原文传递
基于机器学习的公路隧道监测数据准确性研判
| 论文题名： | 基于机器学习的公路隧道监测数据准确性研判 |
| 关键词： | 公路隧道;监测数据;准确性研判;机器学习 |
| 摘要： | 近年来，我国公路隧道建设取得了举世瞩目的成就，实现了从“隧道大国”向“隧道强国”转变，随着公路隧道的大量建成与投入使用，隧道运营管理面临着新的挑战。目前我国大多数公路隧道采用区域控制和交换机环网控制传输技术，已实现了隧道内设备控制与数据监测管理的数字化及部分智能化。但隧道内普遍运营环境恶劣，能见度、CO、风速风向、亮度、车辆检测器等运营数据监测设备故障频发，无法长期稳定运行。且各类运营数据融合不充分，难以为通风控制、照明控制、交通控制与诱导的精准管控提供有效数据依据。 因此，本文基于机器学习，针对公路隧道机电系统采集的运营监测数据准确性问题展开研究。旨在通过对隧道运营监测数据的选取、处理、特征提取及数据研判，提升隧道运营监测数据的准确性，从而为隧道运营的精准管控提供数据支撑，有效改善隧道运营管控水平。主要研究内容包括以下几个方面： （1）对公路隧道运营监测数据的类型、特点及采集方式进行介绍，按数据类型提出以有效性、多模态、可靠性和可操作性为标准的隧道运营监测数据选取，为后续研究奠定数据基础。 （2）通过分析 KNN、RF和 DNN三种主流的缺失数据处理方法，并对比插补精度和插补效率的高低，提出基于随机森林算法的公路隧道运营监测数据缺失预处理方法，实现了缺失数据的高效准确补齐。 （3）通过综合孤立森林算法的高效性以及 Prophet 算法的灵活性，将孤立森林和Prophet算法进行集成，提出基于粗细粒度结合的公路隧道运营监测数据异常检测算法，实现了异常数据的快速识别与标记。 （4）针对单一检测器采集的数据精度不够且无法全面准确反映公路隧道实际运营状态的问题，提出一种基于 CNN-LSTM-Attention 的多模态信息融合模型。通过多模态信息融合将CNN-LSTM的深度学习模型与self-attention机制应用于隧道运营监测数据研判中，CNN-LSTM 模型从非侵入式多模态数据中提取特征， self-attention 机制融合能见度、CO、交通量等数据，获得最优的信息融合模型，研判输出能准确反映公路隧道真实运营状态的检测数据。最后将此模型集成到九岭山隧道智能管控平台中，保障隧道运营监测数据的高可靠、高可信性支撑正常工况需风量计算与分析，从而进行科学、精准的自动通风控制。 |
| 作者： | 袁晓燕 |
| 专业： | 交通运输 |
| 导师： | 付立家;张惠玲 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆交通大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
