CN114912635A - 一种公路养护决策方法、系统、存储介质和电子设备 - Google Patents

一种公路养护决策方法、系统、存储介质和电子设备 Download PDF

Info

Publication number
CN114912635A
CN114912635A CN202210469521.6A CN202210469521A CN114912635A CN 114912635 A CN114912635 A CN 114912635A CN 202210469521 A CN202210469521 A CN 202210469521A CN 114912635 A CN114912635 A CN 114912635A
Authority
CN
China
Prior art keywords
road
model
predicted value
parameters
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210469521.6A
Other languages
English (en)
Inventor
申富林
钟子林
郭咏辉
罗立娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Railway Polytechnic
Original Assignee
Guangzhou Railway Polytechnic
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Railway Polytechnic filed Critical Guangzhou Railway Polytechnic
Priority to CN202210469521.6A priority Critical patent/CN114912635A/zh
Publication of CN114912635A publication Critical patent/CN114912635A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及公路养护技术领域，尤其涉及一种公路养护决策方法、系统、存储介质和电子设备，方法包括：将待检测公路的使用年限、预设时间段内的每个预设时刻的环境数据、以及预设时间段内的每个预设时刻的交通负荷数据，输入训练好的模型中，能够准确得到待检测公路的在目标时刻的道路损坏率的预测值、国际平整度指数的预测值、车辙深度的预测值和防滑指数的预测值，进而能够准确确定待检测公路的目标养护决策，有助于降低公路的养护成本，还能够保证驾驶安全性。

