System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及数据预测,具体涉及一种道路施工进度智能监测及预警方法。
技术介绍
1、道路施工进度监测预警是指对道路施工过程中的施工进度进行实时监测,并根据监测得到的各个时间段的施工进度情况进行预测,并根据预测得到的施工进度进行预警判断,以确保施工进度合理推进,提高施工工程的效率。现有技术通常通过自回归积分滑动平均(autoregressive integrated moving average,arima)模型结合各个时间段的整体施工进度进行施工进度预测,得到道路施工预测进度;并根据道路施工预测进度进行监测预警。
2、但是道路施工进度受到恶劣天气环境的影响较大,例如,高温会导致沥青混合物中的挥发物质蒸发,影响沥青的粘附性和稳定性;雨水可能会冲刷沥青混合料、影响施工过程的平整度,降低铺设质量等,均会影响施工进度,在不考虑恶劣天气环境影响直接通过arima模型进行施工进度预测时,不同采样时间段的施工进度变化值在arima模型中的初始自回归参数也即权重相同,不符合客观实际情况,从而导致预测得到的道路施工预测进度可能会由于天气环境的影响导致存在一定的偏差,也即现有技术直接通过arima模型进行施工进度预测的预测精度不同,导致根据预测得到的存在偏差的道路施工预测进度进行道路施工进度监测预警的效果较差。
技术实现思路
1、为了解决现有技术直接通过arima模型进行施工进度预测的预测精度不同,导致根据预测得到的存在偏差的道路施工预测进度进行道路施工进度监测预警的效果较差的技术问题,本
2、本专利技术提出了一种道路施工进度智能监测及预警方法,所述方法包括:
3、在监测施工道路上,获取每个采样时间段的施工进度变化值,以及每个采样时间段下的每个施工路段上时序温度数据曲线和时序湿度数据曲线;
4、在每个采样时间段中,根据每个施工路段对应的时序温度数据曲线与时序湿度数据曲线之间的波动变化相似情况以及关联情况,得到每个施工路段的异常波动特征程度;根据所有施工路段的异常波动特征程度及其整体波动情况,得到每个采样时间段下监测施工道路的环境异常特征程度;
5、根据所述环境异常特征程度对自回归积分滑动平均模型中的自相关系数进行改进,得到改进自回归积分滑动平均模型;根据各个采样时间段的施工进度变化值通过所述改进自回归积分滑动平均模型中进行施工进度预测,得到道路施工预测进度;根据道路施工预测进度进行道路施工进度监测预警。
6、进一步地,所述异常波动特征程度的获取方法包括:
7、在每个采样时间段中,根据每个施工路段对应的时序温度数据曲线的波动变化情况,得到每个施工路段在每个采样时间段中的温度异常波动程度;根据每个施工路段对应的时序湿度数据曲线的波动变化情况,得到每个施工路段在每个采样时间段中的湿度异常波动程度;
8、将所述温度异常波动程度与所述湿度异常波动程度之间的差异的负相关映射值,作为每个施工路段在每个采样时间段中的温湿度波动相似性;将每个施工路段在每个采样时间段中的时序温度数据曲线与时序湿度数据曲线之间的皮尔逊相关系数的正相关映射值,作为每个施工路段在每个采样时间段中的温湿度变化关联性;
9、将所述温湿度波动相似性与所述温湿度变化关联性的乘积,作为每个施工路段在每个采样时间段中的温湿度波动变化可信度;
10、将所述温度异常波动程度与所述湿度异常波动程度之间的均值与所述温湿度波动变化可信度的乘积,作为每个施工路段在每个采样时间段中的异常波动特征程度。
11、进一步地,所述环境异常特征程度的获取方法包括:
12、在每个采样时间段下,将所有施工路段的异常波动特征程度的均值的归一化值与所有施工路段的异常波动特征程度的方差的负相关映射值之间的乘积,作为每个采样时间段下监测施工道路的环境异常特征程度。
13、进一步地,所述改进自回归积分滑动平均模型的获取方法包括:
14、在时间顺序上,将每个采样时间段的施工进度变化值作为数据点通过自回归积分滑动平均模型进行数据预测的过程中,获取每个采样时间段对应的初始自回归参数;将所述自回归参数与对应的环境异常特征程度的乘积,作为每个采样时间段对应的改进自回归参数;将所述改进自回归参数替换自回归积分滑动平均模型中每个采样时间段的初始自回归参数,得到改进自回归积分滑动平均模型。
15、进一步地,所述根据道路施工预测进度进行道路施工进度监测预警的方法包括:
16、当道路施工预测进度小于预设预警阈值时,进行道路施工进度预警。
17、进一步地,所述温度异常波动程度的获取方法包括:
18、依次将每个采样时间段中每个施工路段对应的时序温度数据曲线和时序湿度数据曲线,作为时序目标数据曲线;获取时序目标数据曲线在每个时刻对应的数据值;
19、将时序目标数据曲线上峰值点对应的时刻,作为峰值时刻;将时序目标曲线上拐点对应的时刻,作为拐点时刻;在时间顺序上,将每个峰值时刻与其时间间隔最小的拐点时刻,作为每个峰值时刻的第一参考时刻;将每个峰值时刻与其时间间隔第二小的拐点时刻,作为每个峰值时刻的第二参考时刻;
20、将每个峰值时刻的数据值与对应的第一参考时刻的数据值之间的差异,作为每个峰值时刻的第一参考跨度值;将每个峰值时刻对应的数据值与对应的第二参考时刻的数据值之间的差异,作为每个峰值时刻的第二参考跨度值;将每个峰值时刻对应的第一参考跨度值和第二参考跨度值中的最大值,作为每个峰值时刻的跨度数据值;
21、根据每个峰值时刻与对应的第一参考时刻之间的所有时刻的切线斜率,与每个峰值时刻与对应的第二参考时刻之间的所有时刻的切线斜率之间的整体差异分布情况,得到每个峰值时刻的斜率变化程度;
22、根据时序目标数据曲线上所有峰值时刻的跨度数据值和斜率变化程度的整体分布情况,得到时序目标数据曲线的曲线波动程度;
23、根据时序目标曲线上峰值时刻之间的时间间隔分布离散情况,得到时序目标数据曲线的时序离散程度;
24、将所述曲线波动程度与所述时序离散程度的乘积,作为时序目标数据曲线的数据值异常波动程度;
25、改变时序目标数据曲线,得到所述时序温度数据曲线的数据值异常波动程度;将所述时序温度数据曲线的数据值异常波动程度,作为每个施工路段在每个采样时间段中的温度异常波动程度。
26、进一步地,所述湿度异常波动程度的获取方法包括:
27、改变时序目标数据曲线,得到所述时序湿度数据曲线的数据值异常波动程度;将所述时序湿度数据曲线的数据值异常波动程度,作为每个施工路段在每个采样时间段中的湿度异常波动程度。
28、进一步地,所述斜率变化程度的获取方法包括:
29、将每个峰值时刻与对应的第一参考时刻之间的所有时刻,作为第一中间时刻;将每个峰值时刻与对应的第二参考时本文档来自技高网...
【技术保护点】
1.一种道路施工进度智能监测及预警方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种道路施工进度智能监测及预警方法,其特征在于,所述异常波动特征程度的获取方法包括:
3.根据权利要求1所述的一种道路施工进度智能监测及预警方法,其特征在于,所述环境异常特征程度的获取方法包括:
4.根据权利要求1所述的一种道路施工进度智能监测及预警方法,其特征在于,所述改进自回归积分滑动平均模型的获取方法包括:
5.根据权利要求1所述的一种道路施工进度智能监测及预警方法,其特征在于,所述根据道路施工预测进度进行道路施工进度监测预警的方法包括:
6.根据权利要求2所述的一种道路施工进度智能监测及预警方法,其特征在于,所述温度异常波动程度的获取方法包括:
7.根据权利要求6所述的一种道路施工进度智能监测及预警方法,其特征在于,所述湿度异常波动程度的获取方法包括:
8.根据权利要求6所述的一种道路施工进度智能监测及预警方法,其特征在于,所述斜率变化程度的获取方法包括:
9.根据权利要求6所述的一种道
10.根据权利要求6所述的一种道路施工进度智能监测及预警方法,其特征在于,所述时序离散程度的获取方法包括:
...【技术特征摘要】
1.一种道路施工进度智能监测及预警方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种道路施工进度智能监测及预警方法,其特征在于,所述异常波动特征程度的获取方法包括:
3.根据权利要求1所述的一种道路施工进度智能监测及预警方法,其特征在于,所述环境异常特征程度的获取方法包括:
4.根据权利要求1所述的一种道路施工进度智能监测及预警方法,其特征在于,所述改进自回归积分滑动平均模型的获取方法包括:
5.根据权利要求1所述的一种道路施工进度智能监测及预警方法,其特征在于,所述根据道路施工预测进度进行道路施工进度监测预警的方法包括:
6...
【专利技术属性】
技术研发人员:刘士剑,赵付力,张庆战,张凯,马丽娜,袁海莉,井瑞华,裴红梅,
申请(专利权)人:深圳市南粤建工有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。