[发明专利]一种高速公路技术指标云模型间相似度评判方法

摘要

本发明涉及一种高速公路技术指标云模型间相似度评判方法，包括基于云模型的专家评价云生成阶段、基于云模型的标准评价云生成阶段和两种云间相似度计算阶段。与传统的相似度评判方法相比，本发明提出的方法改善了传统基于向量的相似度比较方法中必须严格匹配对象属性的不足，优化了算法，提高了计算的精准度。同时，减少了传统上选取云滴、对云滴的排序以及云滴的组合所消耗的时间，提高了云模型间的相似性计算效率。

主权项

一种高速公路技术指标云模型间相似度评判方法，其特征在于，包括以下步骤：步骤1，基于云模型将专家评分集合X_n转换成专家评价云EC，其转换过程包括以下步骤：步骤1.1，根据n位专家对高速公路中某一指标给出的评分结果构成专家评分集合X_n＝{x₁,x₂,...x_i,...,x_n}；其中，x₁为第1位专家的评分结果，x₂为第2位专家的评分结果，x_i为第i位专家的评分结果，x_n为第n位专家的评分结果，n的取值范围为[5,50]；步骤1.2，计算专家评分集合X_n的数字特征，分别为期望E_x，熵E_n和超熵H_e，其计算方法分别如式(1)、(2)、(3)所示：$E_x=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\left(x_i\right)---\left(1\right)$$E_n=\sqrt{\frac{\mathrm{\π}}{2}}\×\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}|x_i-E_x|---\left(2\right)$$H_e=\sqrt{s_k^2-E_n^2}---\left(3\right)$其中，步骤1.3，以E_n为期望，为方差随机生成一个正态分布数N_i，产生方法如式(4)所示：$N_i=Norm(E_n,H_e^2)---\left(4\right)$步骤1.4，以E_x为期望，为方差生成一个正态分布数s_i，产生方法如式(5)所示：$s_i=Norm(E_x,N_i^2)---\left(5\right)$步骤1.5，根据专家评分集合的数字特征，计算隶属度u_i，计算方法如式(6)所示：$u_i=e^{-\frac{{(s_i-E_x)}^2}{2N_i^2}}---\left(6\right)$步骤1.6，当i＝1时，由步骤1.3‑步骤1.5生成专家评价云EC的第一个云滴，记为：(s₁,u₁)；步骤1.7，重复步骤1.3‑步骤1.5，直至产生K个云滴，生成专家评价云EC，记为：EC＝{(s₁,u₁),(s₂,u₂),...,(s_K,u_K)}，其中，K的范围为[1000,3000]；步骤2，基于云模型生成标准评价云，其生成过程包括以下步骤：步骤2.1，设定一个标准评价集合，该集合中的元素在[0,R]的区间内产生，并按照关键等级程度将该区间分为M个子区间每个区间都对应一个定性评价结果，其中，R的取值范围为[1,10]，和分别是第m个区间的上、下界；m＝1,2,...,M，M取值范围为[2,50]；步骤2.2，计算第m个区间的标准评价云的数字特征，分别为期望E'_xm，熵E'_nm和超熵H'_em，其计算方法如式(7)、(8)、(9)所示：$E_{xm}^{\′}=\left\{\begin{array}{cc}{R}_m^{\min },& m=1\\ \frac{R_m^{\min }+R_m^{\max }}{2},& 1\<m\<M\\ R_m^{\max },& m=M\end{array}\right.;---\left(7\right)$$E_{nm}^{\′}=\frac{R_m^{max}-R_m^{\min }}{4};1\≤m\≤M---\left(8\right)$H′_em＝H_e；1≤m≤M        (9)步骤2.3，以E'_nm为期望，H'_em为方差随机生成一个正态分布数N'_m，产生方法如式(10)所示：$N_m^{\′}=Norm\left(E_{nm}^{\′}{H_{em}^{\′}}^2\right)---\left(10\right)$步骤2.4，以E'_xm为期望，为方差随机生成一个正态分布数s'_mi，产生方法如式(11)所示：$s_{mi}^{\′}=Norm(E_{xm}^{\′},{N_m^{\′}}^2)---\left(11\right)$步骤2.5，根据专家评分集合的数字特征，隶属度u'_mi的计算方法如式(12)所示：$u_{mi}^{\′}=e^{-\frac{{(s_{mi}^{\′}-E_{xm}^{\′})}^2}{2N_{mi}^{\′2}}}---\left(12\right)$步骤2.6，取m＝1，由步骤2.2‐步骤2.5的计算结果，产生第1个标准评价子云的第1个云滴并记为(s′₁₁,u′₁₁)；步骤2.7，重复步骤2.2‐步骤2.5的过程，循环K次得到第1个标准评价子云的K个云滴，将生成的第1个标准评价子云记为：SC₁＝{(s′₁₁,u′₁₁),(s′₁₂,u′₁₂),...,(s′_1K,u′_1K)}；步骤2.8，分别取m＝2,3,...,M，生成剩下的M‑1个标准评价子云云滴，共得到M个标准评价子云，构成标准评价云集合，记为：SC＝{SC₁,SC₂,...,SC_m,...,SC_M}；其中，SC_m＝{(s'_m1,u'_m1),(s'_m2,u'_m2),...,(s'_mK,u'_mK)}，m＝1,2,...,M；步骤3，计算专家评价云EC与标准评价云SC集合中各子云间相似度；将专家评价云EC内所有云滴按s_i的大小升序排列、将标准评价中的任一子云SC_m内的所有云滴按s'_mi的大小升序排列，计算专家评价云EC和该标准评价子云SC_m间的对应距离，记为d_m，其计算公式如式(13)所示：$d_m=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\[{(u_i-u_{mi}^{\′})}^2+{(s_i-s_{mi}^{\′})}^2\]---\left(13\right)$其中，i＝1,2,...,K；取m＝1,2,...,M，分别采用公式(13)计算得到{d₁,d₂,...,d_M}；步骤4，比较所求得的M个对应距离{d₁,d₂,...,d_M}，其中最小对应距离记为d_j，则得出专家评价云EC的关键程度评价为第j个标准评价子云SC_j所对应的定性评价。