基于道路基础设施领域知识的检测智能指引方法与流程

1.本发明涉及道路基础设施检测和养护技术领域，具体涉及一种基于道路基础设施领域知识的检测智能指引方法。


背景技术：

2.当前，道路基础设施(桥梁、隧道、边坡、涵洞)领域现有的历史定检数据规模庞大，而且定检数据逐年增多，随着“互联网+”、云计算、大数据等现代信息技术的迅速发展及其在公路交通检测领域的大规模融合应用，国家对道路定检采集、决策等内容提出了明确的要求：2019年12月月，交通部印发了《推进综合交通运输大数据发展行动纲要(2020年—2025年)》，明确要求构建综合性大数据分析技术模型，研究建立具有较强应用价值的综合性、全局性大数据分析模型，形成一系列易理解、有结论、实用性和权威性较强的大数据分析成果，有效支撑综合交通运输决策管理与服务。
3.目前，国内外相关学者对桥梁、隧道、边坡、涵洞等领域中相应病害形式、成因、处治方法等方面，已经形成了一定的用于指导道路基础设施检测与养护的研究总结。但现阶段的研究都是基于行业技术人员的检测现场经验进行的，难以适应如今高速发展的大数据时代的信息化发展需求，而且没有充分利用现有大数据资源为智能化的道路检测和养护服务。


技术实现要素：

4.针对现有技术存在的不足，本发明提出一种基于道路基础设施领域知识的检测智能指引方法。能够评估道路基础设施各个子部件对应的每种病害种类的发生概率，通过各种病害的发生概率指引工作人员对道路基础进行检测和养护。具体技术方案如下：
5.第一方面，提供了一种基于道路基础设施领域知识的检测智能指引方法，包括：
6.获取道路基础设施对应的病害历史定检数据和病害知识图谱数据；
7.对获取到的病害历史定检数据和病害知识图谱数据进行采样，通过采样得到的样本数据构建训练集；
8.通过构建好的所述训练集对水波模型进行训练；
9.获取目标设施各个子部件对应的病害种类；
10.基于训练好的水波模型，根据所述目标设施各个子部件对应的病害种类计算目标设施对应的每种病害的发生概率。
11.结合第一方面，在第一方面的第一种可实现方式中，所述对获取到的病害历史定检数据和病害知识图谱数据进行采样，包括：
12.对获取到的病害历史定检数据和病害知识图谱数据进行预处理；
13.以子部件发生过的病害作为正样本，以子部件没有发生过的病害作为负样本，在知识图谱中以子部件发生过的病害为头实体，以全部发生过该病害的子部件为尾实体，以子部件和病害中间的关联为关系，对预处理后的病害历史定检数据进行正负样本采样和病
害知识图谱数据进行三元组采样；
14.根据正负样本采样与三元组采样得到的数据样本构建样本集；
15.随机从构建好的样本集中抽取出样本数据构建所述训练集。
16.结合第一方面的第一种可实现方式，在第一方面的第二种可实现方式中，所述对获取到的病害历史定检数据和病害知识图谱数据进行预处理，包括：
17.删除所述病害历史定检数据和所述病害知识图谱数据的数据首尾的空格和无关字符；
18.删除所述病害历史定检数据和所述病害知识图谱数据中的重复数据和缺失数据。
19.结合第一方面，在第一方面的第三种可实现方式中，采用以下损失函数衡量所述水波模型：
[0020][0021][0022]
其中，u、v分别为子部件和病害，y为子部件与病害的交互矩阵，y
uv
为交互矩阵中子部件真实发生的病害的标签值，为sigmoid函数，σ(u
t
v)为通过水波模型计算得到的发生概率，v、e分别为所有子部件和病害的嵌入矩阵，r为子部件与病害关系的嵌入矩阵，ir为子部件与病害关系在知识图谱中的张量i的切片，λ1、λ2分别为正则化项损失权重和知识图谱的损失权重。
[0023]
结合第一方面，在第一方面的第四种可实现方式中，所述获取目标设施各个子部件对应的病害种类包括：
[0024]
获取目标设施的特征数据；
[0025]
将所述目标设施的特征数据与基础数据库中所有同类基础设施的特征数据进行匹配，确定匹配度最高的同类基础设施；
[0026]
根据所述匹配度最高的同类基础设施各个子部件对应的病害种类，确定所述目标设施各个子部件对应的病害种类。
[0027]
结合第一方面的第四种可实现方式中，在第一方面的第五种可实现方式中，所述确定匹配度最高的同类基础设施，包括：
[0028]
根据相应的特征数据计算所述目标设施与不同同类基础设施之间的杰卡德相似系数；
[0029]
将目标设施与不同同类基础设施之间的杰卡德相似系数进行比较，其中杰卡德相似系数最大的同类基础设施为匹配度最高的同类基础设施。
[0030]