Description

一种公路养护决策方法、系统、存储介质和电子设备
技术领域
本发明涉及公路养护技术领域，尤其涉及一种公路养护决策方法、系统、存储介质和电子设备。
背景技术
截至2020年底，中国公路总里程约16.1万公里，据中国交通部统计，中国已成为世界上总里程最长的国家。中国修建的大多数公路的设计寿命为15至20年，但由于超载和维护不当，某些路段在使用5至10年甚至更短时间后需要进行大规模维护。换言之，公路养护，特别是路面养护，已成为公路工程中最重要的问题之一，并在中国和其他国家迅猛发展。由于资金有限和公路基础设施网络老化，机构决策者的任务是在公路路面养护方面做出最具成本效益的决策，以更好地支持服务质量和提高驾驶安全性。
目前方法中，忽略了不同时刻的交通负荷数据会对公路产生不同的损伤，例如，在相同的交通负荷数据下，对公路在雨天以及晴天下的损伤是不同的，因此降低了预测的准确性，从而影响公路养护决策的准确性。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供了一种公路养护决策方法、系统、存储介质和电子设备。
本发明的一种公路养护决策方法的技术方案如下：
将待检测公路的使用年限、预设时间段内的每个预设时刻的环境数据、以及所述预设时间段内的每个预设时刻的交通负荷数据，输入训练好的模型中，得到所述待检测公路的在目标时刻的道路损坏率的预测值、国际平整度指数的预测值、车辙深度的预测值和防滑指数的预测值；
根据所述待检测公路的在目标时刻的道路损坏率的预测值、国际平整度指数的预测值、车辙深度的预测值和防滑指数的预测值，确定所述待检测公路的目标养护决策。
本发明的一种公路养护决策方法的有益效果如下：
将待检测公路的使用年限、每个预设时刻的环境数据、每个预设时刻的交通负荷数据，能够准确得到待检测公路在目标时刻的道路损坏率的预测值、国际平整度指数的预测值、车辙深度的预测值和防滑指数的预测值，进而能够准确确定待检测公路的目标养护决策，有助于降低公路的养护成本，还能够保证驾驶安全性。
本发明的一种公路养护决策系统的有益效果如下：
将待检测公路的使用年限、每个预设时刻的环境数据、每个预设时刻的交通负荷数据，能够准确得到待检测公路在目标时刻的道路损坏率的预测值、国际平整度指数的预测值、车辙深度的预测值和防滑指数的预测值，进而能够准确确定待检测公路的目标养护决策，有助于降低公路的养护成本，还能够保证驾驶安全性。
本发明的一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述任一项所述的一种公路养护决策方法。
本发明的一种存储介质，包括处理器和上述的存储介质，所述处理器执行所述存储介质中的指令。
附图说明
图1为本发明实施例的一种公路养护决策方法的流程示意图；
图2为不同维护策略之间的路面性能衰减曲线；
图3为国道和相应测试设施的卫星图像；
图4为人工神经网络拓扑的示意图；
图5表示HNN模型的拓扑结构；
图6为HNN和BPNN模型的精细结构；
图7为数据排列和删除方法示意图；
图8为HNN优化流程图；
图9为遗传算法的流程图；
图10为遗传算法适应度约简图；
图11为损失迭代图；
图12为预测值和实际值分别与PQI、PCI、RQI、RDI和SRI输出变量的比较图；
图13(a)为BPNN的示意图；
图13(b)为HNN模型的泰勒图；
图14为训练和测试集的适用性的示意图；
图15为RQI预测值和实际值分布图；
图16为第二条车道的实际值和预测值的箱线图；
图17为实际值与预测值之间的路面性能指标；
图18为2019年的预测业绩示意图；
图19为本发明实施例的一种公路养护决策系统的结构示意图。
具体实施方式
如图1所示，本发明实施例的一种公路养护决策方法，包括如下步骤：
S1、将待检测公路的使用年限、预设时间段内的每个预设时刻的环境数据、以及预设时间段内的每个预设时刻的交通负荷数据，输入训练好的模型中，得到待检测公路的在目标时刻的道路损坏率的预测值、国际平整度指数的预测值、车辙深度的预测值和防滑指数的预测值；
其中，待检测公路的可为沥青面的公路，也可为水泥面的公路，待检测公路的长度可为50m、100m或200m等，环境数据包括：日照百分比、待检测公路的温度、风速、湿度和降水量等，可通过气象系统获取。
交通负荷数据包括：车载荷和人载荷，任一预设时刻的车载荷指：该预设时刻的所有车的重量之和，具体可通过不同车型的载荷情况进行确认，任一预设时刻的热载荷指：该预设时刻的所有人的重量之和，也可通过该预设时刻的人流量进行预估算，可以理解的是，可通过大量数据统计，以减少交通负荷数据的偏差。
其中，预设时间段可为5天或10天等，可根据实际情况进行设置，在此不做赘述，一般而言，相邻两个预设时刻之间的时长越小，越能提高预测精度，而且目标时刻与预设时间段之间的时长时长越小，越能提高预测精度，例如目标时刻为1个月后或2个月后等等。
S2、根据待检测公路的在目标时刻的道路损坏率的预测值、国际平整度指数的预测值、车辙深度的预测值和防滑指数的预测值，确定待检测公路的目标养护决策。具体地：
当任一预测值超过预设相应的预设阈值时，则目标养护决策为：将待检测公路进行重修，例如当道路损坏率的预测值超过道路损坏率对应的预设阈值时，则将待检测公路进行重修，当每个预测值均未超过预设相应的预设阈值时，则目标养护决策为：对待检测公路进行修补，也可根据实际情况设置不同的养护决策，在此不做赘述。
将待检测公路的使用年限、每个预设时刻的环境数据、每个预设时刻的交通负荷数据，能够准确得到待检测公路在目标时刻的道路损坏率的预测值、国际平整度指数的预测值、车辙深度的预测值和防滑指数的预测值，进而能够准确确定待检测公路的目标养护决策，有助于降低公路的养护成本，还能够保证驾驶安全性。
沥青路面的主要损坏现象包括裂缝、坑洼、车辙、修补、凹陷、变形、崩解、磨光骨料、泌水和冲刷。为了防止上述损坏现象，有效的维护策略可以延长部件的使用寿命，从而通过不必要的维修减少故障事件的数量和资源浪费。以前，路面性能模型对于几个重要的代理活动至关重要，包括维护规划和调度。然而，在路面性能调查的两种主要方法中，监测设备的成本非常高，道路检查员的视觉评估能力也非常主观。基于多维数据的先进技术已逐渐成为公路行业的主角。在美国开展的长期路面性能(long-term pavementperformance，简称LTPP)研究项目考虑了道路结构、交通条件、气候环境、材料特性、施工质量和维护水平等各种因素对路面性能的影响。许多研究人员基于LTPP数据库进行了深入研究，并在实践中积极应用新的维护策略，以延长路面的使用寿命。因此，准确有效地预测路面使用性能有助于提高道路养护质量，增强公路路面管理系统。
公路养护规划的制定主要基于公路目标路段的当前绩效、交通状况、道路连通性和财务预算。维护类型一般可分为修复性维护和预防性维护。修复性维护是最常用的维护策略，这意味着维护道路，以便在严重损坏后恢复到良好性能。相反，预防性养护是指在道路严重损坏之前进行小修，即在路面性能达到较低水平时及时进行养护。这意味着路面保持在可接受的服务水平。图2显示了不同维护策略之间的路面性能衰减曲线。黑色曲线意味着路面将在交通荷载和环境影响下持续恶化。修复性维护的好处是A区，预防性维护的好处是B区。与修复性维护相比，使用预防性维护策略改善相同路面性能所需的施工成本更少。同时，如果采取适当的养护方法来降低性能衰减曲线的劣化率，C可以获得更多的效益。此外，随着道路使用年限的增加，达到相同养护效果的养护成本将增加，因此，预防性养护也是一种更经济的恢复路面性能的方法。然而，路面性能退化受到许多因素的影响，如交通条件、环境特征和维护历史。因此，建立准确的路面性能预测模型是预防性养护的第一步，也是最重要的一步。
