基于仿真的新框架：预测货运荷载与停走型城市交通作用下车道级路面劣化（A Novel Simulation-Based Framework for Predicting Lane-Level Pavement Deterioration Under Freight Loading and Stop-and-Go Urban Traffic）

《Infrastructures》：A Novel Simulation-Based Framework for Predicting Lane-Level Pavement Deterioration Under Freight Loading and Stop-and-Go Urban Traffic

　　

可持续且有韧性的道路基础设施要求尽早识别复杂城市交通条件下——尤其是信号交叉口处因反复停走运行、排队持续及车道向货运集中而产生高度非均匀结构荷载所引发的路面劣化机理。然而，现有智能交通研究多聚焦于碰撞预测、交通状态估计或通行能力优化，货运主导的间断流对基础设施性能的影响尚未得到充分关注。为支持主动式路面管理及韧性城市道路运营，本研究提出一种由交通仿真驱动的深度学习框架，用于预测货运荷载与停走型城市交通作用下车道级路面劣化。研究人员基于PTV Vissim 2024建立了四岔信号控制城市交叉口的高分辨率微观仿真环境，采用结构化多情景设计生成从基准流至货运主导过饱和运行的渐进强化运行应力工况。所得车道级数据集融合了直接交通变量与面向路面的特征描述指标，包括车道货运荷载指数（Lane Freight Loading Index, LFLI）、停走严重度指数（Stop–Go Severity Index, SGSI）、标准轴载（Equivalent Single Axle Load, ESAL）代理量、排队持续度及荷载非对称指数（Loading Asymmetry Index, LAI）。为学习交通运行与基础设施退化之间的复杂关系，研究人员提出货运感知车道交互Transformer网络（Freight-Aware Lane Interaction Transformer Network, FLIT-Net），该模型结合特征嵌入、车道交互自注意力机制、货运感知门控、残差精炼及多任务回归，联合预测车辙风险、疲劳开裂风险及路面劣化指数（Pavement Deterioration Index, PDI）。实验结果表明，FLIT-Net优于MLP、CNN、LSTM、Bi-LSTM及通用Transformer基线模型，车辙风险RMSE/MAE/R2分别为0.041/0.032/0.9687，疲劳开裂风险为0.044/0.034/0.9635，PDI为0.031/0.024/0.9824。敏感性分析及情景分析进一步证实劣化随货运强度、停走严重度及排队持续度单调增加，凸显车道分辨的劣化信息对可持续养护优先级排序的重要性。所提框架衔接了交通微观仿真、面向路面的特征工程及货运感知深度学习，为提升城市路面基础设施的性能、安全性与韧性提供决策支持依据。

论文解读：《基于仿真的新框架：预测货运荷载与停走型城市交通作用下车道级路面劣化》

本文发表于MDPI期刊《Infrastructures》。城市信号交叉口处的路面是城市道路网中最脆弱的组成部分之一，不同于连续流高速公路段，信号交叉口承受反复停车、排队形成、延误放行、转向行驶及车道利用率不均等作用，导致局部结构需求增大并加速路面病害。重型车辆（货车与公交车）通过等效轴载累积效应对路面劣化有重要影响，但其作用在城市信号交叉口表现为车道向集中、排队持续及间断流停走行为的耦合效应，传统基于路段平均交通量或断面假设的路面分析方法难以表征这种局部化、动态化的劣化机理。现有智能交通研究也多聚焦于安全与通行能力，较少将路面劣化作为关键基础设施性能问题进行建模，且微观仿真输出极少被转化为明确代表车道级荷载暴露、停走严重度、排队持续度、累积结构需求及荷载非对称的路面导向描述指标。因此，研究缺口在于缺乏连接信号交叉口微观交通运行与路面特定劣化目标（车辙、疲劳开裂及综合劣化指数）的车道级分析链条。为此，研究人员构建了由PTV Vissim 2024微观仿真、车道级路面导向特征工程及货运感知车道交互Transformer网络（FLIT-Net）组成的综合框架，以预测信号交叉口在货运荷载与停走城市交通作用下的车道级路面劣化，并通过多情景设计、敏感性分析与消融实验验证其物理一致性与预测效能。该研究的贡献在于建立了仿真—特征—深度学习的完整分析链，为城市路面针对性养护决策提供依据。

研究人员采用的主要关键技术方法为：①在PTV Vissim 2024中构建四岔信号控制城市交叉口微观仿真模型，设置八组多情景（S1–S8），系统性变化进口道需求、重型车比例、信号配时、拥堵程度及货运车道优势度，每情景重复五次不同随机种子，输出车道级交通运行数据；②基于仿真输出构造面向路面的工程化特征——车道货运荷载指数（LFLI）、停走严重度指数（SGSI）、ESAL代理量、排队持续度及荷载非对称指数（LAI）；③构建FLIT-Net深度学习架构，含特征嵌入层、车道交互多头自注意力模块、以LFLI与ESAL代理量等驱动的货运感知门控单元、残差前馈网络及多任务输出头，联合回归车辙风险、疲劳开裂风险及路面劣化指数（PDI），采用加权多任务均方误差损失与早停策略训练，并与MLP、CNN、LSTM、Bi-LSTM及标准Transformer进行基准对比，并进行消融实验与敏感性分析。