结合第一方面，在第一方面的第六种可实现方式中，还包括：
[0031]
定期获取道路基础设施的病害定检数据；
[0032]
根据获取到的病害定检数据对所述历史定检数据进行更新；
[0033]
基于更新后的历史定检数据和病害知识图谱数据对水波模型重新进行训练；
[0034]
将训练好的水波模型替换原水波模型。
[0035]
结合第一方面，在第一方面的第七种可实现方式中，还包括：根据所述发生概率对
所有病害种类按照从大到小的顺序进行排序得到的病害概率序列。
[0036]
第二方面，提供了一种存储介质，存储有计算机程序，其特征在于，所述计算机程序执行时，实现如第一方面、第一方面的第一至六中可实现方式中的任意一种所述的基于道路基础设施领域知识的检测智能指引方法。
[0037]
有益效果：采用本发明的基于道路基础设施领域知识的检测智能指引方法，可以利用道路基础设施的大量历史定检数据和知识图谱数据，对水波算法模型进行训练，再利用训练好的水波算法模型计算目标设施各个子部件可能存在的各种病害的发生概率，以此就可以充分利用现有大数据资源来指引工作人员对道路基础进行检测和养护。
附图说明
[0038]
为了更清楚地说明本发明具体实施方式，下面将对具体实施方式中所需要使用的附图作简单地介绍。在所有附图中，各元件或部分并不一定按照实际的比例绘制。
[0039]
图1为本发明一实施例提供的基于道路基础设施领域知识的检测智能指引方法的流程图；
[0040]
图2为本发明一实施例提供的构建训练集的流程图；
[0041]
图3为本发明一实施例提供的确定目标设施可能发生的病害种类的流程图；
[0042]
图4为本发明一实施例提供的水波模型更新流程图；
[0043]
图5为本发明一实施例提供的水波模型的计算流程图。
具体实施方式
[0044]
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
[0045]
应理解，在本技术中，“病害历史定检数据”是指桥梁、隧道、边坡或涵洞等的过往历史定检数据，该历史定检数据包括桥梁、隧道、边坡或涵洞等设施曾发生过的病害。例如：通道桥梁左幅的子部件铰缝，该铰缝历史发生过病害剥落、掉角和渗水泛碱。
[0046]
还应理解，在本技术中，“病害知识图谱数据”是指桥梁、隧道、边坡或涵洞等对应的组成子部件以及子部件对应的历史定检数据。例如：大桥右幅含有子部件t梁、横隔板、湿接缝、盖梁、墩身、墩台基础、排水孔等。该子部件t梁历史发生病害混凝土压碎和连续梁桥、连续刚构桥、悬臂梁桥和t型刚构裂缝。
[0047]
如图1所示的基于道路基础设施领域知识的检测智能指引方法的流程图，该评估方法包括：
[0048]
步骤1、获取道路基础设施对应的病害历史定检数据和病害知识图谱数据；
[0049]
步骤2、对获取到的病害历史定检数据和病害知识图谱数据进行采样，通过采样得到的样本数据构建训练集；
[0050]
步骤3、通过构建好的所述训练集对水波模型进行训练；
[0051]
步骤4、获取目标设施各个子部件对应的病害种类；
[0052]
步骤5、基于训练好的水波模型，根据所述目标设施各个子部件对应的病害种类计算目标设施对应的每种病害的发生概率。
[0053]
具体而言，首先，可以从目前已有的数据库中获取到大量道路基础设施对应的病害历史定检数据和病害知识图谱数据。然后，从获取到的所有病害历史定检数据和病害知识图谱数据随机选取出部分数据作为样本数据构建起训练集。之后，就可以利用训练集中的样本数据对水波模型进行迭代训练，直至训练结果满足需求，再获取目标设施各个子部件可能存在的病害种类，最后，利用训练好的水波模型计算每种病害的发生概率。通过每种病害的发生概率可以指引工作人员对目标设施的相应的子部件进行检测和维护。
[0054]
下文将结合图2对所述步骤2进行详细说明。
[0055]
在本实施例中，可选的，所述对获取到的病害历史定检数据和病害知识图谱数据进行采样，包括：
[0056]
步骤2-1、对获取到的病害历史定检数据和病害知识图谱数据进行预处理；
[0057]
步骤2-2、以子部件发生过的病害作为正样本，以子部件没有发生过的病害作为负样本，在知识图谱中以子部件发生过的病害为头实体，以全部发生过该病害的子部件为尾实体，以子部件和病害中间的关联为关系，对预处理后的病害历史定检数据进行正负样本采样和病害知识图谱数据进行三元组采样；
[0058]
步骤2-3、根据正负样本采样与三元组采样得到的数据样本构建样本集；
[0059]
步骤2-4、随机从构建好的样本集中抽取出样本数据构建所述训练集。
[0060]
具体而言，在进行采样前，可以对获取到的数据进行预处理，包括：删除所述病害历史定检数据和所述病害知识图谱数据的数据首尾的空格和无关字符。删除所述病害历史定检数据和所述病害知识图谱数据中的重复数据和缺失数据。比如，有特征但没有子部件的历史定检数据，有子部件但没有历史定检数据等无价值数据。
[0061]
在对预处理后的历史定检数据进行采样时，可以以子部件发生过的病害作为正样本，以子部件没有发生过的病害作为负样本进行正负样本采样。同时，可以以子部件发生过的病害为头实体，以全部发生过该病害的子部件为尾实体，以子部件和病害中间的关联为关系，对预处理后的知识图谱数据进行三元组采样。之后，即可将采样得到的历史定检数据和三元组数据构建起样本集，再随机从构建好的样本集中提取出部分样本作为训练集的样本数据，构建起训练集对水波模型进行训练。
[0062]
在本实施例中，水波模型如下所示：
[0063][0064][0065][0066]
其中，u表示基础设施所有的子部件，表示子部件u发生病害v的概率，t表示曾经发生过病害的子部件，ti为按随机张量分解将历史定检数据中子部件进行张量分解成的嵌入矩阵，v表示所有子部件可能存在的病害种类，为现有的道路基础设施检测规范中给定的道路基础设施所有子部件可能存在的病害种类。h表示子部件曾经发生过的病害种类，可以通过道路基础设施的历史定检数据确定。ri表示按随机张量分解将历史定检数据中的病害与子部件的关系进行张量分解成的嵌入矩阵。
[0067]
在训练过程中，可以随机从训练集中抽取出样本数据，将抽取出的样本数据中子
部件曾经发生过的病害种类输入水波模型中，通过水波模型计算得到病害种类的发生概率，再根据计算结果采用损失函数衡量进行衡量，如此迭代重复，直至满足需求即可得到训练好的水波模型。所述损失函数具体如下：
[0068][0069]
其中，y为子部件与病害的交互矩阵，y
uv
为交互矩阵中子部件真实发生的病害的标签值，为sigmoid函数，σ(u
t
v)为通过水波模型计算得到的发生概率，v、e分别为所有子部件和病害的嵌入矩阵，r为子部件与病害的关系嵌入矩阵，ir为子部件与病害关系在知识图谱中的张量i的切片，λ1、λ2分别为正则化项损失权重和知识图谱的损失权重。
[0070]
其中，通过∑
(u，v)∈y-(y
uv
logσ(u
t
v)+(1-y
uv
)log(1-σ(u
t
v)))能够调整预测数据分布与真实数据分布之间的距离，通过能够调整张量分解参数与结果，能够防止过拟合，整个损失函数能够减小预测数据分布与真实数据分布之间的距离，更新张量分解参数与结果并且防止过拟合，从而使得结果更加趋向于准确。
[0071]
下文将结合图3对步骤4进行详细说明。
[0072]
在步骤4中，所述获取目标设施各个子部件对应的病害种类包括：
[0073]
步骤4-1、获取目标设施的特征数据；
[0074]
步骤4-2、将所述目标设施的特征数据与基础数据库中所有同类基础设施的特征数据进行匹配，确定匹配度最高的同类基础设施；
[0075]
步骤4-3、根据所述匹配度最高的同类基础设施各个子部件对应的病害种类，确定所述目标设施各个子部件对应的病害种类。
[0076]
具体而言，由于在实际应用过程中目标设施可能是没有定检数据的新设施，在对此类目标设施进行病害评估的过程中会存在冷启动问题，导致无法进行评估。为此，可以寻找相似的道路基础设施作为近似替代。具体步骤如下：
[0077]
首先，可以获取目标设施的特征数据，特征数据可以包括目标设施的结构形式、结构材料、功能类型、所在位置的气候、设计载荷、运营年限等描述目标设施的必要数据。
[0078]
然后，可以根据目标设施的特征数据，遍历基础数据库中所有同类的基础设施的特征数据，从中找出与目标设施的特征数据匹配度最高的基础设施。
[0079]
最后，就可以以找出的基础设施的定检数据确定目标设施各个子部件有可能发生的病害种类。
[0080]
在本实施例中，可选的，所述确定匹配度最高的同类基础设施，包括：
[0081]
根据相应的特征数据计算所述目标设施与不同同类基础设施之间的杰卡德相似系数；
[0082]
将目标设施与不同同类基础设施之间的杰卡德相似系数进行比较，其中杰卡德相似系数最大的同类基础设施为匹配度最高的同类基础设施。
[0083]
具体而言，在本实施例中，可以根据目标设施的特征数据和基础设施的特征数据，利用杰卡德相似系数公式计算目标设施与基础数据库中的每一个基础设施之间的杰卡德相似系数，从而得到系数集合。再从得到的系数几何中筛选出相似度最大的基础设施作为匹配度最高的同类基础设施。杰卡德相似系数的具体计算式如下：
[0084][0085]
其中，n(u)表示目标设施的特征数据，n(v)表示基础设施的特征数据。
[0086]
目标设施的特征数据包括的维度数量直接关系到寻找相似基础设施的准确程度。因此，在获取目标设施的特征数据时，可以多获取写不同维度的特征数据，以充分刻画目标设施，从而寻找出来的最佳的替代基础设施。
[0087]
在本实施例中，可选的，还包括对训练好的水波模型进行更新的步骤，下文将结合图5对水波模型的更新步骤进行详细说明。
[0088]
在本实施例中，水波模型的更新步骤包括：
[0089]
步骤5-1、定期获取道路基础设施的病害定检数据；
[0090]
步骤5-2、根据获取到的病害定检数据对所述历史定检数据进行更新；
[0091]
步骤5-3、基于更新后的历史定检数据和病害知识图谱数据对水波模型重新进行训练；
[0092]
步骤5-4、将训练好的水波模型替换原水波模型。
[0093]
具体而言，在道路基础设施检测领域，会经常对道路基础设施进行定期检查。从道路基础设施检测养护规范等本领域公知常识中可知，道路基础设施的子部件可能发生的所有病害种类在规范中已明确。
[0094]
如果道路基础设施的某个子部件的最新定检数据中存在以往历史定检数据中没有出现过，但在规范中存在病害。对于已经训练好的水波模型是无法通过最新定检数据评估病害的。
[0095]
为此，可以定期将获取到的新定检数据与以往历史定检数据合并，再用合并后的历史定检数据对水波模型进行训练，从而获得新的水波模型对原有的水波模型进行更新。通过不断的迭代学习新的定检数据，将训练好的新水波模型替换原有水波模型，可以使水波模型具有全面性、代表性、可更新性、可迭代性的性质。
[0096]
在本实施例中，可选的，还包括：根据所述发生概率对所有病害种类按照从大到小的顺序进行排序得到的病害概率序列，可以通过病害概率序列来指引工作人员对目标设施进行检测和养护。
[0097]
一种存储介质，存储有计算机程序，所述计算机程序执行时，实现上述的基于道路基础设施领域知识的检测智能指引方法。
[0098]
为验证上述评估方法的技术效果，分别采用本实施例的评估方法，以及同类型的同类型算法dkn(依次训练学习)与cke(联合训练学习)对某桥梁的病害发生概率进行评估，将得到的评估结果进行分析，得到的分析结果如下表所示：
[0099]
表1算法模型指标表(auc、acc)
[0100]
算法模型aucacc指引算法训练1次0.780.76
指引算法训练5次0.880.84指引算法训练10次0.900.85cke0.790.73dkn0.650.59
[0101]
从表1可知，本发明使用的评估方法中算法评价指标auc(正确数占总数目的个数)与acc(准确率)值在算法训练5次之后趋于平稳，均可以达到0.8以上，而且相比同类型算法dkn(依次训练学习)与cke(联合训练学习)算法比较，本发明得指引算法表现更为优秀。
[0102]
为了进一步验证本发明的评估方法，在数据库中进行了5次选择，每次任意选择10座桥梁作为目标设施，通过本发明的评估方法排序得出结果的平均map(平均精度均值)值与ndcg(归一化的折损累计增益)值如下表所示。
[0103]
表2算法模型指标表(map、ndcg)
[0104][0105][0106]
通过表2可以看到通过本实施例的评估方法得出的结果平均map均可以达到0.4左右，ndcg均可以达到0.7以上。与同类型算法trsl(基于排序学习的软件众包任务推荐算法)、mprank(基于图的推荐算法)进行比较，本发明的评估方法得到得结果更为优秀。
[0107]
为验证模型更新的技术效果，由于暂时无法获得新的病害定检数据，所以将现有的定检数据进行随机切分，假设数据集中3/4数据为历史定检数据，剩下1/4数据为新的病害定检数据，并设定水波模型的训练次数为5次进行训练，根据训练好的新水波模型进行评估。并对评估结果进行分析，得到的分析结果如下表所示。以此可以看出更新后的水波模型仍然能够保持原有的auc、acc指标，并且略微提高。
[0108]
算法模型aucacc采用3/4数据0.850.80采用全部数据0.880.84
[0109]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。