道路性能预测模型主要分为确定性预测模型和概率性预测模型。在这些模型中，确定性模型主要分为机械模型、经验模型和机械-经验模型。曾有学者根据力学方程确定了基础层的平均应力状态。他们将负荷分布的影响纳入模型，提出了一种新的机械经验故障模型，并对模型参数进行了统计校准。而后有学者根据主要输入(即影响路面性能的最基本因素)的实验分析，评估了原始模型的准确性。经验预测模型是对观测数据的统计解释。还有学者根据不同的道路条件开发了两种类型的回归方程，以便于在没有工作历史的情况下准确预测道路防滑性能。数据聚类后，部分学者拟合了国际粗糙度指数(InternationalRoughness Index，简称IRI)和路面状况指数(Pavement Condition Index，简称PCI)之间的线性回归方程，发现回归方程因功能水平和位置而显著不同。根据回归统计，有学者证明了五个主要气候变量，即日照百分比、温度、风速、相对湿度和降水量，对道路性能产生了显著影响。机械-经验模型指导选择机械模型的相关参数，以根据统计规则进行修正。还有学者人结合内部和外部因素，建立了多因素模型，并基于结构方程模型(StructuralEquation Modeling，简称SEM)进行了影响分析。贝叶斯和马尔可夫概率预测模型是概率模型的主要组成部分。后有学者提出了一种基于反算的离散时间马尔可夫模型，以降低实现设定预测目标的模型成本。再后来有学者开发了马尔可夫和S曲线模型来预测IRI。他们的结果表明，马尔可夫模型在综合因素考虑方面的表现优于S曲线模型。
近年来，人工智能方法由于其较强的非线性拟合能力、缺乏复杂的理论推导和实时预测能力，在道路性能预测中得到了广泛的应用。因此，机器学习具有快速预测的优势，适用于小数据量预测。此外，由于其广义线性拟合方法，机器学习模型探索了特征变量对道路性能的相对重要性。此外，深度强化学习(Deep Reinforcement Learning，简称DML)已被证明可以更好地学习策略，以提高长期维护成本的有效性。有学者开发了一种基于随机森林算法的通用机器学习算法。该算法用于解决随时间变化的连续预测问题和IRI的灵敏度分析问题。不同的应用场景、机器学习方法和人工神经网络(Application Scenarios,Machine Learning Methods,and Artificial Neural Networks，简称ANNs)产生不同的优势。面对大规模数据，人工神经网络显示出巨大的优化潜力。当数据库提供稳定的数据源时，ANN比线性回归更好地预测IRI。在道路性能评价中，反向传播神经网络(Backpropagation Neural Network，简称BPNN)有效地解决了数据不足和不准确的问题。还有学者设计了一种三阶段方法来设计ANN模型，然后验证其效果，证明其预测能力和预测效率满足复杂道路参数的识别要求。通过比较数据处理分组法(Group Method of Datahandling，简称GMDH)和人工神经网络的预测结果，有人员人发现人工神经网络在短期和长期预测中都具有优势。后有人员应用遗传编程模型预测路面破损的恶化，包括裂缝进展、散开进展、坑洞进展、车辙进展和粗糙度进展。
人工智能算法实现预测目的的关键不仅涉及数据的大小和质量，还涉及各种模型属性。通常采用优化模型方法来提高模型拟合能力的上限。ANN根据单元连接的配置和权重值的分配进行分类。不同类型的人工神经网络表现出独立的特性。因此，主要的优化方向主要包括三个方面：模型结构、模型训练模式和模型超参数。更新模型结构有助于适应更丰富的场景，增强模型的泛化能力。有学者提出了一种由灰色关联分析和支持向量机组成的混合模型(GRA-SVR)。通过比较由灰色模型和人工神经网络模型组成的纯模型，混合模型具有更高的精度和可操作性。后有人员采用遗传规划代替传统的神经网络梯度下降训练方法。该方法将计算机程序视为个体来开发基因表达式编程模型(GEP-ANN)。再后来有学者将该理论与工程实践中的神经网络结构相结合并进行了优化，与传统方法相比取得了可观的成果。有学者创建了用于性能预测的梯度树提升模型，并通过在梯度下降过程中添加弱学习者来最小化模型损失。还有学者将ANN网络层之间的阈值和权重用作染色体，并对遗传算法进行重复迭代。该方法取代了BPNN模型的反向误差传递过程，验证了其在沥青路面胶粘剂粘度预测中的可行性。优化人工智能算法的训练模型可以降低模型自学习的代价，提高模型收敛的效率。有学者采用遗传算法优化BPNN模型的训练过程，以防止其达到局部最小值。结果表明，该方法在计算网络线损率方面优于BPNN模型。超参数可能会影响模型的质量和泛化能力。超参数优化的最简单方法是实验微调法。这种方法可以快速确定相对优秀的超参数组合。还有学者使用加权随机搜索(Weighted Random Search，简称WRS)方法优化卷积神经网络的超参数。有部分学者采用IF-THEN模糊规则优化网络超参数。由此得到的神经网络模型具有良好的泛化能力。
上述研究得出以下结论：随着时间的推移，深度学习算法由于其强大的学习和泛化能力，越来越多地应用于沥青路面破损性能的预测。然而，在大多数路面性能预测中，输出值的准确性包括整个路段或1km。模型结果令人印象深刻，但实际应用价值有限。由于缺乏疾病的具体位置，决策者无法准确地做出维修前决策，在实际制定施工计划时也无法摆脱主观经验。通常，截取并行数据作为验证集数据来验证给定模型的泛化能力和准确性，而在其他层面上没有多维数据验证。与此相反，大多数研究人员只是去除噪声数据，而不是细致的处理，没有考虑维护对他们的数据的影响。此外，在道路性能预测中，对模型超参数的探索通常不够深入，没有对模型潜力进行广泛挖掘。因此，本申请开发了一种结合BPNN模型和长短时记忆(Long Short-Term Memory，简称LSTM)模型的混合神经网络，以100m的高精度预测公路路面性能。首次开发了数据清理的重新启动点方法，并充分考虑了维护对数据的影响。首次提出了遗传算法(Long Short-Termmemory，简称GA)来优化模型的超参数，以提高预测精度。通过与BPNN模型的比较，从模型稳定性、模型准确性、模型波动性和模型实用性四个方面对最终模型进行了评估，以证明模型在多个维度上的有效性。在以往的项目中，大多数预测模型都是基于部分已知数据建立的，其余的则是为了验证同一时期的数据。其他一些研究试图预测整个路段的平均性能指标，这对于养护部门制定具体的养护计划来说是困难的。实际上，养护部门希望了解与明年里程碑相关的路面性能指数。这有助于维护部门制定预防性维护计划。本发明首次提出了一个实际应用案例，使用2010年至2018年的数据模拟模型，并以2019年100m的时间间隔使用全年数据验证路面预测精度。最后，总结了沥青路面破损性能预测和预防性养护的实用建议。具体地：训练好的模型的获取过程，包括：
S01、建立包括BPNN模型和长短时记忆模型的混合神经网络模型；
S02、基于预设数据集对混合神经网络模型进行训练，得到训练好的模型，或者，对混合神经网络模型的超参数进行调整以获取最优超参数，基于预设数据集对具有最优超参数的混合神经网络模型进行训练，得到训练好的模型。
1)数据准备：试验数据来源于中国G18国道的一部分，全长45.4km，双向三车道。公路宽34.5m，路面厚度为72cm，设计挠度为18.9mm。该公路路面为柔性路面，结构层自上而下布置如下：4cm细粒改性沥青混凝土(AC-13C)、6cm中粒改性沥青混凝土(AC-20C)、8cm粗粒沥青混凝土(AC-25C)、18cm水泥稳定碎石、18cm水泥稳定碎石、18cm二灰土。这条公路于2008年9月30日通车，已经运营了12年多。
2)绩效指标：根据中国公路性能评估标准，本研究中考虑的五个沥青路面性能参数列于表1中。
表1为：
Figure BDA0003621649570000071
PCI、RQI、RDI和SRI分别表示路面损坏程度、路面粗糙度、车辙深度和路面防滑能力。道路损坏率(Road dDamage Rate，简称DR)、国际平整度指数(InternationalRoughness Index，简称IRI)、车辙深度(Rutting Depth，简称RD)和防滑指数(SkiddingResistance Index，简称SRI)分别是与上述四个变量相对应的测量指标。特定PCI、RQI、RDI和SRI值以0到100的间隔映射，其中100表示路面性能的最佳状态。路面状况一般可分为五类，包括优良、良好、一般、不良和差，阈值分别为90、80、70和60。根据上述单个指标的加权计算得出，PQI表示路面的总体性能。相应的计算方法表示为等式(1)-(6)。以下公式和参数值设置源自标准JTG H20-2007：
Figure BDA0003621649570000081
Figure BDA0003621649570000082