研究结果

4. Results, Discussion, and Comparison（结果与讨论及对比）

研究人员将FLIT-Net与五类基线模型对比，结果显示FLIT-Net在三个预测目标上均取得最低RMSE与MAE及最高R²——车辙风险RMSE/MAE/R²=0.041/0.032/0.9687，疲劳开裂风险为0.044/0.034/0.9635，PDI为0.031/0.024/0.9824。回归散点图与残差分析表明预测值与真实值沿1:1线紧密分布，无系统性偏差，PDI因综合定义聚类更紧凑，车辙与疲劳开裂因代表更特定病害机理略有分散。目标分别评估显示PDI最稳定（RMSE=0.031，MAE=0.024，R²=0.9824，MAPE=4.82%），车辙风险次之（RMSE=0.041，MAE=0.032，R²=0.9687，MAPE=5.37%），疲劳开裂风险误差略大但仍较低（RMSE=0.044，MAE=0.034，R²=0.9635，MAPE=5.91%），反映疲劳相关劣化相对交通运行输入更具分散性。

4.1. Scenario-Wise Deterioration Behavior（情景层面劣化行为）

研究人员按S1（基准低应力）至S8（临界过饱和高货运）分析预测PDI均值，发现其从S1的0.181单调增至S8的0.823，中间情景可区分需求驱动（S3，PDI=0.418）与货运富集（S4，PDI=0.463）效应，说明即便未达最高需求，货运组成亦可提升劣化潜能。RMSE由S1的0.018渐增至S8的0.042，但各情景R²均高于0.96。可视化分析表明高PDI集中于高LFLI与高SGSI区域及货运主导直行车道，且荷载非对称指数（LAI）越大（车道间货运荷载越不均衡），预测劣化越高，符合物理预期。

4.2. Ablation and Sensitivity Analysis（消融与敏感性分析）

消融实验中去除工程化特征组（LFLI、SGSI、ESAL代理量、LAI与排队持续度）致PDI预测RMSE由0.031升至0.058、R²降至0.9430，降幅最大；去除车道交互编码器RMSE升至0.052，去除货运感知门控RMSE升至0.045，证实这三要素均关键。敏感性分析显示平均预测PDI随重型车比例（0.214→0.781）、SGSI（0.201→0.806）、LFLI（→0.834）及排队持续度（→0.847）单调上升，各条件下R²≥0.9680。输入参数敏感性表明去除停走描述变量RMSE升至0.047（影响最大），其次去货运门控输入升至0.045，去信号控制变量升至0.043，说明PDI受间断流暴露、货运表征、信号配时及车道功能信息共同影响。

4.3. Feature Interpretation and Spatial Deterioration Patterns（特征解释与空间劣化模式）

特征重要性排序前四位依次为LFLI（0.223）、SGSI（0.191）、重型车百分比（0.156）及ESAL代理量（0.137），合计主导预测信号，其余为排队持续度、信号中断比、平均延误及车道货运集中比。LFLI–SGSI联合特征空间中低劣化集中于双低区，高劣化出现于二者均高区，中等劣化为过渡区，说明劣化风险由货运荷载强度与反复间断流行为的共同作用决定而非单一变量。

4.4. Training Stability（训练稳定性）

训练与验证集损失曲线在早期轮次快速下降后趋于平稳，RMSE与MAE具相似收敛模式，验证R²先升后平台，早停有效防止过拟合，证明FLIT-Net训练过程稳定可靠。

讨论与结论（Conclusions and Future Work）

研究人员指出，该框架将高分辨率PTV Vissim 2024微观仿真、车道级面向路面特征构建（LFLI、SGSI、ESAL代理量、排队持续度、LAI）及FLIT-Net（含车道交互自注意力与货运感知门控的多任务深度学习）整合为一体，用于预测信号交叉口在货运影响停走运行条件下的车道级路面劣化（车辙风险、疲劳开裂风险及PDI）。FLIT-Net预测精度优于基准模型，且情景、敏感性及消融分析证实预测劣化模式与货运荷载增强、停走严重度升高、排队持续及车道荷载非对称性的模拟递增趋势一致；移除工程化路面特征或交互及货运门控组件均造成显著性能下降。主要贡献为：①建立基于仿真的车道分辨交通状态→路面劣化预测框架；②提出将原始微观仿真输出转化为具物理含义的货运荷载、停走暴露、累积荷载代理、排队持续及荷载非对称描述指标的特征空间；③开发FLIT-Net作为可联合预测多劣化指标的车道交互货运感知学习架构；④展示车道级劣化信息可支持城市路面薄弱位置识别与养护优先级划分。研究局限在于依赖单一典型四岔信号交叉口仿真数据生成，数值结果不应直接推广至所有交叉口几何形式或实地路面条件。未来工作应扩展至T形、斜交、环岛及多岔交叉口，并结合实地路面状况记录、实测轴载数据、长期劣化序列及迁移学习或图神经网络拓展至更大城市路网。