一种基于人工智能算法的智慧工地交通需求预测方法

1.本发明涉及施工工地交通调度领域，具体涉及一种基于人工智能算法的智慧工地交通需求预测方法。


背景技术：

2.随着我国经济高速、持续、稳定、协调的发展，当前建筑工程具有建筑结构复杂、施工工期短、施工要求高、体量大等特点。这对于整体施工效率以及工序之间的有效衔接提出了更高的要求。其中，施工期物料运输的合理性对建筑项目的按期交付产生了极大的影响。但是目前很多建筑施工单位在进行项目管理工作时，没有通过建模仿真的方法精准把握短期内的交通运输量合理性，在施工交通组织工作开展期间的随意性比较大。从而无法实际施工进度来动态调整施工计划、优化交通组织与管控，导致施工中出现工序冲突、人员紧缺或人浮于事等现象，严重影响了工程的整体进度，造成严重的经济和人力损失。
3.另一方面，盲目的调度货物和安排货车进场还会造成货车大量停放和无效等，或者造成无货车到达进场导致施工区闲置。如果实际运输到施工区的物料不能满足各工序的施工需求，会出现工序冲突，造成施工工地中物料场、停车场、吊车设备和管理人员等的闲置，浪费人力、物力资源，使工程交付在时间上难以得到保障。此外，对于位置比较特殊的施工场地，场内外空间资源受限也给工程物料运输带来了巨大挑战。
4.已有方法对于日交通量的分析更多关注在施工区外临时道路的布置、复杂路网路线优化，未考虑施工项目的人员分配、物资发放、施工计划的特点，缺乏对施工项目不同工序特性的考虑。此外，已有方法对于日交通量缺乏对路网拥堵情况，及其对物料运输车辆影响的评估，无法实现对日交通运输量的精准预测。


技术实现要素：

5.发明目的：为了克服上述现有技术的不足，本发明设计日交通量需求预测模型，并对模型参数提出求解方法；考虑施工区域内施工工序、人员配置计划的波动，依据施工强度的时序规律对工序进行分类，并确定施工过程中的影响因素对每种工序的日交通需求量的影响系数；同时构建基于数据驱动的模型评估预测周期内施工区周边交通路网的拥堵程度，以此为依据计算日交通规划转移量。使用本发明的日交通量预测模型，可以更加精准预测施工单位日交通运输需求量，有助于动态实现每日进出各施工区的货物运输车辆管理监控、交通组织路线规划及横纵向调度，对于交通需求量较大的冲突点设置合理的交通管制措施，并使得交通组织任务落实到相应的管理人员，从而使得计划表得到有效落实。
6.技术方案：为解决上述技术问题，本发明采用的技术方案为：
7.一种基于人工智能算法的智慧工地交通需求预测方法，包括如下步骤：
8.(1)计算日均交通需求量，构建项目施工期交通需求预测模型；
9.(2)依据施工强度的时序规律对工序进行分类，并确定施工项目过程中影响因素对每种工序日均交通需求量的影响系数；
10.(3)评估预测周期内施工区周边交通路网的拥堵程度，并计算日交通规划转移量；
11.(4)根据求解出的影响系数和日交通规划转移量，求解预测周期内的日交通需求量。
12.作为优选，步骤(1)中，所述项目施工期交通需求预测模型计算方法如下：
[0013][0014]
式中，q
ij
为在未来t天内第j个工序需要用第i种完成的物料运输需求量。对于物料需求量q
ij
，在已知需要完成的天数t、第n种载运工具的载运能力cn的基础上，可以计算出日均交通需求量所述日均交通量为各工序任务在计划周期内均匀分配情况下得到的日交通需求量。
[0015]
系数h
dj
表示第d天第j个工序进度、天气状况、施工设备技术水平、施工人数等因素对于日交通量的影响程度。hd的求解过程将在步骤(2)中具体展开。
[0016]
变量fd来表示系统规划的交通转移量，用于描述复杂路网的交通状况也将对货物的日交通量产生影响。
[0017]
m为施工单位所能提供的最大车辆数，最终获得的日交通量sd应当小于施工单位所能提供的最大车辆数m。
[0018]
作为优选，步骤(2)中，所述依据施工强度的时序规律对工序进行分类的分类器模型的输入、输出变量的选取方法如下：
[0019]
