城市道路基础设施维护规划与神经网络的应用

文摘

城市道路基础设施内的维修计划管理是一个复杂的问题从管理和technoeconomic方面。这项研究的重点是在计划阶段决策过程相关的管理城市道路基础设施项目。本研究的目的是设计和开发一个ANN模型以达到一个成功的预测公路恶化作为维护规划活动的工具。这样一个模型的一部分,提出了城市道路基础设施管理和决策支持的概念规划活动的决策支持工具。输入数据得到从圆6.0路面设计软件和用于确定压力值(560测试组合)。发现它是可能的,需要这样一个模型适用于决策支持的概念,以提高城市道路基础设施维修规划流程。

1。介绍

城市道路基础设施系统的开发是现代城市扩张过程不可分割的一部分。在国际上,道路是主要运输资产和有价值的基础设施由数以百万计的上班族每天使用,由世界各地的数百万公里。根据(1),公共道路在经合组织国家的平均长度超过500000公里,往往是最大的国有资产。这样的基础设施覆盖整个城市地区的15 - 20%和超过40%的城市中心地区2]。因此,道路基础设施无疑是被视为重要的和有价值的公共资产应该小心地管理在其生命周期。

一般来说,道路养护的重要性可以被视为以下(1]:(我)道路是国家重要资产支撑的经济活动。(2)道路运输是经济活动的基础。(3)日益老化的基础设施需要增加道路维护。(iv)交通数量继续增长,驱动增加了对维护的需要。(v)道路养护的影响是不同的,必须理解。(vi)未来投资维护在正确的时间将节省大量成本。(七)维护投资必须妥善管理。(八)道路基础设施为子孙后代为道路养护计划是必要的。

在城市地区,道路基础设施的质量直接影响着居民的生活质量(3),如居民的健康、安全、经济机会和条件,工作和休闲(3,4]。因此,每个动作都需要周密的计划,因为它是高度复杂和社会敏感。为了处理这些问题,市政府时常常遇到相当大的问题在计划阶段有必要找到一个解决方案,满足所有利益相关者的要求,同时是一个期望的发展概念的一部分。当他们受限于特定的年度预算建设,维护,和治疗活动,项目的优先级成为最重要和最困难的问题之一是解决公共决策过程(5]。

为了应对这种复杂性,各种管理信息系统。一些旨在改善决策在城市道路基础设施规划水平基于多准则方法(如简单的加性加权(看到)和层次分析(AHP)处理)和人工神经网络(ann) [5),其他几种多准则方法相结合(如AHP和PROMETHEE法(6),层次分析法,ELECTRE PROMETHEE法(7])或仅仅使用单一的多准则方法(如层次分析法(8])。Deluka-Tibljašet al。2)综述了各种多准则决策分析方法及其应用过程对交通基础设施。他们得出的结论是,由于问题的复杂性,应用多准则分析方法等系统的决策支持系统(DSS)可以大大有助于改善决策过程的质量关于交通基础设施在城市地区。

除了上述系统主要用于战略管理,大多数连接到各种路面系统维修管理方面。一个典型的路面管理系统应该帮助决策者选择最佳的维护计划,以便最大化利用可用的资源。这一计划的回答问题,如使用哪个维持治疗和何时何地。优先级的质量直接影响可用资源的有效性,这通常是主要决策者的目标。因此,王et al。9)开发了一个整数线性规划模型来选择一组候选项目从公路网的规划周期5年。模型测试在一个小的10路部分关于两个网络优化objectives-maximization总数的维护和康复效果和维护和康复干扰总成本的最小化。多年来,路面管理系统已经用于公路机构改善计划努力与路面保存活动相关,人行道上保存提供所需的信息支持决策过程,并比较另类保护策略的长期影响。因此,路面管理的一个组成部分是一个机构的资产管理努力和成本效益的一个重要工具管理交通基础设施的大规模投资。齐默尔曼和Peshkin10)强调了问题将路面管理和预防性维护与建议为提高路面管理系统,而张et al。11)开发了一种新的网络级路面资产管理系统利用生命周期分析和优化方法。提出管理系统允许决策者保持一个健康的人行道网络生命周期,减少能源消耗、温室气体排放,或作为一个单独的目标成本和也满足预算约束和其他决策者的约束。

