文摘

路面管理系统(pms)有一个主要角色在决定路面状态监测和维护策略。此外,许多研究人员都集中在路面状况评价工具,从数据收集开始,紧随其后的是加工、分析,最终达到实用的结论关于路面状况。分析步骤是必不可少的路面状况评价过程的一部分,因为它侧重于工具用来找到最准确的结果。另一方面,预测模型是重要的工具用于路面状况评价来确定当前和未来的道路路面的性能。因此,路面条件预测有一个有效的和重要的作用,确定适当的维护技术和治疗过程。此外,路面性能指标作为关键指标常用来描述路面表面和水平的路面状况的恶化。本文系统地总结了现有性能预测模型进行预测沥青路面恶化的条件使用路面状况指数(PCI)和国际平整度指数(IRI)。这些性能指标通常用于路面监控准确评估路面的健康状况。该报还最影响参数识别和总结了道路路面状况预测模型,提出了各预测模型的力量和弱点。研究结果显示,大多数以前的研究首选机器学习方法和人工神经网络预测和估计道路路面状况,因为他们处理大量数据的能力,他们的精度高,他们在解决时间序列问题是值得的。

1。介绍

道路基础设施有重要和积极的角色在促进城市和社区。道路基础设施被认为是最重要的因素为人们的福利和舒适和道路用户。此外,它是决定国家的社会经济发展的行业1]。路面管理系统(pms)发挥有效作用监测、规划、评估、管理和实施能力的建议,保持道路路面条件在一个可接受的健康状况1,2]。

然而,在监控方面,必须使用高精度设备监控变化和任何现有的痛苦或损坏路面。路面监控评估路面条件中扮演着重要的角色。因此,监测结果和文件内部使用收集的数据制定预测模型。后监控路面条件下,路面评估策略应该被应用,对数据收集和实地调查应进行评估路面基础设施。然后,决定将基于路面条件的相关信息,和路面养护过程将基于铺平道路表面的状况和期望的路面性能1- - - - - -3]。

此外,项目经理关注的条件实施维护和康复后道路人行道。因此,对路面性能建模是必不可少的运输机构和政府管理水平(4]。立顿(4]提到未来的监控路面条件被称为“预测”或“预测”,衡量未来路面条件下的性能。在预测阶段后,建议将关于适当的维护和治疗实现(5]。然而,挑战是建立最好的预测模型结合所有道路路面和环境参数和变量。因此,构建任何性能模型需要一个预定义的数据集分成三个小组,其中包括(1)训练数据,(2)测试数据,和(3)验证数据(6]。此外,路面性能的预测已经被许多研究者广泛的研究在过去的十年里,加上努力从运输机构发现并披露最准确的评估和预测路面性能(7- - - - - -9]。

路面表面的预测性能开发使用现场评价和实验测试。美国州国家公路运输官员协会关注预测路面困苦和未来失败的人行道上。除了实验,预测模型也需要评估路面退化模式和可能的未来的维护计划(4]。许多研究使用不同类型的预测模型,如机械模型、经验模型,mechanistic-empirical模型、机器学习模型和神经网络模型,预测未来道路路面条件(10]。机器学习模型是最受欢迎的预测模型用于估算道路路面的当前和未来的环境退化。开发任何准确的道路路面性能预测模型取决于两个主要因素,包括准确的数据库访问和正确地识别道路路面恶化的影响变量。

发展中准确预测模型的精度和一致性主要取决于监测和评价数据。许多监测技术已经被用来评估路面条件和收集信息和细节在人行道上卫生法规。这些技术包括vibration-based方法、应用方法、散步,看,和扫描技术。除此之外,国际标准性能指标用于检查和评估路面条件下不同的场景,如路面状况指数、国际平整度指数,目前可服务性评级,和结构指数。每种类型的性能指标都有不同的方法进行路面健康状况的数据。路面状况指数(PCI)和国际平整度指数(IRI)在路面监控和状态估计有显著的贡献。因此,许多研究人员使用这些指标的结果在建设和发展他们的路面性能预测模型。PCI是一个主观的监测指标,主要取决于视觉检查和督察的经验。PCI评级系统由一个范围从0到100,在最糟糕的路面表面是0,而优秀的路面条件是100。IRI的迹象表面平滑的水平。 It can be measured using a profilometer. Also, there is a part of the IRI that depends on vibration-based methods and is called IRI (Proxy).

