1.一种基于数据驱动的路面养护与状况数据异常值综合识别方法,其特征在于,包括以下步骤:S1:对路面管理数据进行异常值识别,将路面管理数据分为正常数据集和异常数据集;
S2:使用正常数据集分别训练基于人工神经网络的养护措施概率预测模型和基于贝叶斯神经网络的路面状况预测模型;
S3:先利用训练好的基于人工神经网络的养护措施概率预测模型,计算各路段每种养护措施的概率,进行异常养护数据识别与修正,所述异常养护数据包括有养护记录的异常和无养护的记录的异常;依据2σ原则,若某一养护措施的概率低于设定路段养护数据异常阈值,则判定该养护措施为异常,并将其替换为概率最高的养护措施;
再利用基于贝叶斯神经网络的路面状况预测模型进行异常路面状况指数数据识别与修正,依据2σ原则计算各路段当前年度的路面状况指数的合理范围;若当前年度的路面状况指数超出该合理范围,则判定该路面状况指数为异常,并将其替换为基于贝叶斯神经网络的路面状况预测模型预测的路面状况指数均值;
结合2σ原则进行不同路段养护数据异常阈值和路面状况指数异常阈值的动态调整,同时识别异常类型,异常类型包括:养护措施异常、路面状况指数异常、养护措施与路面状况指数均异常;
最后,综合识别与修正后的数据集。
2.根据权利要求1所述的基于数据驱动的路面养护与状况数据异常值综合识别方法,其特征在于,所述路面管理数据包括路面状况数据、养护数据、道路属性数据、交通数据、气候和环境数据。
3.根据权利要求2所述的基于数据驱动的路面养护与状况数据异常值综合识别方法,其特征在于,所述路面状况数据包括:上一年度的路面状况指数和当前年度的路面状况指数;养护数据包括:无养护、薄层抗滑表层、微表处、精细表面处理、超粘磨耗层、超薄磨耗层、就地热再生、铣刨并替换一层、铣刨并替换两层;道路属性数据包括:面层厚度、面层材料、基层厚度、基层材料、路龄;交通数据包括:年平均日交通量、年平均日货车交通量。
4.根据权利要求1所述的基于数据驱动的路面养护与状况数据异常值综合识别方法,其特征在于,所述基于人工神经网络的养护措施概率预测模型包括:
13个输入变量,包括:上一年度的路面状况指数、面层厚度、面层材料、基层厚度、基层材料、路龄、年平均日交通量、年平均日货车交通量、高温天数、连续高温天数、低温天数、连续低温天数、降水量;
隐藏层: 2层,使用ReLU激活函数;
输出层: 9个输出节点,对应9种养护措施的概率,9种养护措施包括:无养护、薄层抗滑表层、微表处、精细表面处理、超粘磨耗层、超薄磨耗层、就地热再生、铣刨并替换一层、铣刨并替换两层;
使用Softmax函数输出概率分布。
5.根据权利要求1所述的基于数据驱动的路面养护与状况数据异常值综合识别方法,其特征在于,所述基于贝叶斯神经网络的路面状况预测模型包括:输入层: 14个输入变量,包括:上一年度的路面状况指数、面层厚度、面层材料、基层厚度、基层材料、路龄、年平均日交通量、年平均日货车交通量、高温天数、连续高温天数、低温天数、连续低温天数、降水量、养护措施;
隐藏层: 2层,使用ReLU激活函数;
输出层: 1个输出节点,对应当前年度的路面状况指数预测值。
6.根据权利要求1所述的基于数据驱动的路面养护与状况数据异常值综合识别方法,其特征在于,所述基于人工神经网络的养护措施概率预测模型的损失值是交叉熵损失。
7.根据权利要求1所述的基于数据驱动的路面养护与状况数据异常值综合识别方法,其特征在于,所述基于贝叶斯神经网络的路面状况预测模型的损失值为均方误差,准确率是决定系数R2。