1.融合维养历程信息的桥梁技术状况评级预测方法,其特征在于,包括以下步骤:步骤1,获得多条桥梁维养信息记录,基于轮廓系数法和K-means算法构建包括桥梁维养信息记录分类类别信息的桥梁维养历程信息数据集,分类类别种类包括维养费用聚类类别、重建类、无维养类;
步骤2,构建包括桥梁维养历程信息数据集、桥梁基本信息、桥梁设计信息、桥面布置信息、交通统计信息的桥梁定检信息数据库;
步骤3,将桥梁定检信息数据库中的数据归类为数值型数据与分类数据,进行数据清理;
步骤4,将数据清理后的数值型数据进行离散化处理转变为分类数据;计算所有分类数据与桥梁技术状况评级信息之间的Cramer’s V系数,Cramer’s V系数大于系数阈值的分类数据所对应的步骤3得到的桥梁定检信息数据库中的数据作为选定的特征数据;
步骤5,对选定的特征数据中具有分类数据属性的数据转变为独热编码并采用主成分分析方法降低维度得到降维分类数据;对桥梁定检信息数据集进行归一化处理,所述桥梁定检信息数据集包括选定的特征数据中具有数值型数据属性的数据和所述降维分类数据;
步骤6,对归一化的桥梁定检信息数据集采用SMOTE过采样方法和NearMiss欠采样方法进行均衡化处理,得到归一化均衡的桥梁定检信息数据集;
步骤7,利用PSO-LightGBM算法和训练桥梁技术状况评级预测模型;
步骤8,利用桥梁技术状况评级预测模型预测桥梁技术状态评级级别。
2.根据权利要求1所述的融合维养历程信息的桥梁技术状况评级预测方法,其特征在于,部分所述桥梁维养信息记录中包括桥梁技术状况评级信息,不包括维养费用信息和重建记录;部分所述桥梁维养信息记录包括桥梁技术状况评级信息和维养费用信息,不包括重建记录;部分所述桥梁维养信息记录包括桥梁技术状况评级信息和重建记录;
所述步骤1包括:
基于轮廓系数法和K-means算法确定维养费用聚类类别数目为;
将具有重建记录的桥梁维养信息记录标记为重建类,记为第类;将没有重建记录且没有维养费用信息的桥梁维养信息记录标记为无维养类,记为第0类;将同时满足桥梁技术状况评级相比于其上一条桥梁维养信息记录的桥梁技术状况评级没有上升、维养费用大于等于其上一条桥梁维养信息记录的维养费用、没有重建记录的桥梁维养信息记录标记为无维养类,记为第0类;将没有重建记录、且维养费用小于其上一条桥梁维养信息记录的维养费用的桥梁维养信息记录,进行维养费用聚类类别的确定,并标记为第类中的一类。
3.根据权利要求1所述的融合维养历程信息的桥梁技术状况评级预测方法,其特征在于,所述桥梁基本信息包括桥龄、所在经度、所在纬度、结构分类类型、材料分类类型中的至少一种,桥梁设计信息包括设计荷载、结构全长、最大跨径、主桥跨数、引桥跨数、斜交角、最小侧向净空、最小垂直净空、总水平净空中的至少一种,桥面布置信息包括桥面铺装结构类型、桥面铺装材料种类、桥面总宽度、车行道路面宽度、上车道数、下车道数中的至少一种,交通统计信息包括平均每日交通量、平均每日卡车交通量占比和交通量统计年份中的至少一种。
4.根据权利要求1所述的融合维养历程信息的桥梁技术状况评级预测方法,其特征在于,所述步骤3中,采用线性插值方法对数值型数据进行缺失值填补,采用Z-score方法对数值型数据进行异常值去除,采用众数填补方法对分类数据进行缺失值填补。
5.根据权利要求1所述的融合维养历程信息的桥梁技术状况评级预测方法,其特征在于,所述将数据清理后的数值型数据进行离散化处理转变为分类数据具体包括:将数据清理后的数值型数据按照从小到大的顺序排列形成维数值型数据集;
基于,利用基于基尼指数确定最优分割点划分子集的方法,根据子集的基尼指数和该子集的最优分割点的基尼指数的差值小于预设的差值阈值的判断准则,确定出若干个互相无并集的最终子集,所有所述最终子集的集合为所述。