本发明从历史数据确定施工进度要求、工艺特性、相邻工序之间的相互影响、人员和配套设施的数量供应这四方面来对工序施工强度时序规律进行分类，其具体变量的定量取值方法为：
[0020]
第j种工序当前的工期进度χj和工程进度yj的表达采用百分比。
[0021]
针对工序本身的与施工相关的特性的定量分析，本发明选取有特殊要求的材质在工序物料中的占比sj来表达。
[0022]
针对相邻工序的完成情况对本工序的工程进度产生的影响，本发明选取变量w
j-1
和w
j+1
来刻画这类特征。w
j-1
代表上一相邻工序对该工序的进度的影响，其中，d
j-1
代表上一相邻工序的任务在该周期内计划完成的天数，代表上一相邻工序的任务在该周期内实际完成需要的天数。若w
j-1
为负数，代表上一相邻工序未按计划完成任务，需要延期，对该工序的进度存在减缓效果；w
j-1
为正数，代表上一相邻工序超前完成计划，促进了该工序的展开。其中，δd代表下一相邻工序的任务需要加急或者可以延缓完成的天数，dj代表该周期内计划完成的天数。
[0023]
工序的如期开展不仅需要恰当的安排，还需要充足的各专业施工班组工人以及各类设备和物资的投入。项目施工单位在工期各阶段分配给不同工序的人员施工配置以及资源供给往往是不同的。对于一些优先级高的项目，施工单位可能在工序工期的前期投入更多的人力和物力；优先级低的项目则在同一时间段投入较少的资源。因此，本发明采用离散
变量来分别表述各类资源的供给情况。其中,代表与该工序相关的发货商的物料供应情况，其中ng为理论上该工序所需要的物料量，表示实际供货商可以提供给该工序的物料量。施工团队的施工人员配置，施工团队的施工人员配置，其中n
p
为理论上该工序所需要的人员数量，表示实际团队可以提供给该工序的人员数量；表示施工设备等物力资源的供给，其中nm为理论上该工序所需要的横向调度和施工所需的设备数量，表示实际现场可以提供给该工序的设备数量。
[0024]
在选取模型输出方面，直接根据案例所存在的工期和工程进度关系，定义标签out put＝{1,2,3}来作为输出。
[0025]
其中，1，2，3表示工期和工程进度的3种不同关系：前期慢后期快(type1)，前后进度基本一致(type2)，前期快后期慢(type3)。所述这些关系间不存在优先级，也没有先后顺序。
[0026]
由于工序施工进度在工期内的变化差异性较大，且影响因素众多，无法仅依据工期与工程的二维关系来准确对历史数据进行分类，因此设置如下样本标签分类规则：
[0027][0028]
若m1＝0，
[0029][0030]
作为优选，步骤(2)中，本发明利用svm作为依据施工强度的时序规律来训练工序分类器的基础算法，对于每个工序j，有输入变量集合分类器的基础算法，对于每个工序j，有输入变量集合和输出变量outputj，并采用层次二分类的方法对工序进行更加精准的分类，先完成是否是type1的分类，再进行type2和type3的分类。
[0031]
作为优选，步骤(2)中，施工项目过程中影响因素对每种工序日均交通需求量的影响系数求解方法如下：
[0032]
针对每类工序，影响系数模型的输入变量除了inputj中的因素外，还考虑了人和环境对于工程进度的影响。
[0033]
人的影响主要体现在施工单位的管理效率，若该工序的施工现场缺乏专业的管理人员，或者分配负责该工序的管理人员专业水平及素质低，则会对整个工序的进度产生消极影响。本发明选取管理效率mj来刻画管理人员对工序j施工进度的影响，该变量的取值与会议沟通频次、信息反馈的及时性和突发问题解决用时有关。
[0034]
工序是否能顺利开展还会受到天气的影响，尤其是天气对于施工工艺的限制，在气温过低时会导致水泥灰浆、各类涂料等装修材料的凝固、冻结；在降雨量过高时，砌墙工程中砂浆水泥会被冲刷流失，会发生坑沟积水，并因混凝土被严重冲刷，从而影响整个工艺的进度。本发明选择受到天气制约的施工工艺在工序物料中的占比来表达。
[0035]
综上所述，影响系数模型的输入如下所示：