Figure BDA0003621649570000083
Figure BDA0003621649570000084
Figure BDA0003621649570000085
PQI＝wPCIPCI+wRQIRQI+wRDIRDI+wSRISRI (6)
其中，i0是包括不同损伤等级(一般为轻、中、重)的损伤类型总数，Ai是i型损伤的路面面积，A是测量的道路面积(测量长度和有效道路宽度的乘积)，a0，a1，a2，a3，a4，a5，a6，a7，RDa，RDb，SRImin，wPCI，wRQI，wRDI和wSRI是模型参数，分别设置为15，0.412，0.026，0.65，2，4，28.6，-0.105，20毫米，35毫米，0.35，0.4，0.15和0.1，wi是基于表2的i型损伤的重量。
表2为：
Figure BDA0003621649570000086
数据收集：图3显示了路面性能检测设备。多功能道路检测车用于检测路面状况、路面车辙和路面粗糙度。车辆编号为3-LKJCC-02。采用侧向力系数检测车检测路面的抗滑性能。车辆编号为3-HXLXS-02。多功能道路检测车以60-80km/h的速度捕捉每条车道的道路图像，横向检测宽度为3.8m，覆盖整个车道。车辆以1mm的间隔在4000点/截面处获取数据，以识别超过1mm的路面裂缝。然后通过人机交互对采集图像中的道路损坏类型和面积进行统计。最后，将受损部分与高速公路的具体位置进行匹配，并根据公式(1)计算每个评估区间的道路损坏率(DR)。在多功能道路检测车的检测过程中，还可以实时获取路面国际粗糙度指数(IRI)和车辙深度(RD)。采样间隔为10cm，每100m计算一次IRI，以估计路面平整度。车辙深度分别以4m和5m的水平和纵向间隔测量。横向力系数检测车用于路面横向力系数的采集。车辆的测试速度范围为46km/h至54km/h，以连续检测路面的侧向力系数(lateralforce coefficient，简称SFC)。
公路交通数据和客货比数据来源于历史公路数据，温度数据由气象站提供，包括月最低平均温度、月最高平均温度、月最低极端温度和月最高极端温度。温度数据根据等式进行处理。
Figure BDA0003621649570000091
Figure BDA0003621649570000092
其中，tm为月平均温度，ta min和ta max分别为最低和最高月平均温度，te min和te max分别为最低和最高月极端温度，ty为年温度，α、β为加权系数，分别设置为0.2和0.3。上述参数的值基于极端温度和平均温度对性能的不同影响，并通过经验统计得出。
此外，还收集了该公路的养护记录。维护类型包括整体加固、覆盖层(单层和双层覆盖层)、开挖(单层和双层开挖)、热再生、微表处和路基灌浆。维护数据按每年不同车道的里程桩距离计算。
模型结构：在本研究中，人工神经网络(artificial neural network，简称ANN)用于预测路面性能。神经网络由大量神经元组成，这些神经元相互连接，不断地将信息传递给下一层的神经元，以达到数据传输的目的。ANN通常包括输入层、输出层和隐藏层。结构如图4所示。图4(a)表示人工神经网络的典型结构，图4(b)表示人工神经网络单元的典型结构。通过使用包含不同变量的历史数据作为输入层和输出层，揭示了两组变量之间的关系，然后在将输入变量作为另一组数据提供时，使用这两组变量预测输出变量。如图4(a)所示，输入层选择与输出变量相关的变量，隐藏层中的神经元用于数据计算和传输，然后输出层显示预测的输出变量。中间神经元的拓扑结构如图4(b)所示，它接受来自最后一层神经元的信息，用权重矩阵计算加权值，然后通过激活函数提供这些值作为输出。方程式表示为：
Figure BDA0003621649570000093
其中h表示神经元传递，
Figure BDA0003621649570000094
表示最后一层神经元传输的矩阵，
Figure BDA0003621649570000095
是神经元的加权矩阵，
Figure BDA0003621649570000096
是神经元的偏置矩阵，f(x)是神经元的激活函数。
反向传播神经网络(Backpropagation Neural Network，简称BPNN)是一种具有反向误差传输的多层前馈神经网络，用于减少训练过程中的损耗。由于其显著的非线性拟合能力和简单的实现，它已被广泛应用于各种应用场景。只要有足够完整的训练样本，网络就可以完成从输入层到输出层的非线性映射。BP神经网络的一次迭代包括两个步骤。首先，信号在每一层的神经元之间向前传播，在此过程中，神经元的权重或偏差矩阵是随机预设的。当得到结果输出时，使用损失函数计算预测值和实际值之间的误差。然后，通过误差反向传播，神经元的权重矩阵和偏差矩阵随后向误差减小方向更新，导致误差梯度逐渐降低。
递归神经网络(Recurrent Neural Networks，简称RNNs)因其能够回忆先前的输出并将其作为下一预测的输入而广泛应用于时间相关的纵向预测。然而，在基于长周期数据的预测过程中，由于其有限的存储空间和存储长度，可能会发生梯度爆炸和梯度消失。为了解决上述问题，长短时记忆(Long Short-Term Memory，简称LSTM)神经网络作为一种改进的人工神经网络被开发出来，它们在与时间相关的纵向预测中表现得更好。在基于斑块大小数据的每个预测过程中，LSTM模型中出现一个神经元，也称为细胞。每个单元接收所有前一个单元的状态信息和最后一个单元的输出，当前输入完成后获得当前单元的输出和状态信息。在此期间，所有接收到的信息的权重将不断调整，以确保随着时间的推移获得数据。这也避免了在信息太少的情况下，信息量过大或完工损失过大的反向传播失效。
在这项研究中，一种混合神经网络(Hybrid Neural Network，简称HNN)被引入模型建立。在该混合神经网络结构中，采用LSTM神经单元作为输入层，接收输入变量的数据信息。接收到的信息通过上述方法通过LSTM单元进行处理和存储后，将其传递给BP神经单元进行进一步的非线性拟合。当对误差进行反向传播时，网络连续地、纵向地呈现关于历史预测数据的目标值。HNN模型的拓扑结构如图5所示。
条件行(C行)表示单元之间的状态流。每个小区获取C线上所有先前小区的状态信息，每个小区的ego状态上传到C线上，以确保每次计算后的状态交换、共享和存储。接下来，LSTM单元的输出被传输到BP神经元以进行进一步的数据拟合。数据通过多层神经元传输并传递到输出层以获得拟合值。此外，损失函数计算拟合值和真实值之间的误差：
Figure BDA0003621649570000101
其中，E是迭代中的误差，F是损失函数，yi是输出拟合值，
Figure BDA0003621649570000102
是输出真值。
然后，根据误差的负梯度方向，确定偏导数，然后乘以学习率，获得权重和偏差的调整值。应该注意的是，这里的权重和偏差包括LSTM细胞内、BP神经元内以及这两个细胞之间的权重和偏差。根据梯度下降方向，同时更新LSTM细胞结构和BP神经元中的所有参数。此迭代过程将继续进行，直到达到停止条件。HNN模型继承了BPNN模型显著的拟合能力，并在处理时间相关问题时通过LSTM单元确保了记忆能力。
输入和输出变量：路面性能的恶化是环境因素和交通条件的综合影响。在该连续预测中，选择目标年的PCI、PQI、RQI、RDI和SRI等变量作为输出变量，并实现了基于BPNN和HNN模型的两种算法。值得一提的是，虽然PQI可以通过PCI、RQI、RDI和SRI计算，但PCI代表了高速公路的综合性能，可以作为一个独立的模型来改进预测系统。历史研究已经证实，交通条件、气候特征和维护历史与路面性能密切相关。因此，选择温度、年龄、交通负荷、客货比以及历史年份道路的相应性能作为输入变量。在先前的研究中，年平均日交通量(AnnualAverage Daily Traffic，简称AADT)和道路年龄被认为是影响道路性能的关键因素。特别是，道路年龄是一个具有统计意义的变量。因此，道路破坏的速度与道路使用年限相关，这也作为一个输入变量参与分析。从第一个数据年的道路使用年限为0开始，道路使用年限每年增加1。使用历史数据按时间步长预测路面性能在路面管理系统(PavementManagement System，简称PMS)网络级维护计划中起着关键作用。同样，本文的预测模型实现了基于时间序列的连续预测，即利用历史输入和输出变量对当前输出变量进行预测，步长设置为两年。预测的结构如下所示：
