买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉河北工业大学;长沙理工大学申请的专利一种物理数据双驱动的道路养护决策系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119809394B 。

龙图腾网通过国家知识产权局官网在2025-08-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510301523.8，技术领域涉及：G06Q10/0637；该发明授权一种物理数据双驱动的道路养护决策系统是由李家乐;张军辉;张淞;顾凡;王雪菲;杨豪设计研发完成，并于2025-03-14向国家知识产权局提交的专利申请。

本一种物理数据双驱动的道路养护决策系统在说明书摘要公布了：本发明为一种物理数据双驱动的道路养护决策系统，所述系统进行桩号‑路段‑路网的三阶段养护，可以提供精度为百米的桩号级养护方案、路段级养护方案以及路网级养护方案。各级养护方案可以同时考虑道路养护施工的成本、碳排放、施工时间以及路面使用性能，达到各个目标之间的帕累托最优，以使最终的各级养护方案在节省施工成本、降低施工碳排放、减少施工时间的同时保证最优的路面使用性能，达到最佳的养护效果。三阶段的养护方案会使最耗时的阶段无需使用PINN预测而直接使用次一级提供的帕累托最优养护方案集的不同养护方案的组合，节省了大量时间。

本发明授权一种物理数据双驱动的道路养护决策系统在权利要求书中公布了：1.一种物理数据双驱动的道路养护决策系统，其特征在于，所述系统包括： 路面使用性能预测模块，用于根据道路的路龄、交通因素、地质因素、天气环境因素、道路结构、养护方式和过去一年路面使用性能值预测未来一年路面使用性能； 所述路面使用性能预测模块采用物理内嵌神经网络PINN进行预测，包括输入层、隐藏层、输出层和损失项； 所述损失项Lθ由四部分组成，计算公式为： 其中，θ代表物理内嵌神经网络所有参数，wu为数据损失项系数，为数据损失项，wf为物理损失项系数，LPDEθ为物理损失项，wb为边界损失项系数，Lbθ为边界损失项，wr为规律损失项系数，Lrθ为规律损失项； 数据损失项为预测值与真实值的误差由下式计算： 其中，表示第s样本的物理内嵌神经网络预测值，us表示第s样本的数据项真实值，Nu代表用于计算数据项的样本数量，代表第s样本数据项的输入向量； 物理损失项根据公式21计算： 其中，代表第s样本的物理项预测值，fs代表第s样本物理项真实值，Nf代表用于计算物理项的样本数量，代表第s样本物理项的输入向量； 规律损失项计算公式： 其中，Nr代表用于计算规律损失的样本数量，代表第s样本规律项的输入向量，代表第s样本的物理内嵌神经网络对时间t的偏导数；该规律损失项的规律意义为，路面使用性能随着时间降低； 边界损失项的计算公式为： 其中，Nb代表用于计算边界损失的样本数量，uθ0代表输入向量为0向量时物理内嵌神经网络的输出值，代表输入向量为0时物理内嵌神经网络对时间t的偏导数； 桩号级适应度计算模块，用于根据桩号级优化模块输出的养护方案与路面使用性能预测模块预测的路面使用性能计算各个桩号的成本、碳排放、施工时间和综合路面使用性能，作为桩号级适应度； 桩号级优化模块，利用多目标指数分布优化算法对桩号级适应度计算模块计算的桩号级适应度进行多目标优化，输出养护方案，达到迭代次数后获得各个桩号的桩号帕累托最优养护方案集，桩号帕累托最优养护方案集包括G个最优养护方案； 路段级适应度计算模块，用于根据所述桩号帕累托最优养护方案集与桩号级适应度计算模块获得的各个桩号的综合路面使用性能计算各个路段的成本、碳排放、施工时间和综合路面使用性能，作为路段级适应度； 路段级优化模块，将各个桩号的桩号帕累托最优养护方案集输入，并利用多目标指数分布优化算法对路段级适应度计算模块计算的路段级适应度进行多目标优化，输出养护方案，达到迭代次数后获得各个路段的路段帕累托最优养护方案集； 