本文结构如下:论文的后续部分提供了一个总体布局。这是紧随其后的是数据源的概述,而部分4审查现有的路面性能预测模型,根据PCI和IRI。部分5介绍了现有路面预测模型的讨论和限制,紧随其后的是路面性能预测的未来方向。

2。数据源

本文提出了基于数据库使用不同的预测模型。一些过去的研究论文都集中在使用路面性能指标的结果作为一个数据库构建预测模型,而另一些人则专注于使用了测量或其他智能技术,如图像处理和振动数据,收集适当的数据库。几项研究路面退化模型的数据库分为两类,包括观测数据库和一个在线数据库。观察类别,进行数据收集使用视觉检查装备的运输方式,如汽车、自行车(11- - - - - -16),和智能监控技术(17,18]。此外,许多路面长期预测模型使用路面性能(LTPP)或短期路面性能(STPP)数据集来预测未来路面性能(19- - - - - -21]。

路面性能指标作为关键指标常用来描述路面表面和水平的路面状况的恶化。因此,政府和运输机构利用这些性能指标定义所需的维护和恢复措施。此外,由于过去的十年中,许多一直努力开发路面性能评估过程更精确,节省成本,和简单的2]。许多研究已经进行了调查路面恶化的状态和水平路面使用性能指标,包括PCI、IRI,路面使用性能指数(PSI),路面状况评级(PCR)。此外,路面状况指数可以被认为是时间变量(10]。实现最优目标的高精度评级系统,使用IRI和PCI指数为主要变量在发展中路面性能预测模型。图1显示了路面条件的字段数据来源。


图1
数据源的监控道路路面状况。

3所示。应用方法

研究人员一致认为,最优方法来准确地监控路面条件下性能是通过预测和使用预测模型22]。这些模型能够描述了最小和最大道路路面性能的变化。不同类型的性能预测模型是用来提供最终的准确度和精密度。随后的部分描述了预测模型,用于估计路面条件下的性能。在随后的部分,有时间序列模型,用来预测路面条件的性能,可分为两大类,包括概率推理和浅的机器学习模型。图2显示所选的时间序列建模。


图2
时间序列模型在预测道路路面性能。
3.1。概率推理

概率推理是一种逻辑的方式探索和表示根据一系列不确定的事件和情况取决于概率。在预测性能、概率推理算法被广泛用于预测路面条件的短期和长期性能雕像。

3.1.1。机械的实证模型

这些模型可用于预测现有的和未来的路面退化和维护活动。同时,mechanistic-empirical模型能够提供更可靠的预测未来的路面状况。此外,这些模型关注路面材料的性能和品质。PCI和IRI是用来提供有价值的信息对路面健康状态在这个模型类型(23]。

1989年,乔治et al。23]mechanistic-empirical模型用来预测未来路面性能。实证机械模型开发了基于PCI值。他们使用PCI值在两年内,大约2000英里的道路在密西西比州,美国为三个类别的沥青表面状态(柔性路面没有叠加,叠加、复合路面)。此外,该模型集中在评估不同类型的路面表面的退化和痛苦以及它们是如何影响维护计划。他们的研究使用了六个主要参数发展道路路面性能模型,包括交通量、路面年龄、路面结构数量,材质,表面挠度测量。是在他们的研究开发性能指标来描述路面粗糙度之间的交互(PR)数据和痛苦评级(DR)如下:

以下条件性能预测模型包括时间序列数据没有覆盖的路面条件,显示了复合路面覆盖,从方程(2)(4),分别23]。 在哪里一个,b,c是常量和等效单轴加载ESAL,结构性SN,最后覆盖的厚度T,分别。在他们的研究中,乔治et al。23]使用最重要和最有效的变量如人行道上的年龄。

双方et al。24)提出了一个基于模型的结合empirical-mechanistic和回归的实证方法来预测IRI。从人行道上收集的数据,总共有165公路段287.5公里的数据被用于这个模型。IRI退化模型计算如下: 在哪里K和γ回归系数,路基模量的功能,结构路面施工的时候,和沥青厚度。(W0)的累积数量(130 kN)等效单轴加载ESAL应用程序导致的IRI的增加(1.10米/千米)(IRIini),IRIiniIRI的部分(tini),Wt是一个累积的数量(130 kN)等效单轴加载ESAL应用程序应用到时间吗t。(R2> 0.9)的预测和测量数据。双方et al。24)开发了一个类似的模型预测PCI退化。机械模型的特点进行了总结表1。

表1
路面性能预测研究概率推理。
3.1.2。实证模型

实证模型主要依赖于实验和野外观察的结果。实证模型被称为模型相关的原因和影响。这些模型在网络级分析更准确。评估未来的路面性能,许多研究已经进行了预测路面条件下的性能。在线数据和实地观察适合开发经验模型。总结了实证模型的规格表1。图3显示类别的实证模型。


图3
类别的实证模型。

(1)统计模型。统计模型使用实验数据或实地测量语句对未来变化的实验结果。这些提供实时的统计方法解决复杂的问题。Attoh-Okine [25)和Marcelino et al。26]研究了统计预测模型来衡量和评估未来路面条件下的性能。此外,统计模型的准确性与人工神经网络(ANN) [25]。结果表明:统计模型能够推广和提供准确的道路路面性能模型。的R2获得的价值大约是40%,IRI的标准误差是1.88。