6.根据权利要求1所述的融合维养历程信息的桥梁技术状况评级预测方法,其特征在于,所述对选定的特征数据中具有分类数据属性的数据转变为独热编码并采用主成分分析方法降低维度得到降维分类数据具体包括:对选定的特征数据中具有分类数据属性的数据转变为独热编码构成矩阵,通过矩阵中每个数据减去其所在列的均值得到去中心化后的矩阵,矩阵的协方差矩阵;
对协方差矩阵进行特征值分解,,其中,表示特征向量组成的矩阵,表示特征值构成的对角矩阵,按照中特征值从大到小排序选择前个特征值对应的特征向量构成矩阵;
根据计算矩阵,所述矩阵为由降维分类数据构成的矩阵。
7.根据权利要求1所述的融合维养历程信息的桥梁技术状况评级预测方法,其特征在于,所述步骤6包括:将所述归一化的桥梁定检信息数据集划分为少数类样本数据合集和多数类样本数据合集;
计算中每个样本数据集与中所有其他样本数据集的欧式距离;
对于每个样本数据集均根据欧氏距离选择最近邻的个样本数据集作为其最近邻样本的合集;
从每个最近邻样本的合集中均随机选择一个样本数据集,根据生成新样本数据集,表示通过插值生成的新数据集,是区间(0,1)内的随机数,将和所有合并,得到过采样后的少数类样本数据合集;
计算中每个样本数据集到少数类样本数据合集的欧氏距离;
对于每个样本数据集均根据其欧氏距离选择最近邻的个欧式距离作为最近距离,计算其最近邻的个欧式距离的平均值;
将所有样本数据集按照大小进行升序排序,排序前个样本数据集构成欠采样后的多数类样本数据合集;
将过采样后的少数类样本数据合集和欠采样后的多数类样本数据合集合并得到归一化均衡的桥梁定检信息数据集。
8.根据权利要求1所述的融合维养历程信息的桥梁技术状况评级预测方法,其特征在于,所述桥梁技术状况评级预测模型的公式为:其中,为桥梁技术状况评级预测值,为所述归一化均衡的桥梁定检信息数据集的特征向量集合,为第棵决策树函数,表示决策树数据空间。
9.根据权利要求1所述的融合维养历程信息的桥梁技术状况评级预测方法,其特征在于,所述桥梁技术状况评级预测模型的输入包括待预测桥梁的桥梁基本信息、桥梁设计信息、桥面布置信息、交通统计信息,输入还包括待预测桥梁的桥梁维养信息记录的分类类别信息,所述模型的输出为桥梁技术状态评级级别。
10.融合维养历程信息的桥梁技术状况评级预测系统,其特征在于,包括:
数据集构建模块,用于获得多条桥梁维养信息记录,基于轮廓系数法和K-means算法构建包括桥梁维养信息记录分类类别信息的桥梁维养历程信息数据集,分类类别种类包括维养费用聚类类别、重建类、无维养类;
数据库构建模块,用于构建包括桥梁维养历程信息数据集、桥梁基本信息、桥梁设计信息、桥面布置信息、交通统计信息的桥梁定检信息数据库;
数据清理模块,用于将桥梁定检信息数据库中的数据归类为数值型数据与分类数据,进行数据清理;
特征数据选定模块,用于将数据清理后的数值型数据进行离散化处理转变为分类数据;计算所有分类数据与桥梁技术状况评级信息之间的Cramer’s V系数,Cramer’s V系数大于系数阈值的分类数据所对应的进行数据清理后的桥梁定检信息数据库中的数据作为选定的特征数据;
数据降维归一模块,用于对选定的特征数据中具有分类数据属性的数据转变为独热编码并采用主成分分析方法降低维度得到降维分类数据;对桥梁定检信息数据集进行归一化处理,所述桥梁定检信息数据集包括选定的特征数据中具有数值型数据属性的数据和所述降维分类数据;
数据均衡模块,用于对归一化的桥梁定检信息数据集采用SMOTE过采样方法和NearMiss欠采样方法进行均衡化处理,得到归一化均衡的桥梁定检信息数据集;
模型训练模块,用于利用PSO-LightGBM算法和训练桥梁技术状况评级预测模型;
预测模块,用于利用桥梁技术状况评级预测模型预测桥梁技术状态评级级别。