[0036][0037]
针对每类工序，影响系数模型的输出变量为实际的日交通量与日均交通量之间的变化：
[0038][0039]
式中，s
dat
为历史数据中的实际每天的日交通需求量，s
da
为计划得到的日均交通需求量。
[0040]
本发明采用反馈型神经网络模型作为训练系数的模型，利用历史数据得到的input
2j
和hd训练模型。
[0041]
作为优选的，步骤(3)中，评估预测周期内施工区周边交通路网的拥堵程度的方法为：
[0042]
首先，采用arima算法对物料运输线路上的日交通拥堵指数进行预测和拟合，arima模型具有如下结构：
[0043][0044]
式中，ε
t
为零均值白噪声的随机干扰序列，并且随机干扰与过去序列值无关。χ
t-1
,χ
t-2
,χ
t-p
为预测周期前p天的物料运输路线上的日交通拥堵指数，系数可以通过spss拟合回归模型得到。
[0045]
所述物料运输路线上的日交通拥堵指数χ获取方法为：以15分钟为统计间隔，得到道路网中各路段的平均行程速度；根据路段平均行程速度等级划分(见表1)，判断各路段所处运行等级:统计各等级道路中处于第5级运行水平的路段里程比例；利用车公里数(vkt)加权，计算区域(总体)路网拥堵里程比例，加权系数推荐值如表2，表3所示；基于15分钟交通拥堵指数与拥堵里程比例的线性转换关系，得到15分钟交通拥堵指数；将早晚高峰时段内15分钟交通拥堵指数取算数平均值，得到工作日交通拥堵指数，将6:00am-22:00pm时段内15分钟交通拥堵指数取算数平均值，得到节假日交通拥堵指数。所述平均行程速度等级划分方法为：若研究路段为快速路，则平均行程速度大于65km/h为1级，大于50km/h且小于等于65km/h为2级，大于35km/h且小于等于50km/h为3级，大于20km/h且小于等于35km/h为4级，小于等于20km/h为5级；若研究路段为主干路，则平均行程速度大于45km/h为1级，大于35km/h且小于等于45km/h为2级，大于25m/h且小于等于35km/h为3级，大于15km/h且小于等于25km/h为4级，小于等于15m/h为5级；若研究路段为次干路，则平均行程速度大于35km/h为1级，大于25km/h且小于等于35km/h为2级，大于15km/h且小于等于25km/h为3级，大于10km/h且小于等于15km/h为4级，小于等于10km/h为5级；若研究路段为支路，则平均行程速度大于35km/h为1级，大于25km/h且小于等于35km/h为2级，大于15km/h且小于等于25km/h
为3级，大于10km/h且小于等于15km/h为4级，小于等于10km/h为5级。
[0046]
其次，评估预测周期内施工区周边交通路网的拥堵程度，根据中国《城市道路交通拥堵评价指标体系》可将路段的交通拥堵状况划分为5个等级，1～5分别代表运行非常畅通、畅通、轻度拥堵、中度拥堵和严重拥堵。所述等级划分规则为：若日交通拥堵指数大于等于0小于等于2，则道路网拥堵等级为1；若日交通拥堵指数大于2小于等于4，则道路网拥堵等级为2；若日交通拥堵指数大于4小于等于6，则道路网拥堵等级为3；若日交通拥堵指数大于6小于等于8，则道路网拥堵等级为4；若日交通拥堵指数大于8小于等于10，则道路网拥堵等级为5。
[0047]
作为优选的，步骤(3)中，日交通规划转移量的计算规则为：
[0048]
根据历史经验数据设置系统规划转移量的道路拥堵等级基准e
base
及转移最佳百分比δd％；根据前文模型求得的预测周期内各天的日交通需求量，设拥堵情况高于基准线e
base
的天数为dh,各天日交通需求量为拥堵情况低于基准线e
base
的天数为di。则各天的系统规划转移量由下式得出：
[0049][0050]
在计划周期内进行转移，在系统层面上，且保持总转移量在周期内应当为0。在交通拥堵路段，尤其是常发性拥堵交叉口，物料运输的卡车将在此发生产生大量延误，从而影响货物运输的准点性和当天的施工进度。交通拥堵状况越严重，对施工生产及之后工序的影响就越明显，日平均交通需求量影响就越明显，日平均交通需求量按时完成的可能性就越小，因此需要的规划转移量就越大。