(2)递归分区。这是一个统计方法和非参数建模的一部分。它也用于确定一组实地测量与类似的参数值。这个方法正确使用决策树分类变量的数量,如路面年龄、交通条件、天气条件和路面结构的细节。Inkoom et al。27,28执行一个模型来预测在路面表面开裂条件使用递归分区和安。大约5814路面部分选择在佛罗里达州,美国,他们11特性。这些特性包括路面时,平均每日流量,卡车因素,沥青厚度、最大上传速度、路面的功能类,前五年路面状况评级。70%的数据被认为是训练数据集,剩下的作为测试数据集。两个模型进行调查,一个与所有这些11个变量,另一个没有等级路面条件的时间序列。第一个模型显示更准确的路面性能预测结果比第二个模型。回归树,R2被发现89%,安,R2被发现是41.4%。

(3)信息功能预测。Piryonesi和EL-Diraby29日)发现了一个计算系统进行PCI预测使用的特性。结果表明,使用更多类别的预测类和层次的痛苦,路面性能预测模型的准确性下降。使用准确的第七班规模小于使用原始的五级量表预测PCI。最准确的预测模型是大约三年的准确性(78±4%),将班级规模,和大约(76±4%),第七班的规模。这项研究得出结论,人行道上年龄和气候条件是最有效的变量建立预测模型(30.]。

3.1.3。模糊逻辑

一些研究致力于开发一种创新的IRI基于fuzzy-based时序预测模型和粒子群优化(PSO)技术(31日,32]。在他们的研究中,李et al。33)显示使用PSO技术的重要性增强性能模型的结果和未来的IRI预测模型。此外,在他们的研究中,李et al。33)使用一个LTTP数据库提取IRI值对于一些在加拿大的城市道路。本研究的方法集中在将IRI值分成细粒度的空间。更多说明,他们将IRI数据分成因素和次级因素。因素部分的平均使用IRI值长期路面性能数据库,而次级因素数据测量在左、右轮路径(34]。此外,一个二阶模糊的趋势模型被用来预测IRI因素和次级因素的性能数据。因此,模糊的趋势模型定义如下: 在哪里U= {U1,U2,…联合国}被定义为论域,是一个模糊集,足总是一个模糊集的隶属函数,然后呢足总(联合国)是一个隶属度联合国。

通过比较与其他建模方法创新IRI预测方法,如多项式拟合、自回归移动平均(ARIMA)集成,和反向传播神经网络(摘要)。结果表明,IRI预测模型实现高精度预测与其他建模方法相比。IRI预测误差的模型被确定使用均方根误差(RMSE)和相对误差(RE),评估每一个模型的能力提供准确的性能预测。结果显示,IRI预测模型是准确的足够的最小误差值与其他建模方法相比。

3.1.4。概率建模

刘和Gharaibeh [35)关注使用概率模型来描述路面状况的变化和性能随着时间的推移。他们主要用于重要的变量,如年平均每日流量,路面层厚度、层孔隙层液体限制,沥青层的内容,和年降雨量,建立精确的预测模型。Abed et al。9)开发了一种概率预测模型的柔性路面,路面层的厚度和刚度作为变量。此外,平均值、标准差和概率分布函数的两个参数被认为是变量。在这项研究中,一个路段在诺丁汉,英国被选为案例研究。这条路有一个但是路面,包括面层、基层、底基层,和压实路基。层厚度和刚度变化及其概率分布则来自于先前的研究。每一层的随机厚度值计算的蒙特卡罗方法。路面温度和交通量计算未来的预测。在他们的研究中,KENLAYER软件与MATLAB软件用于计算自底向上的疲劳开裂,自上而下的疲劳开裂、路面变形路面响应在预定义的关键位置的人行道上。该模型模拟了30年。发现路面层厚度和刚度在路面性能发挥了重要作用。 The mean values of the predicted performance indicators were increasing over time, however, the standard deviations of these were also increasing.

