摘要
精确预测路面状况指数（PCI）对于公路资产管理与维护规划至关重要。改进的预测可以为可持续资产管理提供支持，但本研究并未量化其环境或经济效益。然而，PCI时间序列呈现出复杂的时序模式——包括非线性退化轨迹和急剧下降趋势，这些趋势可能与冻融循环和重交通荷载有关；但本研究并未测量这些因素。为弥补这一不足，本研究提出了一种定制的基于Transformer的框架，用于路网层级的年度PCI预测。该模型采用固定的3年滑动窗口，并整合了三项关键创新：低维特征扩展、增强趋势加权位置编码以及轻量级编码器堆叠，在预测精度与计算效率之间取得了平衡。在2024年测试年度以及新疆2020–2024年数据集中25,258个未维护路段上，该框架取得了R2 = 0.945（95%置信区间：0.941–0.949）、MSE = 9.39（95%置信区间：9.12–9.68）和MAE = 2.30（95%置信区间：2.24–2.36）的表现。与表现最佳的常规基线模型（随机森林）相比，该模型将MSE降低了约54.7%，R2提高了约6.4个百分点。这是一项针对固定数据窗口下已观测路段的次年预测，并非长期时间泛化能力的证据。跨多个随机种子的消融研究显示出一致且小幅度的改进，其中轻量级编码器堆叠带来的平均增益最大。鲁棒性分析进一步表明该模型对噪声、缺失数据和检测错误具有韧性，凸显了其在大规模维护规划中的实用可靠性。通过提高自然退化预测的准确性，所提出的框架提供了一种数据驱动的基础，可为未来的维护决策模型和生命周期评估提供预测组件。然而，本研究尚未评估其直接的环境和经济效益，这些效益仍需通过与维护决策模型和生命周期评估的集成来加以验证。
