量;根据所述特征值最大的第二数量个所述特征向量得到所述中间矩阵,根据所述第一影响矩阵与所述中间矩阵确定第二影响矩阵。
可选的,所述处理子单元还用于将所述第一影响矩阵与所述中间矩阵进行相乘,得到第二影响矩阵。
可选的,所述预测模块203,包括:
获取子模块,用于获取所述目标路段的行驶车辆数据以及道路环境数据;
第三确定子模块,用于根据所述道路病害影响因子,确定所述目标路段的目标影响矩阵;
预测子模块,用于基于所述目标影响矩阵,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。
需要说明的是,本发明实施例提供的道路病害预测装置可以应用于可以进行道路病害预测方法的智能摄像头、智能手机、电脑、服务器等设备。
本发明实施例提供的道路病害预测装置能够实现上述方法实施例中道路病害预测方法实现的各个过程,且可以达到相同的有益效果。为避免重复,这里不再赘述。
参见图3,图3是本发明实施例提供的一种电子设备的结构示意图,如图3所示,包括:存储器302、处理器301及存储在所述存储器302上并可在所述处理器301上运行的道路病害预测方法的计算机程序,其中:
处理器301用于调用存储器302存储的计算机程序,执行如下步骤:
获取各个路段的历史行驶车辆数据以及历史道路环境数据;
根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子;
根据所述道路病害影响因子,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。
可选的,处理器301执行的所述根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子,包括:
根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害的影响数据,所述影响数据包括第一数量个数据维度;
对所述影响数据进行降维处理,得到样本降维数据,所述样本降维数据包括第二数量个数据维度,所述第二数量小于所述第一数量;
基于所述样本降维数据,确定道路病害影响因子。
可选的,处理器301执行的所述对所述影响数据进行降维处理,得到样本降维数据,所述样本降维数据包括第二数量个数据维度,包括:
根据所述影响数据,确定第一影响矩阵,所述第一影响矩阵包括第一数量个数据维度;
对所述第一影响矩阵进行降维处理,得到第二影响矩阵;
基于所述第一影响矩阵与所述第二影响矩阵,确定所述样本降维数据。
可选的,处理器301执行的所述对所述第一影响矩阵进行降维处理,得到第二影响矩阵,包括:
确定所述第一影响矩阵的协方差矩阵;
基于所述第一影响矩阵的协方差矩阵,对所述第一影响矩阵进行降维处理,得到第二影响矩阵。
可选的,处理器301执行的所述基于所述第一影响矩阵的协方差矩阵,对所述第一影响矩阵进行降维处理,得到第二影响矩阵,包括:
计算所述第一影响矩阵的协方差矩阵;
计算所述协方差矩阵的特征值以及所述特征值对应的特征向量;
根据所述特征值最大的第二数量个所述特征向量得到所述中间矩阵,根据所述第一影响矩阵与所述中间矩阵确定第二影响矩阵。
可选的,处理器301执行的所述根据所述特征值最大的第二数量个所述特征向量得到所述中间矩阵,根据所述第一影响矩阵与所述中间矩阵确定第二影响矩阵,包括:
将所述第一影响矩阵与所述中间矩阵进行相乘,得到第二影响矩阵。
可选的,处理器301执行的所述根据所述道路病害影响因子,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果,包括:
获取所述目标路段的行驶车辆数据以及道路环境数据;
根据所述道路病害影响因子,确定所述目标路段的目标影响矩阵;
基于所述目标影响矩阵,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。
本发明实施例提供的电子设备能够实现上述方法实施例中道路病害预测方法实现的各个过程,且可以达到相同的有益效果。为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现本发明实施例提供的道路病害预测方法的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Nenory,RON)或随机存取存储器(Randon AccessNenory,简称RAN)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种道路病害预测方法,其特征在于,包括以下步骤:
获取各个路段的历史行驶车辆数据以及历史道路环境数据;
根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子;
根据所述道路病害影响因子,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。
2.如权利要求1所述的道路病害预测方法,其特征在于,所述根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子,包括:
根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害的影响数据,所述影响数据包括第一数量个数据维度;
对所述影响数据进行降维处理,得到样本降维数据,所述样本降维数据包括第二数量个数据维度,所述第二数量小于所述第一数量;
基于所述样本降维数据,确定道路病害影响因子。
3.如权利要求2所述的道路病害预测方法,其特征在于,所述对所述影响数据进行降维处理,得到样本降维数据,所述样本降维数据包括第二数量个数据维度,包括:
根据所述影响数据,确定第一影响矩阵,所述第一影响矩阵包括第一数量个数据维度;
对所述第一影响矩阵进行降维处理,得到第二影响矩阵;
基于所述第一影响矩阵与所述第二影响矩阵,确定所述样本降维数据。
4.如权利要求3所述的道路病害预测方法,其特征在于,所述对所述第一影响矩阵进行降维处理,得到第二影响矩阵,包括:
确定所述第一影响矩阵的协方差矩阵;
基于所述第一影响矩阵的协方差矩阵,对所述第一影响矩阵进行降维处理,得到第二影响矩阵。
5.如权利要求4所述的道路病害预测方法,其特征在于,所述基于所述第一影响矩阵的协方差矩阵,对所述第一影响矩阵进行降维处理,得到第二影响矩阵,包括:
计算所述第一影响矩阵的协方差矩阵;
计算所述协方差矩阵的特征值以及所述特征值对应的特征向量;
根据所述特征值最大的第二数量个所述特征向量得到所述中间矩阵,根据所述第一影响矩阵与所述中间矩阵确定第二影响矩阵。
6.如权利要求5所述的道路病害预测方法,其特征在于,所述根据所述特征值最大的第二数量个所述特征向量得到所述中间矩阵,根据所述第一影响矩阵与所述中间矩阵确定第二影响矩阵,包括:
将所述第一影响矩阵与所述中间矩阵进行相乘,得到第二影响矩阵。
7.如权利要求6所述的道路病害预测方法,其特征在于,所述根据所述道路病害影响因子,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果,包括:
获取所述目标路段的行驶车辆数据以及道路环境数据;
根据所述道路病害影响因子,确定所述目标路段的目标影响矩阵;
基于所述目标影响矩阵,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。
8.一种道路病害预测装置,其特征在于,所述装置包括:
获取模块,用于获取各个路段的历史行驶车辆数据以及历史道路环境数据;
确定模块,用于根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子;
预测模块,用于根据所述道路病害影响因子,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的道路病害预测方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的道路病害预测方法中的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211739057.4A CN116432095A (zh) | 2022-12-31 | 2022-12-31 | 道路病害预测方法、装置、电子设备及存储介质 |