(1)马尔可夫过程的模型。不同的研究开发了一种概率统计方法使用马尔可夫链框架描述路面条件和预测路面性能(36]。形成的预测模型是基于IRI数据从国家交通部在哥斯达黎加。IRI数据进行的2004年、2006年、2008年和2010年,然后,预测路面性能预测模型是基于IRI 2020年数据。建模过程分为三个阶段,即数据收集和分析、模型开发、和模型验证。转移概率矩阵(TPM)使用基于马尔可夫链过程(MCP)与解释变量相关路面退化。

此外,使用及预测路面性能的重要性在随后的具体的年。同时,显著的变量,包括路面层的厚度、结构数量,单位和轮子的数量通过路面的强度。马尔可夫预测性能模型结果显示,使用概率模型在预测路面性能在特定的时间是可靠的。此外,TPM结果显示更准确的路面性能预测,因为错误的百分比将最小化应用优化技术。使用这个概率模型的主要优点之一是建模的缓解路面退化和这些模型的能力来帮助决策者更好地规划和管理(见表1)。

3.1.5。其他的确定性模型

陈和张37)发表的一份研究报告的评价IRI在人行道上退化预测模型为基础,依赖于四个不同的确定性模型,包括阿尔Omari-Darter模型、迪拜模型和交通研究委员会的国家公路合作研究项目(砂浆)模型。执行模型之间的比较确定最准确的确定性模型在预测基于两个主要的路面性能有效的变量,包括路面路面层厚度和年龄。此外,陈和张37)获得了IRI数据和其他模型相关的数据LTPP数据库在新墨西哥州。IRI-based路面退化预测模型分为两个主要分类,预测IRI (Al Omari-Darter和迪拜模型),和其他性能预测的预测基于IRI(砂浆模型)。在选定的确定性模型,Al-Suleiman和Shiyab [34)开发了一种新的预测模型基于路面年龄(迪拜模型)。IRI的数据是在左右车轮在车辆运动路径,和下面的方程(7)介绍了迪拜模型。拟合优度,R2是0.801,相对较高和路面状况提供了一个良好的迹象。

此外,阿尔Omari-Darter [38)发现了一个预测模型基于IRI值和车辙深度(RD)。后来,他们试图提升模型使用的标准偏差(SD) RD更高的精度。

工作是根据测量的重要性R2IRI-RD模型的值,这是0.93和0.94 IRI-SD模型。所示的模型方程(8)和(9),分别。

此外,模型砂浆材料是使用一个指数回归模型预测路面使用性能指数(PSI)。拟合优度,R2,该模型相对较低,为0.73。然而,在2008年,新墨西哥州的运输(39这个模型]报道如下:

陈和张37)发现,迪拜和砂浆材料关于路面路面性能预测模型准确的年龄和厚度。艾尔Omari-Darter模型提供更少的能力来预测路面的性能(表条件的路面厚度1)。

表1下面介绍了以前的研究,概率可靠预测路面使用性能。桌子上还显示了每种类型的路面的技术指标进行预测。标准矩阵提供的数据源是用来测量每个开发模型的验证和准确性。除此之外,每个模型的力量和弱点提出和讨论。

3.2。浅的机器学习

肤浅的学习是机器学习算法的一个分支,取决于基于专家经验的描述。浅机器学习的数据集需要preprepared和预定义的所有必需的功能。关于预测性能,肤浅的学习算法被广泛用于预测和估计路面条件和性能的健康状况。

3.2.1之上。人工神经网络(ANN)

人工神经网络(ANN)是一个复杂的模型来模拟人类大脑的思维方式和解决问题的能力通过提供各种替代方案。安在路面性能预测的使用变得广为人知,因为准确的预测结果。现有的ANN模型,提出了在文献中用于路面性能预测图4。


图4
人工神经网络在路面性能预测。

Alsugair和Al-Qudrah42和金丝雀31日)使用安测量路面条件的未来表现。该技术涉及到人工智能,许多研究人员支持其在预测路面使用状况。此外,一些研究人员利用回归模型和ANN预测的概率降低沥青路面和粗糙度的痛苦水平(43,44]。ANN模型的特点进行了总结表2。

表2
路面性能预测研究浅机器学习。

此外,一些作品的研究集中在预测PCI基于不同优化技术(45]。例如,Shahnazari et al。46)使用安和遗传规划(GP)。在他们的研究中,PCI数据收集基于实地观察使用一个自动化的汽车在伊朗不同的城市道路。数据收集阶段侧重于测量最常见的路面祸患,PCI值包括开裂(鳄鱼、纵向边缘,和横向),坑坑洼洼,修补和出血。人行道上痛苦的类型作为一个有效的变量用于路面性能预测模型。在他们的研究中,他们使用数据集作为训练集的80%和20%的数据集作为测试集。

此外,Shahnazari et al。46)评估前面提到的通过确定模型的准确性R2、均方根误差、平均绝对误差(MAE)。结果表明,的价值R2安和GP模型为0.99。因此,结果表明,这些模型是可靠的预测路面性能使用PCI值。

塔拉et al。47]安还开发了一个模型来预测PCI基于观察和实验测量不同位置的德州大学校园。他们也最优的ANN模型应用于增强传统ANN模型的准确性。三种类型的路面,包括沥青混凝土(AC),热拌沥青(协会)和波特兰水泥混凝土(PCC)进行评估期间2014年至2016年。此外,其他两个主要变量是用来构建模型,即年度平均每日流量(AADT)和交通负荷。研究表明,该安所选类型的路面模型是准确的。应用最优安后,结果显示,模型有改进和增强效果和局限性的错误。

国际平整度指数预测模型是一种时间序列预测性能模型。因此,许多有效的变量,如路面厚度、裂缝水平,交通量,弹性挠曲模量、结构数量,气候条件,必须仔细收集。2000年,一份报告从高速公路发展和管理系列48)表示,前面的变量是至关重要的变量用来构造一个退化模型,如方程所示(11)一年。 其中ΔIRI表示总评级IRI值的变化,IRI吗年代评级变化由于结构变形,IRIc评级变化由于开裂,IRIr因为发情的评级变化,IRI评级变化,因为洞穴勘探,IRIe评级是因为环境的变化在一年。

人工神经网络和一组数据处理方法模型是由Ziari et al。49]在短期预测沥青路面性能一年和两年。同时,整个路面寿命周期预测进行了长期预测的性能。此外,Ziari et al。49)使用经前综合症的IRI值从数据库数据集在美国,they selected nine effective variables to indicate the performance of pavement conditions. The nine variables were selected carefully to provide clear indications of the condition of pavement surfaces and the affected factors.

的R2和RMSE被用来评估模型的质量和能力提供准确和验证结果。此外,三个误差指标检查,包括平均绝对误差(日军),校正因子(CF)和方差占(VAF)来识别中的错误提出了人工神经网络模型,并提供最佳的相关性和组数据处理模型的方法。利用GMDH的好处是,它侧重于预测一个复杂的系统,不需要假设。

ANN模型与其他模型相比有特定的特性。例如,他们有很高的工作能力和预测复杂系统。此外,这些模型更有效,并提供高精度预测路面条件。Ziari et al。49]提到,ANN模型总是提供最小误差值与其他模型相比。此外,清晰的插图每个变量和参数的影响性能的路面条件总是提供的建模结果,代表利用ANN模型的许多优点之一。因此,结果表明,ANN模型很重要,准确预测短期和长期性能,而组方法数据处理模型无法使用IRI值和九个重要变量来预测铺平道路条件的性能无论是短期还是长期路面生命周期。

(1)反向传播神经网络模型。林等。50)提高使用反向传播神经网络模型的准确性在路面性能预测。模型显示,有一个相关值的变化,和最好的价值大约是0.94。此外,结果表明,凹坑、车辙和修补相关系数最高,暗示与IRI值明显关联。然而,关于其他类型的路面的痛苦,如开裂、鳄鱼开裂,流血,他们与IRI值较低的相关性,这意味着更少的能力相关的类型路面的痛苦和IRI值。像林等。50)说,这种类型的模型很容易实现,可以简化路面检查运输机构。它还提供了明确的信息之间的关系类型的窘迫和IRI值在长期性能预测。然而,使用该模型缺乏相关的某种类型的路面困苦与IRI值进行的。反向传播神经网络模型的特点进行了总结表2。

(2)径向基函数神经网络(RBF)。Karballaeezadeh et al。51)提出了一个模型来预测PCI的落锤挠度计(FWD)挠度数据。FWD挠度数据收集从236年选择在伊朗Tehran-Qom高速公路的路面领域。PCI计算每一部分的检查。数据分析是通过使用五种不同的方法:多层感知神经网络优化的Levenberg-Marquardt (MLP-LM),多层感知神经网络优化的比例共轭梯度(MLP-SCG),径向基函数神经网络优化的遗传算法(RBF-GA),径向基函数神经网络优化的帝国主义竞争算法(RBF-ICA)和合并这四个委员会机器智能系统(CMIS)。这五种方法的结果与四个统计参数:平均相对误差百分比(大气压力),平均绝对相对误差百分比(AAPRE), RMSE,标准误差(SE)。然而,它显示五个选择模型的有前景的结果但只取决于前轮驱动(表数据的准确性2)。

3.2.2。机器学习算法

机器学习(ML)方法是人工智能的一个领域。毫升技术广泛应用于路面性能预测,因为高精度的结果。毫升技术可分为两大类,包括支持向量机和混合动力机器学习(图5)。


图5
毫升技术在路面性能预测。

Piryonesi和EL-Diraby29日)开发了一个具有成本效益的预测模型使用机器学习算法和LTPP数据库。这个预测模型专注于评估路面条件和表面压力使用PCI / 2, 3, 5, 6年。在这项研究中,不同的属性被用来简化该模型所使用的运输机构和政府与最低的运营成本。此外,研究人员试图改变一种总线标准评定量表是第七班的规模,而不是将班级规模。这个属性是应用试验,以提高PCI的评价步骤。此外,许多试图测量使用第七班规模和PCI值预测模型进行评价PCI测量两类尺度选择的多年。研究还使用影响的变量,比如路面时,类型的路面,AADT,平均每日最大和最小温度、气候条件和路面的功能类(表2)。

(1)支持向量机(SVM)。王等人。52)结合灰色关联分析(GRA)和支持向量机回归(SVR)的预测沥青路面性能。草进行选择主要的路面性能影响因素,以及SVR使用这些因素来预测路面性能。数据收集从广韵高速公路。路温度、湿度和风速数据收集从气象站安装。温度和湿度传感器安装在人行道上路面层和表面。在草地上分析,12个因素被认为是比其他的更有影响力。这些等效单轴加载、维修基金、路面结构强度比、土壤水分平均值,表面中间的最高温度,最高温度在路面,年度累计总辐射,年平均降雨量,最低温度在中间表面上表面的最高温度、最低温度的上表面和下表面的最高温度。最后,GRA-SVR,灰色方法(通用),遗传algorithm-backpropagation (GA-BP)和路面性能指数(PPI)模型应用于预测车辙深度指数(RDI)。与其他三个相比,发现GRA-SVR高度精确和长期有效的建模过程是复杂的。

另一方面,Ziari et al。53)进行了支持向量机模型预测路面性能条件下基于IRI测量和LTPP,和一个数学方法是同时准备使用现有的数据来验证模型和调查之间的交互性能模型和模型的变量。他们的研究论文使用的数据集组成的五个内核类型支持向量机算法和IRI数据。五个内核进行了测试,包括多项式内核与度1 - 3,皮尔森七世通用内核,以及径向基函数。此外,九个变量包括路面层厚度、等效单轴加载,年度平均每日流量、平均每日流量,年度平均每日卡车交通,环境变化,年平均温度、路面的年龄,和年平均降水。他们形成构建预测模型,见下表2。

三个非线性内核方程应用于描述预测模型方程(12)- (14)。这些方程代表了多项式、径向基函数和皮尔森七世通用(54]。

RMSE和相关系数检查找到一个精确的性能模型。他们发现,皮尔森七世通用内核是最好的和支持向量机模型的重要内核。此外,它与IRI测量和路面的健康状况。

(2)混合动力机器学习。黄平君[55]介绍了沥青路面模型确定补丁。图像分析得到数值特性,然后,用这些特性,混合机器学习模型决定了输出标签nonpatches和补丁。一组一千个图像收集路面调查期间在越南岘港市。这些照片是固定为100×100像素。他们被人类贴上nonpatches和补丁检查员进行培训。从一个形象,一个总数34功能被确定。最小二乘支持向量机(LSSVM)被用于训练和微分花授粉(DFP)作为精细调谐器。LSSVM模型有一个95.3%的准确性预测道路路面状况。与之前的模型相比,它可以处理彩色图像,虽然模型的局限性之一是特征选择算法并没有建立在模型构建阶段(表2)。

3.2.3。回归模型

回归建模措施之间的交互输入(独立)变量和输出变量(依赖)。它是一种时间序列预测模型被广泛用于预测路面性能的条件。有各种各样的回归模型,包括随机森林回归RFR,普通最小二乘OLS回归方法,简化的回归模型,和逐步回归方法,见图6。Madanat和易卜拉欣(56]和罗伯茨和Attoh-Okine [57)使用传统的回归技术评估和预测道路路面退化。


图6
回归模型在路面性能预测。

(1)随机森林回归(RFR)。龚et al。58)开发了一种随机森林回归(RFR)模型预测沥青路面的IRI使用训练集和测试集。路面祸患,交通、环境数据和结构数据估计IRI的有效变量。此外,前面的变量和IRI测量从LTPP获得数据库。结果显示,提供的RFR模型精度高和优秀的迹象在人行道上训练集和测试集的性能。系数的测定R2提出了模型的训练集和测试集分别为0.99和0.97,分别。的R2值表明高效实施RFR模型。此外,结果表明,各种路面祸患和路面年龄显著影响IRI测量,如鳄鱼开裂,横向裂缝和车辙。相比之下,其他显示对IRI测量影响有限,包括边缘裂缝、纵向裂缝,和钻探。

以同样的方式的研究,另一项研究是由Marcelino et al。26),专注于应用随机森林算法发展的路面条件下的性能。长期的路面性能数据基于IRI值五到十年,以及一些其他指标因素,如交通量数据,环境数据和结构数据。的数据进行了不同的城市道路在加拿大和美国印第安纳州,德克萨斯州,萨斯喀彻温省。在这个模型中使用的主要变量是年均降水(AAP),年平均温度(AAT),年平均冻结指数(AAFI)、路面厚度、结构(SN)数量,累计年度平均每日卡车交通。正如杂褐锰矿和其他作者所提到的,这个随机森林算法可以减少预测模型结合不同的方差模型和执行精度高的结果。的三个类别,包括定量、定性、复合材质,和定量,被用来评估预测模型(27,59- - - - - -61年]。除了均方误差(MSE),均方误差的标准差(SDMSE)和K-fold交叉验证估计的数量预测模型(表中的错误2)。

(2)普通最小二乘法OLS方法。的发展预测模型主要关注数据来源的准确性。Arhin和诺埃尔62年)进行的IRI和PCI数据传输为选定的道路在哥伦比亚。与此同时,普通最小二乘法(OLS)回归方法进行预测(PCI) IRI数据集。此外,Arhin和诺埃尔(62年)应用5%的显著性水平来确定该回归模型的重要性。随后,一个方差分析测试是用来测量每个每个道路分类回归模型的意义和路面类型。的拟合优度R2和野生也为每个测试回归模型来估计提出模型的有效性。最好的总体回归模型成立如下: 在哪里一个,K是常数,ɛ是一个相关的错误。

结果表明,这种预测性能方法是准确的,能够被用于不同的监测技术。更多说明,根据功能分类,结果显示,高速公路是一个顺利的主干道,这比收藏家和地方道路顺畅。基于路面类型、复合路面比沥青和混凝土路面光滑,分别。的R2功能分类模型的值介于0.56和0.74之间,相对较低,而拟合优度R2路面类型的值介于0.72和0.74之间的模型。

(3)简化的回归模型。Elhadidy et al。22)专注于创建一个简单的回归模型预测路面状况指数PCI的关系以及国际平整度指数IRI。该模型使用一个数据库从LTPP数据库在美国和加拿大。他们使用变量如交通水平、气候条件、路面年龄、类型的路面,路面祸患。此外,Elhadidy et al。22)评估该模型使用系数测定精度R2和RMSE。研究结果表明,该模型准确、有价值的R20.99,它可以用来预测IRI任何路面部分基于PCI(表2)。

(4)逐步回归技术。艾哈迈德et al。63年)致力于开发性能预测模型基于PCI使用逐步回归技术。研究使用野外观察测量不同类型的路面窘迫的PCI值在巴格达市区道路。此外,不同类型的路面遇险被检查和调查发现PCI值,包括疲劳开裂、车辙、坑槽、出血、抑郁、滑脱裂缝、纵向裂缝,和修补,见下表2。艾哈迈德et al。63年)开发了一种预测模型对PCI取决于类型的路面祸患。方程(16说明了该模型。

在上述模型中,只有三个重要类型的痛苦被提到,因为这些祸患对PCI值可以提供一个有效的影响。系数测定R2该模型为0.80,表明该模型是足够的和可接受的运输机构和研究人员。然而,使用这个模型有局限性,如变量的模型只能与特定的工作范围。此外,验证基于平均值和标准偏差的观察和开发PCI值应用于实现高精度的预测模型。T以及和平均水平也以95%来确定该模型的准确性。方程(17)提出预期之间的关系和观察到的一种总线标准。

该模型的拟合优度显示观察和预测PCI值之间无显著差异。

表2显示了机器学习应用浅的先前的研究来预测路面性能。桌子上还显示了每种类型的路面的技术指标进行预测。标准矩阵提供的数据源是用来测量每个开发模型的验证和准确性。除此之外,每个模型的力量和弱点提出和讨论。

4所示。讨论和研究空白

的主要原因集中在路面预测模型的局限性是这些性能模型的重要性和意义在评估路面恶化的健康状况。一旦研究人员决定开发一种性能模型,他们必须非常小心,并选择合适的预测模型。他们还必须有明确的信息和足够的知识模型的输入、输出、参数、使用和情感变量。形成模型函数和方程是任何预测模型在发展中迈出了重要一步。因此,边界条件必须控制方程,根据性能模型的目的。

在人行道上预测,性能模型必须有路面恶化的增长,祸患,损失,或路面性能指标如粗糙度指数、服务能力指数和路面条件评级(4]。找到合适的变量用于预测模型被认为是许多研究人员面临的主要约束之一。众所周知,任何模型的准确性主要选择相关变量。关键变量的选择主要取决于预测模型和预测条件的类型。此外,路面条件变量分为以下大类基于影响路面表面的条件:交通水平、环境条件、材料质量、路面结构。

此外,许多研究称,并不是所有的变量都是在LTPP数据库或很容易获得。它被认为是一个重要的问题模型的开发人员30.,41,64年,66年]。的准备,所有的元素,如物理和数学的界限,依赖和独立变量,和生和准备数据,必须准备好获得并用于开发的预测模型。本文提出了最重要的时间序列预测模型,包括mechanistic-empirical、经验,回归,支持向量机、模糊逻辑等。

图7下面介绍了精度值取决于每个预测模型的约束的决心R2价值。MEM: mechanistic-empirical模型EM:实证模型,FL:模糊逻辑,下午:概率建模、DM:确定性模型,人工神经网络:人工神经网络模型,mla:机器学习算法,和RM:回归模型。根据图7ann, MLA, RM在预测精度显示精度高价值,分类,检测路面损害的条件。使用DM提供低精度预测路面的实际健康状况,特别是砂浆材料模型。


图7
比较模型的精度值。

机械和mechanistic-empirical性能模型可以估计和推断路面性能数据。此外,这些模型需要更多的校准数据,然而,与此同时,他们有简化的优势与其他预测模型相比,像实证模型10]。然而,在实证模型,乔治(23)声称,选择适当的预测方程发展最好的性能模型具有重要意义。开发经验模型,研究人员应该有一个大型数据集的路面条件和确定的数学和物理边界方程建立一个清晰而准确的模型和避免重大错误26]。

在回归模型中,任何方程可以用于回归分析的简单使用。假定的效率函数或方程的发展回归模型可以使用统计测量和评估措施,确定该模型的能力以适应观测数据(58]。然而,许多研究人员声称确定系数是一个基本的工具,用于评估预测模型的合理性。不过,拟合优度也可以使用其他统计评估措施的基础上,进行了错误的百分比(58,60,62年]。

另一方面,有一些限制使用神经网络模型来预测路面性能,包括数据的可用性,如交通水平、气候条件和其他路面状况指数的长期路面性能LTPP数据库(42]。此外,最重要的限制之一是需要数值验证和统计测试,以验证神经网络模型的准确性对人工神经网络和神经模糊模型(49]。此外,模型开发人员通常面临困难获取路面状况数据,特别是PCI相关的数据,他们无法找到合适的柔性路面与全方位服务的生活细节。Ziari et al。49在进行数据)讨论另一个问题,是关于路面状况指数。路面条件索引值恶化最严重的等级与路面的年龄。路面表面暴露在不同的气候、交通、和其他外部因素造成损失和痛苦。然而,在应用维护和修复程序,路面状况指数为路面状况提供最好的评级。因此,发现路面LTPP数据库中没有康复和治疗过程使用寿命是不容易67年,68年]。除此之外,没有必要开始评估路面路面使用寿命的条件从一开始,在人行道上时代最后的叠加形式。

5。未来的发展方向

路面条件的性能是一种很有前途的路面管理的研究领域,是未来的监控和维护系统。几项研究已经进行了测量路面条件下的性能和路面的未来的健康状态。此外,研究门仍开放更多的调查和创新找到竞争的方式可以预测未来的路面性能,此外,提供足够的短期和长期的信息预测路面条件下的性能。主要的未来方向应侧重于选择强度变量有效地开发准确的预测模型。

另一个未来的方向可以关注得到路面状况数据。必须应用先进的方法和使用高精度设备监控路面条件和最重要的预测模型应用于诊断性能的路面。更清晰,使用动态和静态路面监控系统来获得准确的评估结果可以提供,提高预测模型的结果。例如,使用加速度计频率和灵敏度高的传感器可以提供一致的振动数据建立预测模型。先进的路面监控仪器,如探测车辆扫描激光和高质量的线扫描相机,用于识别路面损坏和使用数据验证预测模型。

6。结论

道路使用者的数量的增加导致轻微和严重破坏和退化的路面表面,它主要影响道路使用者的安全与舒适。然而,许多研究人员进行的研究来评估当前路面恶化的健康状况和未来最近的变化下的路面结构的变化。此外,项目经理有一个重要的角色在发展中不同的预测性能模型来估计路面表面的状况和指定的时间后路面恶化的严重程度。本综述论文着手IRI -和基于pci路面退化预测模型。开发了各种预测模型来估计路面条件和水平的路面破坏世界各地的各种柔性路面地点。

大多数以前的研究都聚焦于发展性能预测模型基于数据集从LTTP数据库和路面状态指数的值。相比之下,其他研究已经进行基于野外观察和数据收集。许多性能模型已经开发使用ML算法和ANN建模。大多数研究人员认为这两种预测方法,ML和安,为路面条件,准确的估计结果,他们在处理变量都是有益的,如交通状况、路面的年龄,和天气条件。此外,回归模型显示,检测和分类精度高路面损失。与此同时,一些缺乏确定性模型显示预测路面表面的实际情况。

总之,每个模型都有特定的功能,优点和弱点。因此,一些预测模型强multiprediction和multiclassification目的,如安,ML,和再保险。相比之下,其他模型是重要的二元分类和检测,如支持向量机、Al Omari镖模型,马尔可夫模型。因此,选择一个合适的预测模型是一个高质量的预测性能的第一步系统[69]。

的利益冲突

作者宣称没有利益冲突。