基于数据图谱的公路巡检分析管理方法及系统与流程

本发明涉及公路管理，具体是涉及基于数据图谱的公路巡检分析管理方法及系统。

背景技术：

1、公路信息是指道路表面及其结构的当前物理和功能性状况，包括路面平整度、裂缝、坑洞、车辙、磨损程度等物理特征，以及道路的承载能力、抗滑性和排水性能等功能性指标，这些因素共同决定了道路的安全性、舒适度和耐用性，公路巡检是保证公路信息维持稳定的重要手段。

2、现有的公路巡检缺乏对于公路信息的状态分析，采用的是定时巡检的方式，这种方式一方面在公路未出现损伤时会造成人力物力资源的浪费，另一方面缺乏路面的预先巡检规划，在节假日或夜间出现路面损伤时，难以实现预先的针对性巡检修复，难以保证公路路况，影响公路的安全性。

技术实现思路

1、为解决上述技术问题，提供基于数据图谱的公路巡检分析管理方法及系统，本技术方案解决了上述的现有的公路巡检缺乏对于公路信息的状态分析，采用的是定时巡检的方式，这种方式一方面在公路未出现损伤时会造成人力物力资源的浪费，另一方面缺乏路面的预先巡检规划，在节假日或夜间出现路面损伤时，难以实现预先的针对性巡检修复，难以保证公路路况，影响公路的安全性的问题。

2、为达到以上目的，本发明采用的技术方案为：

3、一种基于数据图谱的公路巡检分析管理方法，包括：

4、获取会对公路性能造成影响的若干个因素，记为影响因素，并基于影响因素构建数据图谱的影响因素实体；

5、基于历史巡检数据，确定公路发生过的至少一种损伤类型，并基于损伤类型构建数据图谱的损伤实体；

6、基于历史巡检数据，构建损伤实体与影响因素实体之间的关联性关系库；

7、获取公路使用过程中每个影响因素实体的实际参数值；

8、调用损伤实体与影响因素实体之间的关联性关系属性，代入每个影响因素实体的实际参数值，确定公路出现每个损伤实体的风险指标，并基于风险指标，筛选出出现风险高的损伤实体，记为巡检损伤实体；

9、输出巡检损伤实体，并规划对巡检损伤实体对应的损伤类型的公路巡检。

10、优选的，所述基于历史巡检数据，构建损伤实体与影响因素实体之间的关联性关系属性具体包括：

11、获取已知的损伤实体与影响因素实体之间的关联性关系属性，并编辑为可识别文本数据；

12、对可识别文本数据中抽取头实体，关系，尾实体，得到数据图谱三元组，并存储至损伤实体与影响因素实体之间的关联性关系库；

13、基于损伤实体与影响因素实体之间的关联性关系，构建每一个损伤实体与其存在关联性关系的所有影响因素实体之间的风险关联模型。

14、优选的，所述风险关联模型基于logistic回归模型构建；

15、基于logistic回归模型构建风险关联模型具体包括如下步骤：

16、获取若干个历史巡检数据，并基于历史巡检数据中是否发生损伤实体对应的损伤类型，将历史巡检数据划分为损伤发生历史数据和损伤未发生历史数据；

17、基于每次历史巡检数据对应的影响因素的参数值，训练logistic回归模型得到风险关联模型；

18、所述logistic回归模型具体为：

19、式中，为公路出现损伤实体的风险指标，为与损伤实体存在关联性关系的第i个影响因素实体的实际参数值，为与损伤实体存在关联性关系的影响因素实体总个数，均为logistic回归模型的参数，所述logistic回归模型的参数采用最小二乘法获得。

20、优选的，所述风险关联模型基于神经网络训练构建；

21、基于神经网络训练构建风险关联模型具体包括如下步骤：

22、获取若干个历史巡检数据，并基于历史巡检数据中是否发生损伤实体对应的损伤类型，将历史巡检数据划分为损伤发生历史数据和损伤未发生历史数据，对损伤发生历史数据赋值为1，对损伤未发生历史数据赋值为0；

23、将所有历史巡检数据按照8:2的比例随机划分为训练数据和测试数据；

24、以训练数据对应的影响因素的参数值为输入层，以训练数据的赋值为输出层，进行神经网络训练，得到至少一个待验证神经网络模型；

25、基于测试数据对至少一个待验证神经网络模型进行验证，计算待验证神经网络模型的损失值，筛选出损失值最小的待验证神经网络模型作为风险关联模型；

26、所述风险关联模型以与损伤实体存在关联性关系的所有影响因素实体的实际参数值为输入，以损伤实体是否发生为输出，若损伤实体发生，则输出值为1，若损伤实体未发生则输出值为0。

27、优选的，所述调用损伤实体与影响因素实体之间的关联性关系属性，代入每个影响因素实体的实际参数值，确定公路出现每个损伤实体的风险指标，并基于风险指标，筛选出出现风险高的损伤实体，记为巡检损伤实体具体包括：