[0051]
作为优选的，步骤(4)中，根据步骤(2)求解出的影响系数和步骤(3)求解出的日交通规划转移量，带入步骤(1)构建的sd模型，可求解预测周期内的日交通需求量。
[0052]
有益效果：本发明提出的一种基于人工智能算法的智慧工地交通需求预测方法，从工序特性、物料特性、人员管理、设备供应等角度，分析了这些相关变量与日交通需求量之间的复杂关系，确定了工序变化的三种模式：先快后慢、匀速变化、先慢后快，对工序进行分类；针对每类模式下的各工序，探究施工区内影响其日交通需求量波动的影响系数，开发并测试了基于神经网络的hd预测模型；同时还讨论了施工区周边复杂路网的拥堵对日交通需求量进行调整，计算日交通规划转移量，在既有运输路径和中期规划的基础上，协调短期内各天的日交通需求量，能够促进计划的完成，同时也能够更加真实地拟合实际现场状况。
附图说明
[0053]
图1是本发明实施例的方法流程图；
[0054]
图2是本发明实施例的工序模式的示例图；施工过程中，施工强度的时序规律大致可以分为前期慢后期快(a)，前后进度基本一致(b)，前期快后期慢(c)三类。
具体实施方式
[0055]
为了使本发明的内容更容易被清楚的理解，下面结合附图和具体实施例对本发明作进一步详细的说明。
[0056]
如图1-2(a)、(b)、(c)所示，本发明实施例公开的一种基于人工智能算法的智慧工地交通需求预测方法，包括如下步骤：
[0057]
s1、计算日均交通需求量，构建项目施工期交通需求预测模型；
[0058]
具体的，根据计划表得到在未来t天内第j个工序需要用第i种完成的物料需求量q
ij
，在已知需要完成的天数t、第n种载运工具的载运能力cn的基础上，可以计算出日均交通需求量所述日均交通量为各工序任务在计划周期内均匀分配情况下得到的日交通需求量。
[0059]
本实施例假设在下一预测周期内有三个需要进行的工序，预测周期为t＝5天，且每个工序需要完成的物料需求量具体为：
[0060][0061]
本实施例中，
[0062]
综合考虑相关工序进度、天气状况、施工设备技术水平、施工人数等因素的影响，施工单位所能提供的最大车辆数m，复杂路网的交通状况对货物的日交通量的影响，构建面向智慧工地的建筑施工日交通需求量预测模型为：
[0063][0064]
s2、依据施工强度的时序规律对工序进行分类，并确定施工项目过程中影响因素对每种工序日均交通需求量的影响系数:
[0065]
本发明从历史数据确定施工进度要求、工艺特性、相邻工序之间的相互影响、人员和配套设施的数量供应这四方面来对工序施工强度时序规律进行分类，其具体变量的定量取值方法为：
[0066]
第j种工序当前的工期进度xj和工程进度yj的表达采用百分比。
[0067]
针对工序本身的与施工相关的特性的定量分析，本发明选取有特殊要求的材质在工序物料中的占比sj来表达。
[0068]
针对相邻工序的完成情况对本工序的工程进度产生的影响，本发明选取变量w
j-1
和w
j+1
来刻画这类特征。w
j-1
代表上一相邻工序对该工序的进度的影响，
其中，d
j-1
代表上一相邻工序的任务在该周期内计划完成的天数，代表上一相邻工序的任务在该周期内实际完成需要的天数。若w
j-1
为负数，代表上一相邻工序未按计划完成任务，需要延期，对该工序的进度存在减缓效果；w
j-1
为正数，代表上一相邻工序超前完成计划，促进了该工序的展开。其中，δd代表下一相邻工序的任务需要加急或者可以延缓完成的天数，dj代表该周期内计划完成的天数。
[0069]
针对各类资源的供给情况用进行定量描述，其中,代表与该工序相关的发货商的物料供应情况，其中ng为理论上该工序所需要的物料量，表示实际供货商可以提供给该工序的物料量。施工团队的施工人员配置，其中n
p
为理论上该工序所需要的人员数量，表示实际团队可以提供给该工序的人员数量；表示施工设备等物力资源的供给，其中nm为理论上该工序所需要的横向调度和施工所需的设备数量，表示实际现场可以提供给该工序的设备数量。
[0070]
在选取模型输出方面，直接根据案例所存在的工期和工程进度关系，定义标签output＝{1,2,3}来作为输出。
[0071]
其中，1，2，3表示工期和工程进度的3种不同关系：前期慢后期快(type1)，前后进度基本一致(type2)，前期快后期慢(type3)。所述这些关系间不存在优先级，也没有先后顺序。
[0072]
由于工序施工进度在工期内的变化差异性较大，且影响因素众多，无法仅依据工期与工程的二维关系来准确对历史数据进行分类，因此设置如下样本标签分类规则：
[0073][0074]
若m1＝0，
[0075][0076]
本发明利用svm作为依据施工强度的时序规律来训练工序分类器的基础算法，对于每个工序j，有输入变量集合于每个工序j，有输入变量集合和输出变量outputj，并采用层次二分类的方法对工序进行更加精准的分类，先完成是否是type1的分类，再进行type2和type3的分类。
[0077]
求解施工项目过程中影响因素对每种工序日均交通需求量的影响系数方法如下：
[0078]
影响系数模型的输入如下所示：
[0079][0080]
式中，mj用来刻画管理人员对工序j施工进度的影响，该变量的取值与会议沟通频次、信息反馈的及时性和突发问题解决用时有关；用来表示受到天气制约的施工工艺在工序物料中的占比。
[0081]
针对每类工序，影响系数模型的输出变量为实际的日交通量与日均交通量之间的变化：
[0082][0083]
式中，s
dat
为历史数据中的实际每天的日交通需求量，s
da
为计划得到的日均交通需求量。
[0084]
本发明采用反馈型神经网络模型作为训练系数的模型，利用历史数据得到的input
2j
和hd训练模型。
[0085]
s3、评估预测周期内施工区周边交通路网的拥堵程度。
[0086]
首先，采用arima算法对物料运输线路上的日交通拥堵指数进行预测和拟合，arima模型具有如下结构：
[0087][0088]
式中，ε
t
为零均值白噪声的随机干扰序列，并且随机干扰与过去序列值无关。x
t-1
,χ
t-2
,χ
t-p
为预测周期前p天的物料运输路线上的日交通拥堵指数，系数可以通过spss拟合回归模型得到。
[0089]
所述物料运输路线上的日交通拥堵指数χ获取方法为：以15分钟为统计间隔，得到道路网中各路段的平均行程速度；根据路段平均行程速度等级划分(见表1)，判断各路段所处运行等级:统计各等级道路中处于第5级运行水平的路段里程比例；利用车公里数(vkt)加权，计算区域(总体)路网拥堵里程比例，加权系数推荐值如表2，表3所示；基于15分钟交通拥堵指数与拥堵里程比例的线性转换关系，得到15分钟交通拥堵指数；将早晚高峰时段内15分钟交通拥堵指数取算数平均值，得到工作日交通拥堵指数，将6:00am-22:00pm时段内15分钟交通拥堵指数取算数平均值，得到节假日交通拥堵指数。
[0090]
表1路段平均行程速度等级划分
[0091][0092]
表2车公里数(vkt)比例推荐值(工作日)
[0093] 快速路主干路次干路支路合计高峰时段0.190.430.150.231.00
全日平均0.200.410.160.231.00
[0094]
表3车公里数(vkt)比例推荐值(周末)
[0095] 快速路主干路次干路支路合计全日平均0.200.410.160.231.00
[0096]
其次，评估预测周期内施工区周边交通路网的拥堵程度，根据中国《城市道路交通拥堵评价指标体系》可将路段的交通拥堵状况划分为5个等级(如表1所示)，1～5分别代表运行非常畅通、畅通、轻度拥堵、中度拥堵和严重拥堵。
[0097]
表4道路拥堵等级与日交通拥堵指数对应表(单位：km/h)
[0098]
道路网拥堵等级12345日交通拥堵指数[0,2](2,4](4,6](6,8](8,10]
[0099]
日交通规划转移量的计算规则为：
[0100]
根据历史经验数据设置系统规划转移量的道路拥堵等级基准e
base
及转移最佳百分比δd％；根据前文模型求得的预测周期内各天的日交通需求量，设拥堵情况高于基准线e
base
的天数为dh,各天日交通需求量为拥堵情况低于基准线e
base
的天数为d
l
。则各天的系统规划转移量由下式得出：
[0101][0102]
本实施例中，取道路拥堵等级基准r
base
＝4，δd％＝15％，施工单位所能提供的最大车辆数m，模型预测出来各天的道路拥堵等级及影响系数具体为：
[0103] t+1t+2t+3t+4t+5道路拥堵等级ed33454影响系数hd0.741.30.891.131.119dd×
hd2645313939
[0104]
则各天的日交通规划转移量为：
[0105]
当d＝t+4时，e
t+4
》e
base
，
[0106]
当d＝t+1，d＝t+2时，e
t+1
＝e
t+2
《e
base
，
[0107]
当d＝t+3,d＝t+5时，e
t+3
＝e
t+5
＝e
base
,fd＝0。
[0108]
s4、根据求解出的影响系数和日交通规划转移量，求解预测周期内的日交通需求量：
[0109]
将计算得到的影响系数和计算得到的日交通规划转移量fd带入构建的sd模型，可求解预测周期内的日交通需求量具体为：
[0110][0111]
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

技术特征：
1.一种基于人工智能算法的智慧工地交通需求预测方法，应用于智能网联环境下的智慧工地场景，所述交通需求预测方法包括如下步骤：s1、计算日均交通需求量，构建项目施工期交通需求预测模型；s2、依据施工强度的时序规律对工序进行分类，并确定施工项目过程中影响因素对每种工序日均交通需求量的影响系数；s3、评估预测周期内施工区周边交通路网的拥堵程度，并计算日交通规划转移量；s4、根据求解出的影响系数和日交通规划转移量，获取预测周期内的日交通需求量。2.根据权利要求1所述的一种基于人工智能算法的智慧工地交通需求预测方法，其特征在于，步骤s1中日均交通需求量d
d
为各工序、任务在计划周期内均匀分配情况下得到：式中，q
ij
为在未来t天内第j个工序需要用第i种完成的物料运输需求量；c
n
为第n种载运工具的载运能力。3.根据权利要求2所述的一种基于人工智能算法的智慧工地交通需求预测方法，其特征在于，步骤s4中日交通需求量为：式中，系数h
dj
表示第d天第j个工序进度、天气状况、施工设备技术水平、施工人数的因素对于日交通量的影响程度；变量f
d
来表示第d天系统规划的交通转移量，用于描述复杂路网的交通状况也将对货物的日交通量产生影响；m为施工单位所能提供的最大车辆数，最终获得的日交通需求量s
d
应当小于施工单位所能提供的最大车辆数m。4.根据权利要求1所述的一种基于人工智能算法的智慧工地交通需求预测方法，其特征在于，步骤s2中，所述依据施工强度的时序规律对工序进行分类的分类器模型的输入、输出变量的选取方法如下：从历史数据确定施工进度要求、工艺特性、相邻工序之间的相互影响、人员和配套设施的数量供应这四方面来对工序施工强度时序规律进行分类，其具体变量的定量取值方法为：第j种工序当前的工期进度x
j
和工程进度y
j
的表达采用百分比；针对工序本身的与施工相关的特性的定量分析，选取有特殊要求的材质在工序物料中的占比s
j
来表达；针对相邻工序的完成情况对本工序的工程进度产生的影响，选取变量w
j-1
和w
j+1
来刻画这类特征；w
j-1
代表上一相邻工序对该工序的进度的影响，其中，d
j-1
代表上一相邻工序的任务在该周期内计划完成的天数，代表上一相邻工序的任务在该周期内实际完成需要的天数；若w
j-1
为负数，代表上一相邻工序未按计划完成任务，需要延期，对该工序的进度存在减缓效果；w
j-1
为正数，代表上一相邻工序超前完成计划，促进了该工序
的展开；其中，δd代表下一相邻工序的任务需要加急或者可以延缓完成的天数，d
j
代表该周期内计划完成的天数；工序的如期开展不仅需要恰当的安排，还需要充足的各专业施工班组工人以及各类设备和物资的投入；项目施工单位在工期各阶段分配给不同工序的人员施工配置以及资源供给往往是不同的；对于一些优先级高的项目，施工单位可能在工序工期的前期投入更多的人力和物力；优先级低的项目则在同一时间段投入较少的资源；因此，本发明采用离散变量来分别表述各类资源的供给情况；其中,代表与该工序相关的发货商的物料供应情况，其中n
g
为理论上该工序所需要的物料量，表示实际供货商可以提供给该工序的物料量；施工团队的施工人员配置，施工团队的施工人员配置，其中n
p
为理论上该工序所需要的人员数量，表示实际团队可以提供给该工序的人员数量；表示施工设备等物力资源的供给，其中n
m
为理论上该工序所需要的横向调度和施工所需的设备数量，表示实际现场可以提供给该工序的设备数量；在选取模型输出方面，直接根据案例所存在的工期和工程进度关系，定义标签output＝{1,2,3}来作为输出；其中，1，2，3表示工期和工程进度的3种不同关系：前期慢后期快(type1)，前后进度基本一致(type2)，前期快后期慢(type3)；所述这些关系间不存在优先级，也没有先后顺序；由于工序施工进度在工期内的变化差异性较大，且影响因素众多，无法仅依据工期与工程的二维关系来准确对历史数据进行分类，因此设置如下样本标签分类规则：若m1＝0，利用svm作为依据施工强度的时序规律来训练工序分类器的基础算法，对于每个工序j，有输入变量集合j，有输入变量集合和输出变量output
j
，并采用层次二分类的方法对工序进行更加精准的分类，先完成是否是type1的分类，再进行type2和type3的分类。5.根据权利要求1所述的一种基于人工智能算法的智慧工地交通需求预测方法，其特征在于，步骤s2中，施工项目过程中影响因素对每种工序日均交通需求量的影响系数求解
方法如下：针对每类工序，影响系数模型的输入变量除了input
j
中的因素外，还考虑了人和环境对于工程进度的影响；人的影响主要体现在施工单位的管理效率，若该工序的施工现场缺乏专业的管理人员，或者分配负责该工序的管理人员专业水平及素质低，则会对整个工序的进度产生消极影响；本发明选取管理效率m
j
来刻画管理人员对工序j施工进度的影响，该变量的取值与会议沟通频次、信息反馈的及时性和突发问题解决用时有关；工序是否能顺利开展还会受到天气的影响，尤其是天气对于施工工艺的限制，在气温过低时会导致水泥灰浆、各类涂料等装修材料的凝固、冻结；在降雨量过高时，砌墙工程中砂浆水泥会被冲刷流失，会发生坑沟积水，并因混凝土被严重冲刷，从而影响整个工艺的进度；本发明选择受到天气制约的施工工艺在工序物料中的占比来表达；综上所述，影响系数模型的输入如下所示：针对每类工序，影响系数模型的输出变量为实际的日交通量与日均交通量之间的变化：式中，s
dat
为历史数据中的实际每天的日交通需求量，s
da
为计划得到的日均交通需求量；采用反馈型神经网络模型作为训练系数的模型，利用历史数据得到的input
2j
和h
d
训练模型。6.根据权利要求1所述的一种基于人工智能算法的智慧工地交通需求预测方法，其特征在于，步骤s3中，评估预测周期内施工区周边交通路网的拥堵程度的方法为：首先，采用arima算法对物料运输线路上的日交通拥堵指数进行预测和拟合，arima模型具有如下结构：式中，ε
t
为零均值白噪声的随机干扰序列，并且随机干扰与过去序列值无关；χ
t-1
,x
t-2
,x
t-p
为预测周期前p天的物料运输路线上的日交通拥堵指数，系数可以通过spss拟合回归模型得到；所述物料运输路线上的日交通拥堵指数x获取方法为：以15分钟为统计间隔，得到道路网中各路段的平均行程速度；根据路段平均行程速度等级划分方法，判断各路段所处运行等级；统计各等级道路中处于第5级运行水平的路段里程比例；利用车公里数(vkt)加权，计算区域(总体)路网拥堵里程比例；基于15分钟交通拥堵指数与拥堵里程比例的线性转换关系，得到15分钟交通拥堵指数；将早晚高峰时段内15分钟交通拥堵指数取算数平均值，得到工作日交通拥堵指数，将6:00am-22:00pm时段内15分钟交通拥堵指数取算数平均值，得到节假日交通拥堵指数；所述平均行程速度等级划分方法为：若研究路段为快速路，则平均行程速度大于65km/h为1级，大于50km/h且小于等于65km/h为2级，大于35km/h且小于等于
50km/h为3级，大于20km/h且小于等于35km/h为4级，小于等于20km/h为5级；若研究路段为主干路，则平均行程速度大于45km/h为1级，大于35km/h且小于等于45km/h为2级，大于25m/h且小于等于35km/h为3级，大于15km/h且小于等于25km/h为4级，小于等于15m/h为5级；若研究路段为次干路，则平均行程速度大于35km/h为1级，大于25km/h且小于等于35km/h为2级，大于15km/h且小于等于25km/h为3级，大于10km/h且小于等于15km/h为4级，小于等于10km/h为5级；若研究路段为支路，则平均行程速度大于35km/h为1级，大于25km/h且小于等于35km/h为2级，大于15km/h且小于等于25km/h为3级，大于10km/h且小于等于15km/h为4级，小于等于10km/h为5级；其次，评估预测周期内施工区周边交通路网的拥堵程度，根据中国《城市道路交通拥堵评价指标体系》可将路段的交通拥堵状况划分为5个等级，1～5分别代表运行非常畅通、畅通、轻度拥堵、中度拥堵和严重拥堵；所述等级划分规则为：若日交通拥堵指数大于等于0小于等于2，则道路网拥堵等级为1；若日交通拥堵指数大于2小于等于4，则道路网拥堵等级为2；若日交通拥堵指数大于4小于等于6，则道路网拥堵等级为3；若日交通拥堵指数大于6小于等于8，则道路网拥堵等级为4；若日交通拥堵指数大于8小于等于10，则道路网拥堵等级为5。7.根据权利要求2所述的一种基于人工智能算法的智慧工地交通需求预测方法，其特征在于，步骤s3中，日交通规划转移量的计算规则为：根据历史经验数据设置系统规划转移量的道路拥堵等级基准e
base
及转移最佳百分比δd％；根据前文模型求得的预测周期内各天的日交通需求量，设拥堵情况高于基准线e
base
的天数为d
h
,各天日交通需求量为拥堵情况低于基准线e
base
的天数为d
l
；则各天的系统规划转移量由下式得出：在计划周期内进行转移，在系统层面上，且保持总转移量在周期内应当为0；在交通拥堵路段，尤其是常发性拥堵交叉口，物料运输的卡车将在此发生产生大量延误，从而影响货物运输的准点性和当天的施工进度；交通拥堵状况越严重，对施工生产及之后工序的影响就越明显，日平均交通需求量就越明显，日平均交通需求量按时完成的可能性就越小，因此需要的规划转移量就越大。

技术总结
本发明公开了一种基于人工智能算法的智慧工地交通需求预测方法，包括：设计项目施工期交通需求预测模型，并对模型参数提出求解方法；考虑施工区域内施工工序、人员配置计划的波动，依据施工强度的时序规律对工序进行分类；分析工程延期的主要影响因素，依据每类工序的特点分别设计神经网络模型，确定影响因素对每类工序日交通需求量的影响系数。本发明提供的方法综合考虑了施工区域内及施工区周边交通环境对施工物料运输车辆日交通需求量的影响，提出的预测方法能够更好地适用不同工程项目，精准预测日交通需求量，有助于动态实现每日进出各施工区的货物运输车辆管理监控、交通组织路线规划及横纵向调度管理。通组织路线规划及横纵向调度管理。通组织路线规划及横纵向调度管理。


技术研发人员：张宗军 林谦 刘永 王昊 董长印 佘希希 郭浩冉 杨童瑞 丁艺
受保护的技术使用者：东南大学
技术研发日：2023.07.27
技术公布日：2023/10/20