路网级适应度计算模块，用于根据所述路段帕累托最优养护方案集与路段级适应度计算模块获得的各个路段的综合路面使用性能计算路网的成本、碳排放、施工时间和综合路面使用性能，作为路网级适应度； 路网级优化模块，以所述路段帕累托最优养护方案集为输入，利用多目标指数分布优化算法对路网级适应度计算模块计算的路网级适应度进行多目标优化，输出养护方案，达到迭代次数后获得路网帕累托最优养护方案集； 所述桩号级优化模块中的多目标指数分布优化算法包括以下过程：初始化种群P，种群中个体数量为K，每个个体Xk是一个N×M的养护方案矩阵，N为养护的年份的时长，M表示养护方式的数量，种群P中每个个体Xk代表桩号的N年的养护方案，其中每个个体的养护方案满足每年只采用一种养护方式，养护方案矩阵的每一行满足公式9所示约束： 按照公式10对个体进行初始化： 其中，rand1,M代表从{1,2,…,M}中按照指数分布随机选取索引列； 按照公式11计算引导解Xguidetime： 其中，time代表迭代的次数，代表在当前迭代次数最优的三个解； 利用桩号级适应度计算模块的输出结果进行信息反馈，每个个体养护方案的更新逻辑为：以桩号级适应度为基础获得引导解与无记忆解的加权系数来计算新的个体矩阵的值并将的每行的最大值赋值为1，其他值赋值为0，则下一代个体按照公式12更新： 其中，argmaxj代表对于当前矩阵的第i行选择值最大的索引列j，值最大的索引列的对应的位置被赋值为1；为第i行第j列第time+1次迭代的更新后个体； 的定义为： 其中，为第time代个体中第i行第j列的无记忆解；a和b为加权系数，分别定义为： 其中，fguide为引导解的适应度，fk代表第k个体的适应度，二者由桩号级适应度计算模块获得； 路段级优化模块和路网级优化模块采用相似的多目标指数分布优化算法进行优化，输入为次一级优化模块输出的帕累托最优养护方案集，输出为各个路段的路段帕累托最优养护方案集或路网帕累托最优养护方案集；其中个体养护方案的更新逻辑为：若当前个体为无记忆解的个体则根据引导解与无记忆解更新，若当前解非无记忆解且随机数d小于0.5则根据无记忆解与当前解更新，否则根据所有解平均值和当前解更新，公式为： 其中，a、b的取值同公式14，二者利用路段级适应度计算模块或路网级适应度计算模块计算的相应适应度计算获得；round代表向上取整数值；f为0,1的随机值，time为当前迭代次数，Max_time为最大迭代次数，Mtime为当前代的所有解的平均值，为当前代的引导解，为第time代第k个体的无记忆解，为第time代第k个解；为方差，λ为指数分布参数，为大于1的随机参数，d为0到1的随机参数；为第time+1代第k个更新后的个体； Z1、Z2的定义为： Z1＝Mtime-D1+D2,Z2＝Mtime-D2+D1,D1＝Mtime-Xrand1,D2＝Mtime-Xrand218 D1和D2描绘了所有解的平均值Mtime与从初始群体中随机挑选的两个个体Xrand1和Xrand2之间的距离； 桩号级优化模块将多目标指数分布算法的搜索空间设置为N×M的矩阵，用于表示多年的养护方案，在种群初始化过程中添加了每年只进行一次养护的限制，在更新下一代种群过程中重新修改算法为：通过适应度值计算权重并更新养护方案矩阵，选择每一行中最大的值并赋值为1，其他赋值为0；路段级优化模块和路网级优化模块将多目标指数分布算法的搜索空间设置为由各个桩号的桩号帕累托最优养护方案集组成的向量或由各个路段的路段帕累托最优养护方案集组成的向量，在种群初始化过程与更新下一代种群过程中保持种群中个体向量为整数向量。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人河北工业大学;长沙理工大学，其通讯地址为：300401 天津市北辰区西平道5340号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。