PCT/CN2023/114730 WO2024139287A1 (zh) | 2022-12-31 | 2023-08-24 | 道路病害预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211739057.4A CN116432095A (zh) | 2022-12-31 | 2022-12-31 | 道路病害预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116432095A true CN116432095A (zh) | 2023-07-14 |
Family
ID=87086128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211739057.4A Pending CN116432095A (zh) | 2022-12-31 | 2022-12-31 | 道路病害预测方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116432095A (zh) |
WO (1) | WO2024139287A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233752A (zh) * | 2023-11-08 | 2023-12-15 | 江苏筑升土木工程科技有限公司 | 基于雷达无损检测的道路地下病害体含水率计算分析方法 |
WO2024139287A1 (zh) * | 2022-12-31 | 2024-07-04 | 深圳云天励飞技术股份有限公司 | 道路病害预测方法、装置、电子设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10909470B2 (en) * | 2017-02-22 | 2021-02-02 | Here Global B.V. | Method and apparatus for providing semantic-free traffic prediction |
CN109993223B (zh) * | 2019-03-26 | 2023-05-16 | 南京道润交通科技有限公司 | 路面使用性能预测方法、存储介质、电子设备 |
CN110929387A (zh) * | 2019-11-05 | 2020-03-27 | 长安大学 | 一种低温路面的裂缝预测方法 |
CN115384516A (zh) * | 2022-09-06 | 2022-11-25 | 平安国际融资租赁有限公司 | 运输车的轮胎磨损里程计算方法、装置及设备 |
CN116432095A (zh) * | 2022-12-31 | 2023-07-14 | 深圳云天励飞技术股份有限公司 | 道路病害预测方法、装置、电子设备及存储介质 |
-
2022
- 2022-12-31 CN CN202211739057.4A patent/CN116432095A/zh active Pending
-
2023
- 2023-08-24 WO PCT/CN2023/114730 patent/WO2024139287A1/zh unknown
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024139287A1 (zh) * | 2022-12-31 | 2024-07-04 | 深圳云天励飞技术股份有限公司 | 道路病害预测方法、装置、电子设备及存储介质 |
CN117233752A (zh) * | 2023-11-08 | 2023-12-15 | 江苏筑升土木工程科技有限公司 | 基于雷达无损检测的道路地下病害体含水率计算分析方法 |
CN117233752B (zh) * | 2023-11-08 | 2024-01-30 | 江苏筑升土木工程科技有限公司 | 基于雷达无损检测的道路地下病害体含水率计算分析方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2024139287A1 (zh) | 2024-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116432095A (zh) | 道路病害预测方法、装置、电子设备及存储介质 | |
CN112800911B (zh) | 一种路面损伤快速检测及自然数据集构建方法 | |
CN111666995B (zh) | 基于深度学习模型的车辆定损方法、装置、设备及介质 | |
Hadjidemetriou et al. | Automated detection of pavement patches utilizing support vector machine classification | |
Ni et al. | A generative adversarial learning strategy for enhanced lightweight crack delineation networks | |
CN111143932A (zh) | 一种桥梁健康状态的评估方法、装置、***和设备 | |
CN113962960A (zh) | 基于深度学习的路面病害检测方法 | |
CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN111127465A (zh) | 一种桥梁检测报告自动生成方法及*** | |
CN113269042A (zh) | 基于行驶车辆违章识别的智能交通管理方法及*** | |
Oliveira et al. | Identifying and retrieving distress images from road pavement surveys | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
Ha et al. | Assessing severity of road cracks using deep learning-based segmentation and detection | |
Katsamenis et al. | A few-shot attention recurrent residual U-Net for crack segmentation | |
CN114283383A (zh) | 一种智慧城市公路养护方法、计算机设备及介质 | |
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 | |
CN116740495A (zh) | 路桥隧道的病害检测模型的训练方法和病害检测方法 | |
CN114550460B (zh) | 轨道交通异常检测方法、装置及存储介质 | |
CN115239689A (zh) | 一种路面信息的检测、计算方法、检测***、设备及计算机可读存储介质 | |
Zihan et al. | Synthesizing the performance of deep learning in vision-based pavement distress detection | |
CN115294774A (zh) | 基于深度学习的非机动车道路违停检测方法及装置 | |
CN114219073A (zh) | 属性信息的确定方法、装置、存储介质及电子装置 | |
Ferrer-Espinoza et al. | Evaluation of the use of Cascade Detection algorithms based on Machine Learning for Crack Detection in asphalt Pavements | |
Ramachandraiah et al. | Evaluation of Pavement Surface Distress Using Image Processing and Artificial Neural Network | |
CN113191398A (zh) | 一种基于改进Faster R-CNN的路面破损识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |