一种基于实时交通流量和负载的沥青路面维护时机决策框架

《Engineering Applications of Artificial Intelligence》：A real-time traffic-load-driven framework for asphalt pavement maintenance timing

路面性能退化模型基于累积等效单轴载荷，结合Informer-ANN预测模型和实时更新框架，实现智能维护决策。

　　在现代道路基础设施管理中，沥青路面的维护与性能评估是确保道路安全与使用寿命的重要环节。传统的路面管理系统往往依赖于年度数据进行预测建模，这种做法导致了预测结果的不连续性，仅能在固定的时间间隔内对路面性能进行评估。然而，随着检测技术的不断发展，获取路面性能指标的精度已显著提高，为更精细化的管理提供了可能。尽管如此，传统的年度数据收集方式仍然存在诸多问题，如耗时、人力密集，以及数据更新不及时等，这些都限制了其在实际工程中的应用。

近年来，研究者们开始探索基于交通负载的路面性能预测方法，以克服传统年度模型的局限。交通负载，尤其是等效单轴载荷（ESAL）的累积效应，被广泛认为是影响路面损伤的关键因素。ESAL不仅能够反映不同车辆对路面的损害程度，还能通过其累积特性，更准确地描述路面性能的变化趋势。与传统基于年份的模型相比，基于ESAL的模型能够提供更精细的时间粒度，从而实现对路面性能的动态评估。

在本研究中，团队开发了一种基于累积ESAL的路面性能退化模型，该模型能够提供连续且准确的预测结果。同时，为了进一步提高预测精度，团队还构建了一个高精度的每日ESAL预测模型，该模型结合了Informer深度学习模型和人工神经网络（ANN）模型，通过修正Informer的预测残差，实现了更高的预测一致性。实验结果表明，该模型的平均决定系数（R2）达到了0.87，显著优于传统的年份模型。

此外，团队还提出了一种基于实时ESAL数据的维护时间安排框架，该框架能够动态更新维护时间，确保维护决策的及时性和准确性。通过将高精度的每日ESAL预测模型与基于累积ESAL的路面性能模型相结合，该框架不仅提高了预测精度，还支持对路面状态的实时监控，从而为交通管理部门提供了智能化、自适应的决策支持工具。实验验证显示，该框架在维护时间预测上的平均误差仅为9.35%（约37天），远远优于传统基于年份的模型，其误差高达88.85%（约353天）。

在实际应用中，ESAL作为衡量交通负载累积效应的指标，具有显著的优势。首先，ESAL通过第四次幂定律，综合考虑了车辆载荷的大小和频率，使得其能够更准确地反映路面的损伤累积过程。其次，ESAL能够捕捉路面损伤的渐进性和累积性，如疲劳裂缝和车辙，这在传统模型中往往难以实现。再次，ESAL可以通过交通监测系统（如动态称重系统WIM或电子收费系统ETC）进行直接测量或估算，避免了对抽象转换的依赖，提高了数据的可获取性和准确性。

基于ESAL的模型不仅在理论上具有坚实的依据，而且在实践中也得到了广泛验证。例如，中国的《公路沥青路面设计规范》明确指出，累积ESAL与疲劳裂缝、车辙等路面问题存在直接关联。同时，ESAL也是路面设计中的一个重要参数，被用于评估路面的承载能力和使用寿命。此外，许多基于数据驱动的研究表明，ESAL是影响路面性能退化的关键因素之一。

为了进一步提升预测模型的精度和实用性，团队还引入了Informer深度学习模型，该模型在处理长序列数据时表现出色，能够高效捕捉时间序列中的长期依赖关系。同时，团队通过ANN模型对Informer的预测残差进行了修正，从而构建了一个高精度的ESAL预测模型。这一模型的引入，不仅提高了预测的准确性，还为后续的路面性能评估提供了更可靠的数据基础。

在数据收集方面，本研究参考了山西省交通厅的监测数据，包括路面性能评估指标（如路面平整度指数PCI、行驶质量指数RQI和车辙深度指数RDI）等。这些数据不仅反映了路面的当前状态，还为预测模型的构建提供了丰富的输入。尽管在某些情况下，路面结构能力尚未被纳入常规监测，但基于ESAL的模型仍能有效捕捉路面性能的变化趋势。

在模型比较方面，研究团队对不同模型的预测效果进行了评估，包括ARIMA、LSTM、Transformer、Crossformer、DLinear、CycleNet和Informer-ANN模型。实验结果显示，基于累积ESAL的模型在预测精度和稳定性方面均优于传统模型，特别是在处理复杂、长周期的路面性能数据时表现出色。此外，Informer-ANN模型在修正预测残差方面具有显著优势，使得其在实际应用中能够提供更精确的预测结果。

本研究的主要贡献在于，提出了一个基于实时交通负载的路面维护时间安排框架，该框架能够动态更新维护决策，提高维护管理的效率和准确性。通过将高精度的每日ESAL预测模型与基于累积ESAL的路面性能模型相结合，该框架不仅支持对路面状态的实时监控，还能够根据实际交通情况调整维护计划，从而实现更优化的沥青路面维护管理。

此外，团队还对模型的适用性进行了探讨，指出基于年度数据的模型在处理短时间周期的路面性能预测时存在局限。这种模型的预测结果缺乏连续性，仅能反映特定年份的路面状态，无法准确捕捉路面性能的动态变化。因此，基于ESAL的模型在处理短时间周期的路面性能预测时具有更高的适用性和准确性。

在实际应用中，交通管理部门可以利用该框架进行更精细化的维护管理，根据实时的交通负载数据调整维护计划，从而延长路面的使用寿命，减少维护成本。同时，该框架还支持对路面状态的持续更新，使得维护决策能够更加灵活和及时。这种智能化、自适应的维护管理方式，为未来道路基础设施的管理提供了新的思路和方法。

综上所述，本研究通过引入基于ESAL的模型，结合深度学习技术，构建了一个高精度、实时的路面维护时间安排框架。这一框架不仅提高了路面性能预测的准确性，还为交通管理部门提供了智能化的决策支持工具，从而实现了更优化的沥青路面维护管理。未来的研究可以进一步探索该框架在不同气候条件和交通环境下的适用性，以期在更广泛的范围内推广和应用。