人行道上严重影响公路网络的管理成本。操作人行道代表一个具有挑战性的任务涉及复杂决策的应用维护操作保持在一个合理的水平的性能。应用计算工具来支持决策的主要困难在于大量的路面部分由于公路网络的长度。因此,Denysiuk et al。12)提出了一个两阶段的维护调度多目标优化人行道为了获得计算治疗模型大公路网络。一般作为给定的框架,它可以扩展到不同类型的基础设施资产。Abo-Hashema和拉夫13)提出了柔性路面维护决策模型可以帮助决策者规划和成本分配的更有效地维护和康复过程。他们建立一个维修决策模型灵活使用数据从人行道路面长期性能DataPave3.0软件。该预测模型基于密度决定了维护和康复活动遇险修复方法和预测未来的维护单位值确定未来的维护需求。

人工神经网络的应用为了发展预测模型主要是连接道路材料和造型路面混合物(14- - - - - -16),而不是规划过程,特别是维护计划。因此,本研究的目标是设计和开发一个ANN模型以达到一个成功的预测道路恶化作为维护工具规划活动。这样一个模型的一部分提出决策支持概念(DSC)城市道路基础设施管理和规划活动的决策支持工具。

本文的组织结构如下:部分2提供决策支持的概念的研究背景以及方法论发展的ANN预测模型作为一种工具在DSC支持决策。节3,该模型显示的结果和讨论。最后,给出了结论和建议部分4。

2。方法

2.1。研究背景

根据业务的需要,不同的信息系统是为了不同的目的而开发的。许多作者研究的可能性产生城市管理决策支持工具的形式不同的决策支持系统。这种方法是由Bielli [17)为了实现整个城市交通系统的最大效率和生产力,而Quintero et al。18)描述了这样一个系统的一个改良版本名为ids(智能决策支持系统)坐标同时管理几个城市基础设施系统。Jajac et al。5,6]提出了如何生成和使用不同的决策支持模型在不同决策水平为目的的成本和收益分析潜在的基础设施投资。一个决策支持的概念(DSC)旨在改善城市道路基础设施规划提出的基于多准则方法和人工神经网络Jajac et al。4]显示如何改善城市道路基础设施规划。它展示了在规划阶段决策过程可以在所有决策支持水平适当的DSC模块之间的交互。

的结构提出了城市道路基础设施管理决策支持的概念(图1)是基于作者的先前的研究,在城市基础设施的“三个决策水平”的概念(5,6,19)和空间(4,20.提出了管理。提出的概念是模块化、基于DSS基本结构(21数据库:(i),(2)模型基础,和(3)对话框模块。整个决策过程之间的交互模块实现管理水平作为他们作为会议点足够的模型从模型基础和数据从数据库模块。同时,决策者之间的相互作用,专家和利益相关者是至关重要的,因为他们处理各种类型的问题(从结构化与非结构化)。

第一个管理水平支持决策者以最低的运营管理水平。除了支持决策过程的通用功能在操作层面,它是一个集合点的数据和信息是定义良好和结构化的问题。此外,它提供了信息流动对决策水平较高(箭头1图1)。(即决策者在第二个管理水平。,tactical management level) deal with less-defined and semistructured problems. At this level, tactical decisions are delivered, and it is a place where information basis and solutions are created. Based on applied models from the model base, it gives alternatives and a basis for future decisions on the strategic management level (arrow 2 in Figure1),处理甚至没有太明确定义和非结构化问题。根据决策问题,可以使用各种方法(安,例如)。在第三个管理水平,根据专家交付从战术层面,系统的未来发展。战略形成,作为决策和管理水平较低的框架(箭头在图3和图41)。

