基于随机森林的高速公路沥青路面维护决策预测方法研究 何崇光、段雅、图尔孙·马马特、朱行林、马吉布·德里迪、穆阿拉·亚赞、阿卜杜勒贾利勒·阿巴斯-图尔基

《Applied Sciences》：Research on a Prediction Method for Maintenance Decision of Expressway Asphalt Pavement Based on Random Forest Chunguang He, Ya Duan, Tursun Mamat, Xinglin Zhu, Mahjoub Dridi, Yazan Mualla and Abdeljalil Abbas-Turki

　　

摘要

本研究利用机器学习预测高速公路沥青路面的维护决策，以克服传统综合指标（如PQI和PCI）中固有的信息损失问题。基于新疆G3012高速公路十年的检测数据，构建了一个可解释的随机森林（RF）模型。该方法结合了基于排列的特征选择、三种不平衡缓解策略（平衡加权、SMOTE和成本敏感学习）以及严格的时间感知验证框架。研究结果表明，原始的路面损坏特征——尤其是裂缝修复、块状开裂以及横向和纵向开裂——是影响最大的预测因素，其预测性能显著优于综合指标。优化后的模型采用平衡加权和均值插补方法，在严格的时间验证下实现了0.826的准确率和0.853的ROC-AUC值，有效识别出了占少数派的“需要修复”的道路类别。该研究表明，通过可解释的集成框架利用原始的路面损坏数据，可以为基于阈值的维护规划提供一种稳健的、数据驱动的替代方案，有助于实现从被动维护向预防性维护的转变，从而提升复杂基础设施管理的效率。