28、调用每个损伤实体对应的风险关联模型，并筛选与损伤实体对应的影响因素实体的实际参数值，代入风险关联模型，获得损伤实体对应的风险指标；

29、筛选出风险指标大于预设值或判断风险指标等于1的损伤实体，作为出现风险高的损伤实体。

30、优选的，所述筛选与损伤实体对应的影响因素实体的实际参数值，代入风险关联模型具体包括：

31、获取每个影响因素实体的至少一个趋势预测尺度，并基于每一个趋势预测尺度采集影响因素实体的若干个样本数据；

32、基于样本数据，通过线性回归的方式，预测影响因素实体在每一个趋势预测尺度下的未来参数预测值；

33、分别确定每个趋势预测尺度的侧重权重，并对影响因素实体在每一个趋势预测尺度下的未来参数预测值进行加权求和，得到影响因素实体的未来参数预测值；

34、分别将影响因素实体当前的实际参数值和影响因素实体的未来参数预测值代入风险关联模型中，得到损伤实体对应的实时风险指标和损伤实体对应的预测风险指标。

35、进一步的，提出一种基于数据图谱的公路巡检分析系统，用于实现如上述的基于数据图谱的公路巡检分析管理方法包括：

36、数据图谱构建模块，所述数据图谱构建模块用于获取会对公路性能造成影响的若干个因素，记为影响因素，并基于影响因素构建数据图谱的影响因素实体，基于历史巡检数据，确定公路发生过的至少一种损伤类型，并基于损伤类型构建数据图谱的损伤实体，基于历史巡检数据，构建损伤实体与影响因素实体之间的关联性关系库；

37、参数采集模块，所述参数采集模块用于获取公路使用过程中每个影响因素实体的实际参数值；

38、巡检规划模块，所述巡检规划模块与所述数据图谱构建模块和所述参数采集模块电性连接，所述巡检规划模块用于调用损伤实体与影响因素实体之间的关联性关系属性，代入每个影响因素实体的实际参数值，确定公路出现每个损伤实体的风险指标，并基于风险指标，筛选出出现风险高的损伤实体，记为巡检损伤实体，输出巡检损伤实体，并规划对巡检损伤实体对应的损伤类型的公路巡检。

39、可选的，所述数据图谱构建模块包括：

40、经验学习单元，所述经验学习单元用于获取已知的损伤实体与影响因素实体之间的关联性关系属性，并编辑为可识别文本数据，并对可识别文本数据中抽取头实体，关系，尾实体，得到数据图谱三元组，并存储至损伤实体与影响因素实体之间的关联性关系库；

41、风险关联建模单元，所述风险关联建模单元用于基于损伤实体与影响因素实体之间的关联性关系，构建每一个损伤实体与其存在关联性关系的所有影响因素实体之间的风险关联模型。

42、可选地，所述巡检规划模块包括：

43、数据调用单元，所述数据调用单元用于调用每个损伤实体对应的风险关联模型，并筛选与损伤实体对应的影响因素实体的实际参数值，代入风险关联模型，获得损伤实体对应的风险指标；

44、筛选单元，所述筛选单元用于筛选出风险指标大于预设值或判断风险指标等于1的损伤实体，作为出现风险高的损伤实体。

45、可选地，所述数据调用单元包括：

46、影响因素属性分析子单元，所述影响因素属性分析单元用于获取每个影响因素实体的至少一个趋势预测尺度，并基于每一个趋势预测尺度采集影响因素实体的若干个样本数据；

47、预测子单元，所述预测子单元用于基于样本数据，通过线性回归的方式，预测影响因素实体在每一个趋势预测尺度下的未来参数预测值，并分别确定每个趋势预测尺度的侧重权重，并对影响因素实体在每一个趋势预测尺度下的未来参数预测值进行加权求和，得到影响因素实体的未来参数预测值；

48、风险计算子单元，所述风险计算子单元用于分别将影响因素实体当前的实际参数值和影响因素实体的未来参数预测值代入风险关联模型中，得到损伤实体对应的实时风险指标和损伤实体对应的预测风险指标。

49、与现有技术相比，本发明的有益效果在于：

50、本发明提出一种基于数据图谱的公路巡检分析方案，基于公路上存在的损伤类型和与公路运行过程中的各个影响因素构建数据图谱，并基于采集的公路上的各个影响因素的实际参数值，动态的分析预测公路会出现各种损伤的风险概率，当公路出现某种损伤的风险大时，则对公路进行针对性的巡检，同时还针对于影响因素的变化趋势进行预测，并基于影响因素的预测值同步预测公路未来会出现各种损伤的风险概率，进而实现对于公路的预先巡检，通过此方式，可有效的降低公路巡检过程中的无效巡检，减少人力物力资源的浪费。