P(t)＝f[P(t-2)，C(t-2)，P(t-1)，C(t-1)] (11)
其中P表示可用性性能，C表示其他特征值，包括温度、道路使用年限、交通量和客货比，t表示预测年份。
为避免过度拟合现象，将模型的混合层设置为一层，其余隐藏层一般不超过三层。模型层数波动范围太小。由于与其他参数的联系较弱，因此模型中网络层数的设置是通过试错来确定的。HNN模型结构定义为混合层，其中混合神经元收集输入层和两个隐藏层的历史信息。通过比较分析，同样建立了BPNN模型，以确定更好的模型。选择RELU函数作为所有隐藏层的激活函数来实现非线性拟合，选择线性函数作为输出层的激活函数，并使用ADAM优化器。其余的模型超参数都在下一节中进行了优化，并使用了一个高级Python模块，即Keras，以确保模型的能力，如图6所示。
数据预处理：模型构建使用了荣成至乌海高速公路(也称为G18国道)2010年至2019年10年的数据。先前的研究表明，美国不同州之间的模型统计性能不存在一致的趋势。因此，有人建议，在开发道路性能模型时，有必要根据数据源的差异进行模拟。由于不同车道的位置存在差异，包括交通量的横向分布和区间速度，因此对每个车道分别进行建模。在连续预测下，数据应按时间序列处理，即特征值和目标值应根据里程碑位置和时间纵向分布。由于路段和不同的里程标之间缺乏关系，因此消除了纵向数据中里程标连接处的数据。考虑到破坏指数时间序列预测的连续性，每年的道路维护会破坏这种连续性。为了保证连续预测的顺利进行，需要在数据处理中考虑维护数据。本研究采用维修起点的数据处理方法，即不将所有维修站对应的年度数据作为目标值或中间变量进行连续预测。由于此后测量了与养护年对应的路面性能，因此采用当年的养护数据作为下一轮连续预测的起点。经处理的数据包括35580组。重启点方法的过程如图7所示。
在养护实践中，养护部门需要提前了解路面性能，制定具体的预防性养护计划。在本发明中，所有五个路面性能指标都是在未来一年特定里程标的100m间隔内预测的。为了验证模型的实用价值，首先提取了2019年的数据。然后，将2017年和2018年的数据输入网络，用于2019年目标值预测的模型构建，并将预测值和实际值进行比较，以评估模型在实际使用中的预测能力。在本研究中，本案例验证被称为年度验证。深度学习模型的开发包括两个阶段。第一阶段是训练阶段，模型是自学习和自监督的。第二阶段是测试阶段，使用新数据测试模型的预测能力。根据上述情况，数据按7:2:1的比例分为训练集、测试集和验证集。训练集数据用于训练神经网络并更新权重系数，验证集用于优化网络超参数，而测试集数据用于测试优化后的最终网络。此外，通过与训练集的迭代误差比较来评估网络性能和泛化能力。测试集和训练集中包含的数据来自不同的里程碑，这提高了模型的泛化能力。
模型的超参数优化：模型的超参数是在模型训练之前必须手动设置的参数，不能从数据或在训练过程中自动生成。这些参数影响模型行为的许多方面，并反映模型的高级属性。因此，必须通过测试集数据优化超参数。深度学习模型的超参数对模型性能有不同的影响，它们之间存在竞争关系。表3显示了对预测模型精度有重大影响的参数。模型优化的成本取决于模型的复杂性。因此，超参数优化方法与模型结构相关。本研究中需要优化的超参数数量较多，取值范围较广。
表3为：
Figure BDA0003621649570000121
以传统网络搜索为代表的随机搜索优化方法会导致优化效率低下。相反，元启发式算法可以在大空间优化领域找到合适的优化方向。在本研究中，采用遗传算法优化神经网络的超参数，从而将其应用于混合神经网络，这在沥青性能预测领域中很少实现。
为了避免过度拟合，根据丢弃概率丢弃权重和偏差，丢弃层表示丢弃层。历元是一次处理的数据量。正则化选项的分布反映了隐藏层正则化选项的分布。应用整数表示以下类型的正则化选项：无正则化选项标记为1；只有第一个隐藏层包含标记为2的正则化选项；只有第二层和第三层包含标记为3的正则化选项；所有隐藏层都包含标记为4的正则化选项。根据校准的超参数，遗传算法的单个染色体按照浮点数进行编码，即在单个基因的一定范围内以实数表示，编码长度等于决策变量的长度。考虑到染色体编码的合法性、可行性和唯一性，将连续变量转换为整数分类变量。
可选地，在上述技术方案中，混合神经网络模型的超参数进行调整以获取最优超参数，还包括：
S020、利用遗传算法对混合神经网络模型的超参数进行调整以获取最优超参数。遗传算法实现过程中的上述三个步骤如图8所示。
种群遗传率在进化到下一代种群之前保留上一代种群中最优个体的比例，从而同时确保种群中的个体数量在遗传算法进化过程中保持不变。优化的主要部分已启动。首先，初始化种群，每个个体的基因包含一组表示特定网络的超参数。利用适应度函数计算群体中每个个体的适应度。这里，通过将训练集和验证集输入到模型中获得的平均绝对百分比误差(MAPE)之和被应用为遗传算法的适应度函数的结果。该函数用公式(12)表示。终止条件是根据是否达到最大填充数设置的。
Figure BDA0003621649570000131
其中n是测试集中数据点的数量，yi是测试集的单个真值，
Figure BDA0003621649570000132
是测试集的单个预测值。
遗传算法的选择操作一般包括：轮盘赌轮选择、锦标赛选择和线性或指数排序选择。一个轮盘赌轮被安排来选择父母个体。遗传算法的交叉方法依赖于两点交叉方法。随机交换染色体片段。引入随机突变模型作为该优化的突变，即基因的每个位置获得相同的改变频率。遗传算法的整个优化过程依赖于Python编程，使用准云超级计算CPU硬件。遗传算法的细节如图9所示。
结果和讨论，具体地：
1)型稳定性分析：在部署遗传算法进行优化后，获得了模型的最佳超参数。通过遗传算法获得的最优超参数。如图10所示，在优化过程中，种群的平均适应度随着迭代时间的增加呈现下降趋势。
在这两个预测期间，除了第二条车道的SRI预测和第三条车道的RQI预测，当迭代过程接近完成时，适应值出现小的波动，其他优化过程稳定收敛。平均迭代达到15代。经计算，与第一代平均适应值相比，上一代平均适应值提高了26.89％。因此，第二条车道的RQI模型获得了49.27％的最大增幅。关于迭代过程接近完成时观察到的波动，原因可能是有限的总体规模设置。当群体中出现表现非常差的突变个体时，当前一代的平均适应值会显著降低。关于迭代过程结束时的小波动，原因是，尽管模型的结构和超参数已经确定，但由于模型本身的随机初始化和训练波动，总体的平均适应度值略有波动。值得注意的是，图中的适合度是人口的平均水平，但不是最佳水平。因此，当种群的适应度收敛时，交叉操作的影响趋于最小。但这种变化仍在继续，种群进入了一个突变消除突变周期。因此，即使对遗传算法进行迭代，种群适应度仍然存在波动。上述方面也反映了超参数对深度学习模型的影响不容忽视。因此，有必要优化深度学习模型的超参数以挖掘其潜力。
输入获得的超参数作为输入，以获得优化后的最优模型，然后将测试集数据输入最优模型，然后进行模型估计和损失迭代图绘制，以观察模型稳定性，如图11所示。选择平均绝对误差(mean absolute error，简称MAE)作为损失函数，计算方法如式(13)所示：
Figure BDA0003621649570000141
其中n表示数据数量，yi为单个真值，
Figure BDA0003621649570000142
为单个预测值。结果表明，HNN和BPNN模型的训练过程是稳定的、收敛的。特别是，如图11(b)所示，训练集和测试集的损耗曲线表现出明显且几乎重叠的趋势。其他输出的损耗迭代图相同。然而，如图11(a)所示，第一条车道的SRI模型显示出不匹配趋势。一方面，遗传算法在验证集和训练集中追求最小的MAPE和，而忽略了这两个集合之间存在过大差距的问题。另一方面，其他车道的SRI未确定。2010年缺乏车道数据可能导致数据划分不均匀。平均在200代内达到稳定趋势，模型的训练效率和收敛速度也相当可观。
2)模型泛化能力分析：准确度评估通常采用的指标包括平均绝对百分比误差(MAPE)、均方根误差(RMSE)和确定系数(R2)。计算方法用等式表示。(12)可以分别用于表示(14)和(15)：
Figure BDA0003621649570000143
Figure BDA0003621649570000144
其中n是测试集的样本量，yi是测试集的单个真实值，
Figure BDA0003621649570000145
是测试集的单个预测值，y是样本的预期真实值。
表4和表5总结了两种模型的评估结果。从表4和表5中可以看出，所有指标的HNN神经网络模型的RMSE和MAPE均小于BP神经网络的RMSE和MAPE。较低的RMSE和MAPE值表明预测值与实际值之间的误差较小。另一方面，HNN模型的R2均高于BP模型。BP模型的R2在比HNN模型更大的范围内波动。HNN模型测试集的平均R2为0.78，比BP模型的平均R2高35.58％。
表6列出了开发的模型与文献中其他路面性能预测模型之间的比较。由于预测目标不同，本研究选择相对评价指标R2作为评价标准，并选取五种绩效模型的平均R2。与大数据模型相比，所开发的混合模型的鲁棒性令人满意。然而，讨论精度的更多细节受到数据类型、目标值变量和预测结构差异的限制。上述其他研究中的模型是相关模型，没有时间序列历史绩效数据作为输入变量。相反，本研究中提出的模型是一个连续预测模型，可以处理大量的历史数据，并在100m的水平上对未来几年的各种绩效指标进行准确预测。表4为：
Table 6
BPNN model evaluation index value table.
Figure BDA0003621649570000151
表5为：
Figure BDA0003621649570000152
表6为：
Figure BDA0003621649570000161
模型的泛化能力是指从其他数据学习规则后，将模型应用于未参与训练过程的新数据集时的性能。为了证明这两个模型的泛化能力，随机选择了第二条车道的40组数据，比较的细节如图12所示。从图12可以得出结论，这两种模型有效地预测了各种路面性能指标，HNN模型在峰值拟合方面具有明显优势，预测曲线更接近真实曲线，并且所有五种路面性能指标的误差都控制在一个小范围内。
泰勒图通过计算预测值和真实值之间的均方根误差、相关系数和标准偏差来表征每个模型与真实数据之间的距离。这表明观察到的和估计的性能与BPNN和HNN模型之间的一致程度。由于不同性质之间的数值范围和波动程度差异较大，本文采用标准泰勒图。如图13所示，在每组模型中，均方根误差和标准偏差与真值标准偏差的比率分别计算为标准均方根误差和标准偏差。每个点表示一个模型的结果，底部点表示实际样本。模型更接近实际样本，具有更好的泛化能力。该方法更直观地揭示了两种模型的性能。如图13(a)所示，BPNN模型是径向的并且分布在风扇的中间区域。如图13(b)所示，HNN模型集中在扇区的下半部分。通常，HNN模型的结果更接近真实样本。特别是在标准偏差方面，HNN模型曲线呈弧形，与实际样本的标准偏差非常接近，这间接表明其拟合程度较高。
3)预测结果：考虑到路面性能预测作为道路维护决策参考的应用，模型的峰值拟合能力非常重要，因此，有必要监测模型中的波动。为了探索拟议模型的性能，图13绘制了使用BP和HNN模型的第二车道实际和预测RQI、RDI、PCI、SRI和PQI的散点图。如图14所示，其中真实值绘制在水平轴上，预测值绘制在垂直轴上，1:1黑色实线表示称为标准线的最理想条件，两条虚线表示误差为10％的拟合曲线。蓝点代表训练集数据，而红点代表测试集数据。两个模型的预测值出现在实际值的10％浮动范围内。因此，这些模型粗略地捕捉了不同里程碑之间的性能波动。图14(e)、(g)和(i)显示，BP模型中有许多点并排垂直分布，而HNN模型的散射点沿1:1参考线均匀分布。还可以观察到，BP模型的离散点比HNN模型的离散点多。通过比较图14(c)和(g)可以发现相同的情况，其中BP模型的数据点更集中在1:1参考线下方，而HNN模型的数据均匀分布在参考线两侧。这些现象表明，HNN模型在预测性能参数方面优于BP模型。
为了比较预测结果的波动，预测结果和沿里程标的实际RQI、RDI、PCI、SRI和PQI绘制在图15中。它表明HNN模型比BP模型表现出更大的波动范围，这也是从泰勒图的标准偏差观察到的，如图13所示。这表明HNN模型在跟踪真实值波动方面具有更好的性能。其次，它还表明，与BP方法相比，HNN预测的峰值和谷值更接近真实数据，这意味着HNN模型的再现性优于BPNN模型。最后，通过比较这两种模型，发现对于具有不同目标值的给定模型，预测值区间是不同的。因此，不同性能指标的预测模型应单独训练，而不是使用统一的模型。第二车道的方框图如图16所示，以表示预测值和实际值之间的差异。通过比较真实值和预测值的统计聚类表达程度，可以评估模型的质量。该图显示，两个模型的预测值能准确地拟合基于性能统计分布的实际值，包括中值、平均值以及上下四分位数。首先，评估盒子的分布。在预测PQI、PCI和RQI时，HNN模型的盒长和位置与实际值完全一致。RDI和SRI框仅仅略短于真实值框，但位置相同。在预测PQI、RDI和SRI作为输出变量时，BPNN模型的框被压缩，这表明BPNN模型的预测范围较窄。BPNN模型的RQI和SRI框的位置也明显较低。其次，评估中值和平均值的分布。使用BP模型获得的RQI和SRI框的中值和平均值略有偏差，其余框与真实值框精确对应。总体而言，通过分布区间分析和密度比较，提出的HNN模型的性能优于BP模型。这意味着HNN模型可有效预测路面性能，从而做出维修决策。
4)模型实用性分析：在实践中，养护部门需要提前了解具体位置的路面性能，制定预防性养护计划。然而，很少有研究提供了能够提前一年预测特定里程碑的所有重要路面性能指标的预测模型。在本研究中，使用2010年至2018年的数据来训练GA增强HNN模型。然后使用该模型预测2019年起的路面性能。第二车道的预测结果和实际性能的方框图如图17所示，三条车道的评价指标平均值如表7所示。
图17显示，在验证研究中，PQI、RQI和SRI的预测框的范围与实际值一致，但PCI和RDI的拟合存在一定偏差。HNN模型的预测中值和平均值与实际值相对应，验证了模型的可靠性。表7显示，三条车道的MAPE值均在5％以内，平均RMSE值均在6以下，平均R2值达到0.74，表明该模型在实际应用中具有良好的精度和泛化能力。通过比较表4和表5，验证研究中的MAPE和RMSE高于测试值，而R2略低于测试值。绘制散点图，比较2019年的预测值和实际值。如图18所示，大多数拟合点集中在标准线附近或10％误差线内，表明所提出的模型在实践中具有一定的参考价值。然而，仍有一些拟合点溢出误差线，这种情况比上述测试集中的情况稍严重。这是因为2019年数据未参与培训阶段，模型无法了解数据变化趋势。
表7为：
Figure BDA0003621649570000181
在实际应用中，基于该模型预测高速公路所有100米路段的PQI，并提前预测即将严重受损或远低于维护阈值的路段。行政部门应在该路段实施小型养护措施。根据PCI、RQI、RDI和SRI的预测值，将第一个谷值的性能作为事前维护目标，并将相应的维护措施与该具体路段相匹配，从而制定维护计划。在高速公路某一特定路段损坏前，应及时采取养护措施，以节约养护费用，保持高速公路处于高水平的使用状态。因此，建立一个高精度、车道划分、小单元和性能区分的预测模型在应用中至关重要。
结果表明，与传统人工神经网络相比，GA增强的HNN模型在预测公路沥青遇险性能方面的准确率平均提高了35％。此外，当将预测指标与全年测量数据失效进行比较时，获得了显着的一致性，平均决定系数(R2)达到0.74。本研究展示了一种创新的人工神经网络方法在公路遇险修复中的潜力，可为长期的公路沥青路面最佳修复和养护决策提供直接指导。
高速公路预防性养护(PM)的决策通常成本高昂且复杂，不适当的养护策略可能会导致预算资金使用效率低下和影响道路的安全问题，本研究描述了一种创新的预测性养护策略，可为高速公路的维护提供里程碑式的指导，这是通过应用人工神经网络(ANN)算法来实现的挖掘养护数据。以100米间隔的十年遇险测量数据、交通负荷数据、气候历史和所选高速公路的维护记录作为ANN模型的输入数据。基于维护年份作为预测起点的思想，提出了一种数据质量控制方法，以确保沥青路面性能改进随时间的连续性。采用反向传播神经网络(BPNN)模型和混合神经网络(HNN)对高速公路沥青路面性能的五个指标进行预测，并采用遗传算法(GA)对超参数模型进行优化。结果表明，与传统人工神经网络相比，GA增强的HNN模型在预测公路沥青遇险性能方面的准确率平均提高了35％。此外，当将预测指标与全年测量数据失效进行比较时，获得了显着的一致性，平均决定系数(R2)达到0.74。本研究展示了一种创新的人工神经网络方法在公路遇险修复中的潜力，可为长期的公路沥青路面最佳修复和养护决策提供直接指导。
