[发明专利]基于神经网络的高速公路养护大数据分类决策方法

说明书

本发明公开了一种基于神经网络的高速公路养护大数据分类决策方法，包括：研究分析了高速公路养护系统中的大数据分析技术；基于机器学习高速公路养护数据处理方法，采用NLP词袋模型对高速公路中文本类的数据进行规格化处理，通过对文本类数据进行词频统计之后得到词频特征，将其词袋化之后转化成数值形式，采用自编码器模型对数据进行降维处理；采用人工标签将养护建议分为三类，构建了用于高速公路养护大数据分类决策的梯度提升决策树分类模型，将对分类决策的影响因素从传统仅考虑路面使用性能增加到同时考虑路面使用性能、车道数两种基础数据以及历史养护数据。本发明对路面养护数据进行处理和分类决策，对高速公路养护决策系统提供技术支持。

技术领域

本发明专利涉及智能交通，智慧高速研究领域，具体涉及一种基于神经网络的高速公路养护大数据分类决策方法。

背景技术

在逐年累月的积累下，高速公路的数据越来越多，技术的更新使养护工作者能检测到更多不同类型的数据，对养护决策提出了新的课题和挑战，传统仅依靠人力进行数据管理及决策的方式出现检测异常的频率增加，且效率不高，养护工作者常常不能及时了解路面性能的异常情况从而分析原因，已逐渐无法满足日常工作及管理的要求。同时，传统的高速公路路面养护通常只考虑路面性能指标的影响，对交通量数据、历史养护数据的挖掘及应用远远不够，具有一定的片面性，这就导致养护规划与养护实际需求不相符。因此，本文使用数据挖掘技术来代替传统的人工统计技术，提出一种基于神经网络的高速公路养护大数据分类决策方法。

发明内容

发明目的：为了克服高速公路养护工作数据处理和决策技术中存在的不足，提供一种高速公路养护大数据分类决策方法，其利用NLP词袋模型和自编码器模型有效将不统一的多类型数据进行规格化、降维后处理成适合决策的数据，在加入不同影响因素后利用梯度提升决策树模型进行养护建议的分类决策。

技术方案：为实现上述目的，本发明提供一种基于神经网络的高速公路养护大数据分类决策方法，包括如下步骤：

S1：基于高速公路养护系统的大数据采集，采用基于NLP词袋模型对数据的规格化处理，运用无监督机器学习算法将原始数据集中的文本类数据转化为数值型数据；

S2：基于自编码器模型对数据的降维处理，使用反向传播算法来训练网络使输出等于输入，训练完后的中间结果即为降维结果；

S3：采用人工标签将养护建议分为三类，构建了用于高速公路养护大数据分类决策的梯度提升决策树分类模型，并使用混淆矩阵对模型分类的具体结果进行评价。

进一步的，所述步骤S1中采用基于NLP词袋模型对数据的规格化处理为：

将高速公路养护大数据原始数据集根据不同道路不同年份通过Excel整理成表格，如表1所示，包括三个方面：路面基础信息、历史养护数据、路面使用性能指数；基础数据主要包括起终点桩号、上下行、车道数、建成年份；历史养护数据包括养护次数、主要病害、治理措施；路面使用性能指数包括路面破损指数PCI、车辙深度指数RDI、平整度指数RQI。

其中，文本类数据主要出现在上下行的区分、车道的选择以及主要病害和治理措施，对这些数据集中不同内容出现的次数进行计数，通过对数据集进行分词处理创建词汇表，根据每个词语出现的频数得到词频特征，并将其转化为词频矩阵，从而将原始数据集中的文本类数据转化为数值型数据。

表1高速公路养护大数据原始数据集(部分)