决定整个系统都是基于知识生成在运营决策层面,在一个适当的知识结构系统的数据库(地理信息系统(GIS),例如,)。除了DSS结构元素,这显然影响系统管理水平,从环境中其他因素在决策过程有相当大的影响以及管理流程,如图1。这样的结构是发现适合各种城市管理系统,及其结构容易支持决策过程的所有阶段。由于本研究是集中在城市道路基础设施管理,特别是在规划过程的改进,这一概念是用来支持决策过程在这些管理功能的实现。本文重点是城市道路基础设施的维护计划过程神经网络的应用。

ANN预测模型的发展需要大量的技术和专长的领域。需要收集足够的数据(从监测和/或收集已有的历史数据)从市区。从这样的一个集合,数据分析,作为一个起点预测模型的发展。这样的预测模型导入现有的或新的决策支持系统发展的结果在一个决策者的支持工具,也就是说,政府当局在选择适当的维护措施。

2.2。ANN预测模型的发展

今天,人工神经网络的实现为了发展预测模型成为了一个非常有趣的研究领域,可以用来解决各种问题。因此,这样的想法是开发一个ANN预测模型将协助决策者在处理维护规划城市道路基础设施的问题。

在路面施工,根据克罗地亚国家标准对沥青路面设计(HRN U.C4.012),每个人都应该考虑几层材料:沥青材料,颗粒由液压粘合剂材料稳定,飘散的粒度的材料、路基。路面设计方法分为两组:实证和分析方法。在路面设计实证方法作为系统的观测对路面性能在现有道路部分,在分析路面,设计数学模型计算包括确定应变和应力在路面层,也就是说,公路恶化预测。因此,应力和应变的计算值是用于估计路面生活和损伤评估(22]。根据Babić[23),以达到所需的耐久性路面施工,需要实现如下:(我)最大垂直压缩应变在路基不超过一定的数量。(2)水平径向应力(应变)的底部cement-bearing层小于许用应力(应变)。(3)水平径向应力(应变)底部的沥青层小于许用应力(应变)。

认为满足上述要求防止路面过早开裂情况。图2路面横截面显示了用于建模过程。很明显,观察到的建筑由三层组成,也就是说,沥青层,飘散的粒状材料层和路基层。选择标准的负载下路面结构表达段落的ESAL (80 kN等效单轴负载),也就是说,轴加载2轮两边的轴之间的空间35厘米,轴的宽度1.8米。这样的道路在道路结构是最常用的介质和低克罗地亚共和国的交通负荷。

一个ANN预测模型建模的目的发展的,只有水平径向应力观测在沥青层的底部,在车轮下。为了确定沥青层的底部的压力值分析,圆6.0路面设计软件(6.0进一步圆)。这个软件是在澳大利亚几十年前开发的,自1987年以来,它已经不可或缺的一部分Austroads路面设计指南,道路设计标准的澳大利亚和新西兰以及世界范围内道路设计。严格的圆6.0是一个软件包柔性路面设计方法对路面材料特性和性能模型实现(https://pavement-science.com.au/softover/circly/circly6_overview/)。材料特性(杨氏模量和泊松比),加载,每一层的厚度作为输入数据,输出数据时沥青层的底部的应力值。

在研究的第二部分,图(图3)提出了执行测试,数据收集的造型过程(1),该部门的数据(2)、确定ANN模型的架构(3),采用ANN模型的测试(4),采用ANN模型的预测性能分析在独立的数据集(5),采用ANN模型的和应用在不同类型的建筑(6)。

ANN模型的目的是用来实现一个成功的预测水平径向应力的底部沥青层。安的主要目标是生产预测模型基于收集的数据,测试在一个独立的数据集,随后,测试扩展(独立)数据集的基本模型,分析模型的性能,最终,在几个路面结构变量特性。

2.2.1。建模过程的数据收集

ANN模型生产的需要,使用输入数据如表所示1。总共有560的测试组合应用,包含变量值的特定的路面结构上的负载,沥青层的特征(泊松比,弹性模量、厚度和体积活页夹内容),飘散的粒状材料,路基(弹性模量和泊松比)。圆6.0是用来确定压力值(560测试组合)底部的沥青层(下轮)。最初的活动减少到收集数据从圆6.0软件组合(560)10自变量表中列出1作为输入值。因变量的依赖(压力)和10个独立变量。之后,收集到的数据在生产和测试的过程中使用ANN模型。

2.2.2。建筑设计的ANN模型

特别是对于本研究目的是考虑的同时影响多个变量的预测沥青层应力,采用前馈神经网络的ANN预测模型的发展。它由至少三层:输入、隐藏和输出。输入和输出层神经元的数目被定义为选定的数据,而隐层神经元的数目应该优化,以避免过度拟合模型,定义为损失的预测能力(24]。因为每层包含连接的神经元的激活函数,乙状结肠函数使用。反向传播算法用于训练过程。应用神经网络的配置如图4。

RapidMiner Studio 8.0版本软件包用于开发ANN模型。为了设计的架构ANN模型输入数据收集(560)从圆6.0路面设计软件。总收集的数据分为两个部分。更大的一部分(70%)数据集中的数据被用来设计ANN模型的体系结构,而其余的数据(30%)是用来测试接受模型。全部数据分为那些参与开发和测试的过程随机模型。最初的路面性能建模过程的作用是优化输入参数(动力、学习速率和培训周期)。优化后(前)参数定义的方法,隐藏层的数量和单个神经元层决定。当训练数据集上的ANN模型的设计,模型采用一个独立的测试数据集访问(30%)。

的最优组合采用安结合1隐藏层,20在一层神经元,学习速率0.28,和640年的训练周期。采用组合允许的最高价值的实现确定系数(R²= 0.992)测试和预测值之间的拉伸应力(沥青层)。

2.2.3。测试用例

本研究的目的,输入数据被分为3测试用例(A、B和C):(我)基础模型(确定ANN模型架构模型的培训在391年的一组输入模式,和测试一个内置的模型在167个独立的数据集)(2)b测试基地ANN模型在一个独立的(扩展)数据集(额外的100测试数据)(3)c应用程序开发了ANN模型的预测过程中沥青层的压力在几个不同的道路路面结构(4例)

在分析(图5),额外的测试基地的ANN模型(A)一个独立数据集执行(B)(扩展)。扩展的测试数据集包含一个沥青层厚度在2.8 - 24.1厘米,沥青弹性模量从1400年到9700年MN / m²,飘散的粒状材料的厚度从12到96厘米,和特定的负载接触面积从0.5到0.8 MN / m²。C显示部分采用ANN模型的预测成功4日不同的路面结构(独立的数据)。因此,沥青层厚度的个人关系,弹性模量,游离颗粒层,厚度和接触面积上的特定负载和压力进行了分析。

3所示。结果与讨论

开发了ANN预测模型的结果显示在图6的形式获得确定系数的值(R²)观察到测试用例A、B和c。很明显,一个非常高的确定系数实现(从0.965 (B)到0.999 (C4))。的R²结果是一致的结果Ghanizadeh和阿哈迪25]在他们的预测(ANN预测模型)的关键反应灵活的人行道上。

介绍概述的平衡结果的情况下,B和C,其中还包括一个视图的测试基本ANN模型独立的数据。图7显示了线性关系(y= 1.0219x−0.0378)之间的实际压力值(x),并预测压力值(y)的情况下测试的ANN模型在一个独立的数据集(30%)。实现了线性关系,很明显,在6 MPa, ANN模型预测高0.094 MPa压力值相比,真正的压力值。在1 MPa,这种差异会降低0.02 MPa相比,真正的压力值。从获得的线性关系,可以得出结论,采用ANN模型达到一个成功的预测的应力值相比,真正的结果是不包括ANN模型的开发过程。

图8显示了线性关系(y= 1.0399x−0.0358)之间的实际压力值(x),并预测压力值(y)的情况下测试的ANN模型上开发一个独立的数据集(扩展)。从显示函数关系,很明显,一个较低的确定系数0.965实现对a .获得的线性关系,显然,在4 MPa, ANN模型预测高0.12 MPa压力值相比,真正的压力值。

表2提出了4种不同路面结构的输入参数(C1-4)的个人影响沥青层厚度、沥青弹性模量、厚度的粒状材料,和特定的负载水平径向应力的底部沥青层(下轮)进行了分析。分析的目的,另外56圈6.0软件收集测试用例。

结合C1(图9),比较沥青路面结构层厚度和观察到的压力在其轴承的组成有20和90厘米厚度层显示。为固定值,具体的接触面积上的负载(0.7 MPa), elasticity-asphalt层模量(4500 MPa)。因此,预测压力之间的关系和真正的价值(通过使用计算机程序)进行了分析。获得的功能关系清楚地表明,沥青层厚度的增加导致预期下降的压力沥青层。这种压力下降最大的是飘散的粒状材料(20厘米),达到2.44 MPa结构包含4厘米至20厘米厚的沥青(压力损失0.9 MPa在建设90厘米轴承层的厚度)。最大的区别(ANN模型)预测和实际压力值的0.25 MPa(飘散的粒状材料20厘米、4厘米沥青厚度)被记录。测定的平均系数(R²)结合C1高0.998。

图10(C2)显示了elasticity-asphalt层的模量和应力之间的关系包含6 - 18厘米厚沥青路面结构层。在观察到的组合,一个固定的层厚度50厘米(游离颗粒材料)和一个特定的负载0.7 MPa的接触面积。C1与组合,预测压力和实际价值之间的关系进行了分析。从获得的功能关系,很明显,elasticity-asphalt层模量的增长增加了压力。增加的压力是最大的建设与薄沥青(6厘米),相当于1.8 MPa之间包含elasticity-asphalt层模量的结构1400 MPa和9700 MPa(压力增长0.5 MPa建设18厘米厚沥青层)。最大的区别(从开发了ANN模型)预测和实际压力值达到0.084 MPa(弹性模量4500 MPa, 6厘米沥青厚度)。测定的平均系数(R²C2)组合高0.996。

下图(图11)显示的颗粒层的厚度之间的关系和沥青层应力变弹性模量(1400 MPa和9700 MPa)。结果,一个固定的沥青层厚度(10厘米)和特定的接触面积上的负载(0.5 MPa)。作为一个例子,预测之间的关系和沥青显示真正的压力。从结果可以看出,随着厚度的增加游离颗粒层的沥青层应力却降低了。测定的平均系数(R²)结合C3很高,相当于0.987。图10清楚地显示了一个更大的区别真正的和预测的应力值在沥青层(1400 MPa)。最大的区别在压力值达到0.18 MPa(40厘米厚轴承层,1400 MPa elasticity-asphalt层模量)。较大的偏差也会减少个人决心系数的0.958(对沥青层1400 MPa)。

结合C4(图12)分析的影响特定的负载在接触区域压力值(实际值和预测值)。在观察到的组合,接触面积上的特定负载的值范围从0.5到0.8 MPa。使用40厘米厚的颗粒层,4和16厘米厚的沥青层,沥青层弹性模量的6700 MPa。测定的平均系数(R²在这种组合高0.999。从结果,很明显,在4厘米厚的沥青层施工的情况下,有一个增长的区别真正的和预测的压力值作为特定的价值增加接触面积上的负载。因此,这种差异是0.13 MPa在0.8 MPa的特定负载。也明显的16厘米厚沥青施工、ANN预测模型没有任何明显的应力值变化由于观察到特定负载接触面积的增长(这种增长在实际压力值达到0.06 MPa)。

研究项目的实施,结果表明:应力的预测价值底部的沥青层是成功通过使用发达的ANN模型。正如前面所示,初始部署ANN模型的测试过程进行一个独立的数据集(数据在数据集的30%),并没有用于观察模型的训练阶段。达到了可接受的因变量的预测的结果,一个独立的应用(扩展)组测试用例,在先前部署的ANN模型随后测试。一旦训练有素的ANN模型被认为是一个成功的模型,应用相同的预测过程中四种不同路面结构的进一步的测试过程。结果证实,可以成功地使用路面条件的开发了ANN模型预测方法。ANN建模/测试过程后,有必要比较获得的输出值和允许的值。为了跟踪建设来实现所需的耐久性,它也需要检查的最大路基顶部垂直压缩应变不超过一定的数量。根据本研究发现,路面性能预测的成功开发了ANN模型还很大程度上取决于输入模式建模过程中使用的范围以及适用的独立变量。

因此,开发了ANN模型给出了很好的预测真正的底部的沥青层应力值。与圆6.0得到的分析结果相比,它有非常高的确定系数的所有测试用例基于真实路面结构的可能性。

作为本研究的目的是设计和开发一个ANN模型以实现成功的预测道路恶化作为维护规划活动的工具,它可以得出的结论是,这样一个基于ANN预测模型成功发达。因此,这样一个模型的一部分提出决策支持(DSC)对城市道路基础设施管理概念模型的基础,可以作为一个决策支持工具规划活动发生在战术管理水平。

4所示。结论

提出决策支持的概念和开发了ANN模型表明,复杂而敏感的决策过程,如城市道路基础设施的维护计划,可以正确地支持如果正确组织和使用适当的方法和数据。本文应用人工神经网络的预测变量关于城市道路维护和实施过程模型决策支持的基础概念对城市道路基础设施的管理。本研究的主要目的是设计和开发一个ANN模型以达到一个成功的预测道路恶化作为维护工具规划活动。

数据获得的560个不同的组合从圆6.0路面设计软件和用于训练、测试和验证的ANN模型。该模型显示了很好的预测可能性(最低R²= 0.987,最高R²= 0.999),因此可以用作计划维护活动和决策支持工具的价值模型在模型基础模块提出了城市道路基础设施管理决策支持的概念。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. 世界道路协会(PIARC),“道路养护的重要性,世界道路协会(PIARC),“2014年,2018年1月,http://www.erf.be/images/Importance_of_road_maintenance.pdf。视图:谷歌学术搜索
2. a . Deluka-Tibljašb Karleuša, n . Dragičević”审查multicriteria-analysis方法应用的决策对交通基础设施,“Građevinar,卷65,不。7,619 - 631年,2013页。视图:谷歌学术搜索
3. t . Hanak i Marović,s . Pavlović”居住环境的初步识别可持续城市地区,造型评估指标”国际期刊工程造型,27卷,不。1 - 2、61 - 68年,2014页。视图:谷歌学术搜索
4. Marović,房地产价值管理、决策支持系统(博士学位。论文)萨格勒布大学土木工程学院,萨格勒布,克罗地亚,2013。
5. n . Jajac i Marović,t . Hanak”为城市交通管理决策支持项目,“Građevinar,卷67,不。2、131 - 141年,2015页。视图:谷歌学术搜索
6. n . Jajac s Knezići Marović,“城市基础设施维修管理决策支持系统”,在施工组织、技术和经营管理:国际期刊,1卷,不。2、72 - 79年,2009页。视图:谷歌学术搜索
7. b . Karleuša a Deluka-Tibljaš,m . Benigar”可能实现的多准则optimalisation交通规划和设计,“Suvremeni promet,23卷,不。1 - 2、104 - 107年,2003页。视图:谷歌学术搜索
8. d . Moazami h . Behbahani, r . Muniandy”城市道路路面恢复和维护优先级使用模糊逻辑,“专家系统与应用程序,38卷,不。10日,12869 - 12879年,2011页。视图:出版商的网站|谷歌学术搜索
9. 张z . f . Wang, r . Machemehl”对路面养护管理决策问题和康复项目,“交通研究记录:《交通研究委员会卷,1853页的第21至28,2003。视图:出版商的网站|谷歌学术搜索
10. k·齐默尔曼和d . Peshkin”问题在整合路面管理和预防性维护,”交通研究记录:《交通研究委员会卷。1889年,13-20,2004页。视图:出版商的网站|谷歌学术搜索
11. 张h . g . a . Keoleian和m . d . Lepech”网络级路面资产管理系统结合生命周期分析和生命周期优化,“《基础设施系统,19卷,不。1,第107 - 99页,2013。视图:出版商的网站|谷歌学术搜索
12. r . Denysiuk a . v . Moreira j·c·马托斯j·r·m·奥利维拉和a·桑托斯”两阶段多目标优化的维修调度人行道,“《基础设施系统,23卷,不。3,04017001条,2017年。视图:出版商的网站|谷歌学术搜索
13. m·a·Abo-Hashema和e·a·拉夫”发展柔性路面的维修决策模型”路面工程的国际期刊,10卷,不。3、173 - 187年,2009页。视图:出版商的网站|谷歌学术搜索
14. n . Zavrtanik j . Prosen m . Tušar, g . Turk”使用人工神经网络建模空隙内容聚合混合物,”自动化建设卷,63年,第161 - 155页,2016年。视图:出版商的网站|谷歌学术搜索
15. d·辛格·m·扎曼,美国Commuri“人工神经网络建模的动态模量热拌沥青使用骨料形状属性,“土木工程材料》杂志上,25卷,不。1,54 - 62年,2013页。视图:出版商的网站|谷歌学术搜索
16. 即Androjić和i Marović”,发展人工神经网络和多元线性回归模型预测过程的热拌沥青性质,“加拿大土木工程杂志》上,44卷,不。12日,第1004 - 994页,2017年。视图:出版商的网站|谷歌学术搜索
17. m . Bielli”DSS城市交通管理方法。”欧洲运筹学杂志》上,卷61,不。1 - 2、106 - 113年,1992页。视图:出版商的网站|谷歌学术搜索
18. a . Quintero d科纳雷和皮埃尔,”原型的智能决策支持系统改善城市基础设施管理,“欧洲运筹学杂志》上,卷162,不。3、654 - 672年,2005页。视图:出版商的网站|谷歌学术搜索
19. n . Jajac设计决策支持系统的管理城市环境的基础设施系统,[硕士论文)经济学的分裂,大学教师,分裂,克罗地亚,2007。
20. Marović,即Završki, n . Jajac”排名区模型——multicriterial空间管理方法的城市地区,”克罗地亚运筹学审查》第六卷,没有。1,第103 - 91页,2015。视图:出版商的网站|谷歌学术搜索
21. e .头巾决策支持和专家系统:管理支持系统麦克米伦出版公司,纽约,纽约,美国,1993年。
22. n . Vukobratovići Barišić,s . Dimter”材料特性对路面设计的影响分析和实证方法,”e-GFOS,14卷,8-19,2017页。视图:谷歌学术搜索
23. b . Babić路面设计萨格勒布,克罗地亚土木工程师协会,1997。
24. s . o .微积分神经网络和学习机器培生教育,上台北,美国,2009年。
25. a . r . Ghanizadeh和m . Reza阿哈迪”,应用人工神经网络进行分析的灵活的人行道标准轴的静态载荷作用下,“国际交通工程杂志》上,3卷,不。1,31-42,2016页。视图:出版商的网站|谷歌学术搜索

版权

版权©2018伊凡Marovićet al。这是一个开放访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。