本发明比较了BP模型和HNN模型对公路沥青路面性能的连续预测。本发明首次预测了特定车道100m间距内沥青公路路面性能的所有重要指标，即PQI、PCI、RQI、RDI和SRI，对公路预防性养护具有重要意义。为了保证路面性能改善的连续性，提出了一种重新启动点数据处理方法，并采用遗传算法优化网络的超参数，以获得准确预测路面性能的深度学习模型。通过对该模型的深入分析，验证了遗传算法增强HNN模型的稳定性和可靠性以及与传统人工神经网络模型相比的优越性。根据上述项目结果的分析，可以总结出以下结论：
1)在本发明中，基于中国G18国道10年的数据，建立了GA增强HNN和BP神经网络。该项目首次预测了所有五个重要的路面性能指标，即100米间隔内不同车道的PCI、PQI、RQI、RDI、SRI。结果表明，与传统的人工神经网络相比，遗传算法增强HNN的预测精度有很大的优势。HNN模型测试集的平均R2为0.78，比传统的ANN模型高35.58％。HNN模型在每个测试集中的性能指标平均MAPE控制在2％以内，与传统的ANN模型相比，大大提高了精度。
(2)在验证研究中，使用GA增强HNN为三条不同车道的五个性能指标建立连续预测模型。2010年至2018年的数据用于训练模型，2019年的数据用于验证。结果表明，GA增强HNN仅基于前几年的数据就可以准确预测特定里程标100m间距内的路面性能。三车道模型的平均MAPE均在5％以下，平均R2达到0.74。结果表明，GA增强的HNN是一种很有前途的公路路面性能预测方法，为预防性养护决策奠定了理论基础。
(3)本发明还比较了不同车道的路面性能。虽然不同车道处于相同的环境条件下，但不同车道的路面性能指标表现出明显的波动特征。因此，建议分别对不同车道的模型进行训练，以确保预测更加准确有效。此外，应尽可能延长预测周期的数量，使模型能够学习更丰富的路面性能改善模式，以增强其坚韧性。
在上述各实施例中，虽然对步骤进行了编号S1、S2等，但只是本申请给出的具体实施例，本领域的技术人员可根据实际情况调整S1、S2等的执行顺序，此也在本发明的保护范围内，可以理解，在一些实施例中，可以包含如上述各实施方式中的部分或全部。
如图19所示，本发明实施例的一种公路养护决策系统200，包括计算模块210和确定模块220；
计算模块210用于：将待检测公路的使用年限、预设时间段内的每个预设时刻的环境数据、以及预设时间段内的每个预设时刻的交通负荷数据，输入训练好的模型中，得到待检测公路的在目标时刻的道路损坏率的预测值、国际平整度指数的预测值、车辙深度的预测值和防滑指数的预测值；
确定模块220用于：根据待检测公路的在目标时刻的道路损坏率的预测值、国际平整度指数的预测值、车辙深度的预测值和防滑指数的预测值，确定待检测公路的目标养护决策。
可选地，在上述技术方案中，还包括训练模块，训练模块用于：建立包括BPNN模型和长短时记忆模型的混合神经网络模型；
基于预设数据集对混合神经网络模型进行训练，得到训练好的模型，或者，对混合神经网络模型的超参数进行调整以获取最优超参数，基于预设数据集对具有最优超参数的混合神经网络模型进行训练，得到训练好的模型。
可选地，在上述技术方案中，训练模块获取最优超参数的过程，包括：利用遗传算法对混合神经网络模型的超参数进行调整以获取最优超参数。
可选地，在上述技术方案中，环境数据包括：日照百分比、待检测公路的温度、风速、湿度和降水量。
上述关于本发明的一种公路养护决策系统200中的各参数和各个单元模块实现相应功能的步骤，可参考上文中关于一种公路养护决策方法的实施例中的各参数和步骤，在此不做赘述。
本发明实施例的一种存储介质，存储介质中存储有指令，当计算机读取指令时，使计算机执行上述任一项的一种公路养护决策方法。
本发明实施例的一种存储介质，包括处理器和上述的存储介质，处理器执行存储介质中的指令，其中，电子设备可以选用电脑、手机等。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种公路养护决策方法，其特征在于，包括：
将待检测公路的使用年限、预设时间段内的每个预设时刻的环境数据、以及所述预设时间段内的每个预设时刻的交通负荷数据，输入训练好的模型中，得到所述待检测公路的在目标时刻的道路损坏率的预测值、国际平整度指数的预测值、车辙深度的预测值和防滑指数的预测值；
根据所述待检测公路的在目标时刻的道路损坏率的预测值、国际平整度指数的预测值、车辙深度的预测值和防滑指数的预测值，确定所述待检测公路的目标养护决策。
2.根据权利要求1所述的一种公路养护决策方法，其特征在于，所述训练好的模型的获取过程，包括：
建立包括BPNN模型和长短时记忆模型的混合神经网络模型；
基于预设数据集对所述混合神经网络模型进行训练，得到所述训练好的模型，或者，对所述混合神经网络模型的超参数进行调整以获取最优超参数，基于预设数据集对具有最优超参数的混合神经网络模型进行训练，得到所述训练好的模型。
3.根据权利要求2所述的一种公路养护决策方法，其特征在于，所述混合神经网络模型的超参数进行调整以获取最优超参数，还包括：
利用遗传算法对所述混合神经网络模型的超参数进行调整以获取最优超参数。
4.根据权利要求1至3任一项所述的一种公路养护决策方法，其特征在于，所述环境数据包括：日照百分比、所述待检测公路的温度、风速、湿度和降水量。
5.一种公路养护决策系统，其特征在于，包括计算模块和确定模块；
所述计算模块用于：将待检测公路的使用年限、预设时间段内的每个预设时刻的环境数据、以及所述预设时间段内的每个预设时刻的交通负荷数据，输入训练好的模型中，得到所述待检测公路的在目标时刻的道路损坏率的预测值、国际平整度指数的预测值、车辙深度的预测值和防滑指数的预测值；
所述确定模块用于：根据所述待检测公路的在目标时刻的道路损坏率的预测值、国际平整度指数的预测值、车辙深度的预测值和防滑指数的预测值，确定所述待检测公路的目标养护决策。
6.根据权利要求5所述的一种公路养护决策系统，其特征在于，还包括训练模块，所述训练模块用于：
建立包括BPNN模型和长短时记忆模型的混合神经网络模型；
基于预设数据集对所述混合神经网络模型进行训练，得到所述训练好的模型，或者，对所述混合神经网络模型的超参数进行调整以获取最优超参数，基于预设数据集对具有最优超参数的混合神经网络模型进行训练，得到所述训练好的模型。
7.根据权利要求6所述的一种公路养护决策系统，其特征在于，所述训练模块获取最优超参数的过程，包括：
利用遗传算法对所述混合神经网络模型的超参数进行调整以获取最优超参数。
8.根据权利要求5至7任一项所述的一种公路养护决策系统，其特征在于，所述环境数据包括：日照百分比、所述待检测公路的温度、风速、湿度和降水量。
9.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至4中任一项所述的一种公路养护决策方法。
10.一种电子设备，其特征在于，包括处理器和权利要求9所述的存储介质，所述处理器执行所述存储介质中的指令。
CN202210469521.6A 2022-04-28 2022-04-28 一种公路养护决策方法、系统、存储介质和电子设备 Pending CN114912635A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210469521.6A CN114912635A (zh) 2022-04-28 2022-04-28 一种公路养护决策方法、系统、存储介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210469521.6A CN114912635A (zh) 2022-04-28 2022-04-28 一种公路养护决策方法、系统、存储介质和电子设备

Publications (1)

Publication Number Publication Date
CN114912635A true CN114912635A (zh) 2022-08-16

Family

ID=82765277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210469521.6A Pending CN114912635A (zh) 2022-04-28 2022-04-28 一种公路养护决策方法、系统、存储介质和电子设备

Country Status (1)

Country Link
CN (1) CN114912635A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115775088A (zh) * 2023-02-13 2023-03-10 成都秦川物联网科技股份有限公司 一种智慧燃气巡检计划确定方法与物联网系统
CN116307260A (zh) * 2023-05-11 2023-06-23 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) 一种面向缺陷路段扰动的城市路网韧性优化方法及系统
CN116797102A (zh) * 2023-07-21 2023-09-22 西安科技大学 一种基于iri的路面养护决策确定方法及系统
CN116882713A (zh) * 2023-09-07 2023-10-13 江苏省特种设备安全监督检验研究院 一种特种设备的数据采集方法、装置和电子设备
CN116913077A (zh) * 2023-06-06 2023-10-20 速度科技股份有限公司 一种基于数据采集的高速公路应急管理系统
CN117635967A (zh) * 2023-11-30 2024-03-01 中科南京智能技术研究院 一种自监督学习里程计量方法、装置、系统及存储介质
CN117726324A (zh) * 2024-02-07 2024-03-19 中国水利水电第九工程局有限公司 一种基于数据识别的公路交通施工巡检方法及系统
WO2024138852A1 (zh) * 2022-12-26 2024-07-04 中公高科养护科技股份有限公司 一种验证养护措施合格的方法

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024138852A1 (zh) * 2022-12-26 2024-07-04 中公高科养护科技股份有限公司 一种验证养护措施合格的方法
CN115775088A (zh) * 2023-02-13 2023-03-10 成都秦川物联网科技股份有限公司 一种智慧燃气巡检计划确定方法与物联网系统
US12045837B2 (en) 2023-02-13 2024-07-23 Chengdu Qinchuan Iot Technology Co., Ltd. Methods for determining smart gas inspection plans and internet of things systems thereof
CN116307260A (zh) * 2023-05-11 2023-06-23 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) 一种面向缺陷路段扰动的城市路网韧性优化方法及系统
CN116307260B (zh) * 2023-05-11 2023-08-08 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) 一种面向缺陷路段扰动的城市路网韧性优化方法及系统
CN116913077B (zh) * 2023-06-06 2024-03-29 速度科技股份有限公司 一种基于数据采集的高速公路应急管理系统
CN116913077A (zh) * 2023-06-06 2023-10-20 速度科技股份有限公司 一种基于数据采集的高速公路应急管理系统
CN116797102A (zh) * 2023-07-21 2023-09-22 西安科技大学 一种基于iri的路面养护决策确定方法及系统
CN116882713B (zh) * 2023-09-07 2023-11-28 江苏省特种设备安全监督检验研究院 一种特种设备的数据采集方法、装置和电子设备
CN116882713A (zh) * 2023-09-07 2023-10-13 江苏省特种设备安全监督检验研究院 一种特种设备的数据采集方法、装置和电子设备
CN117635967A (zh) * 2023-11-30 2024-03-01 中科南京智能技术研究院 一种自监督学习里程计量方法、装置、系统及存储介质
CN117726324A (zh) * 2024-02-07 2024-03-19 中国水利水电第九工程局有限公司 一种基于数据识别的公路交通施工巡检方法及系统
CN117726324B (zh) * 2024-02-07 2024-04-30 中国水利水电第九工程局有限公司 一种基于数据识别的公路交通施工巡检方法及系统

Similar Documents

Publication Publication Date Title
Li et al. Automated decision making in highway pavement preventive maintenance based on deep learning
CN114912635A (zh) 一种公路养护决策方法、系统、存储介质和电子设备
CN111737916B (zh) 一种基于大数据的道路桥梁病害分析与养护决策方法
Li et al. Intelligent decision-making model in preventive maintenance of asphalt pavement based on PSO-GRU neural network
Domitrović et al. Application of an artificial neural network in pavement management system
Jeong et al. Prediction of flexible pavement deterioration in relation to climate change using fuzzy logic
CN113516258B (zh) 公路养护智能决策分析系统
Loizos et al. Prediction of pavement crack initiation from in-service pavements: A duration model approach
CN114855570A (zh) 市政道路的养护策略处理方法、装置和计算机设备
Kumar et al. Evaluation of pavement condition index using artificial neural network approach
CN109544926B (zh) 一种基于路口相关性的交通流量修复方法
CN109102016A (zh) 一种用于桥梁技术状况的测试方法
Latifi et al. A deep reinforcement learning model for predictive maintenance planning of road assets: Integrating LCA and LCCA
CN113918538A (zh) 一种基于人工神经网络的新建道路养护数据迁移系统
Lee et al. Predicting highway concrete pavement damage using XGBoost
Yang Road crack condition performance modeling using recurrent Markov chains and artificial neural networks
Shu et al. Large-scale evaluation of pavement performance models utilizing automated pavement condition survey data
Zofka et al. Elements of pavement management system: Case study
Shamsabadi et al. Deterioration forecasting in flexible pavements due to floods and snow storms
Anastasopoulos Infrastructure asset management: A case study on pavement rehabilitation
CN107977727B (zh) 一种基于社会发展和气候因素预测光缆网阻断概率的方法
CN114413832B (zh) 一种基于光纤传感的道路监测系统及方法
Owolabi et al. Development of priority index assessment model for road pavements in Nigeria
CN113239436B (zh) 一种钢桥状态等级评估与预测方法
Sati et al. Pavement deterioration model using Markov chain and international roughness index

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination