基于贝叶斯更新机制的GA-BPNN模型在路面质量指数（PQI）预测中的应用

《Transportation Research Interdisciplinary Perspectives》：Application of a GA-BPNN model with Bayesian updating mechanism for pavement quality index (PQI) prediction

　　

路面质量指数（PQI）是表征道路性能并指导养护决策的核心指标。其预测模型必须适应道路工程中复杂的数据、动态的运行条件以及严格的决策要求。尽管遗传算法优化的反向传播神经网络（GA-BPNN）能够捕捉PQI与交通荷载、环境侵蚀和路面结构参数等影响因素之间的非线性关系，但该模型在不确定性量化、动态条件适应性、小样本场景下的泛化能力以及决策支持方面存在固有局限。贝叶斯方法凭借其概率框架，能够通过不确定性建模、动态更新、先验信息整合和可解释推理实现端到端优化，从而有效弥补GA-BPNN模型的不足。本研究利用多功能道路状况检测系统（CiCS）采集的2008年至2021年北京市五条主要高速公路（G4、G6、G7、S15、G106）的路面性能数据。首先采用反向传播神经网络（BPNN）表征PQI与关键性能指标之间的非线性关系，随后利用遗传算法对其进行优化。进而应用贝叶斯推断，利用2022年检测数据对GA-BPNN模型进行动态更新，建立有限数据条件下PQI预测的自学习机制。得益于贝叶斯方法的增量学习能力，基于GA-BP的PQI预测模型能够持续适应最新路面数据，随时间推移保持较高的预测精度，并为路面养护决策提供更可靠的支持。

论文解读：基于贝叶斯更新机制的GA-BPNN模型在PQI预测中的研究与应用

一、研究背景与问题

路面质量指数（PQI）是表征路面使用性能的核心指标，其准确预测对于制定科学的养护策略、实现及时干预、优化资源配置以及预防性损坏控制至关重要。中国现行规范JTG 5210–2018规定的线性加权公式作为高速公路技术状况评定的标准化工具，其应用依赖于两个严格前提：一是四个分项指标均需具备完整、无缺失且误差较低的实测数据；二是需采用全国统一的固定权重系数，以适应通用评估场景。然而在实际高速公路养护工程中，这些前提条件往往难以完全满足，分项指标数据缺失和检测条件受限是行业普遍面临的瓶颈，同时固定权重系数无法反映路面分段异质性，这构成了传统方法的主要局限。反向传播神经网络（BPNN）虽能有效捕捉多因素非线性关系，但存在依赖梯度下降易陷入局部最优、网络结构和训练参数需人工经验配置等缺陷。遗传算法（GA）常被用于优化BPNN，形成GA-BPNN混合模型，通过全局搜索优化初始权重、偏置及网络结构，在一定程度上改善了预测性能。然而GA-BPNN在路面性能预测中仍存在固有不足：最小化均方误差时无法区分有效信号与噪声干扰，易过拟合异常样本；训练后的权重为静态值，仅输出点估计而无参数概率分布，难以适应新数据，导致模型性能逐步退化；且其泛化能力高度依赖样本量，在道路工程常见的小样本场景下容易过拟合。贝叶斯方法能够将预训练的GA-BPNN先验信息与新增检测数据相结合进行后验推断，在保留有效历史信息的同时利用增量数据动态校正模型偏差；其将确定性权重转化为后验概率分布，可实现对噪声数据的概率不确定性表示；其增量学习机制无需完全重训练即可实现高效的模型自适应。然而将贝叶斯更新与GA-BPNN结合用于PQI预测仍处于探索阶段，现有研究多集中于静态混合建模，缺乏针对小样本增量PQI场景的在线更新机制，尚未建立“增量数据—参数迭代—预测反馈”的闭环逻辑。为此，本研究提出一种贝叶斯更新的GA-BPNN框架，旨在解决上述不足，实现从确定性预测到概率决策的系统性转变。

二、研究内容与主要方法

研究人员利用2008年至2022年北京市五条主要高速公路（G4、G6、G7、S15、G106）的路段级检测数据，所有数据由多功能道路状况检测系统（CiCS）采集，并按JTG 5210–2018规范处理，获得路面状况指数（PCI）、行驶质量指数（RQI）、车辙深度指数（RDI）和抗滑性能指数（SRI）等关键指标。初始建模数据集（2008–2021）包含5251个样本，采用分层随机抽样划分为训练集3676个、验证集1050个和测试集525个；另设2022年贝叶斯更新集444个独立样本。针对数据缺失问题，研究采用随机森林插补法（RF imputation）进行缺失值填补，并通过5折交叉验证和模拟缺失定量验证插补精度。研究首先构建BPNN表征PQI与关键性能指标间的非线性关系，再通过遗传算法对网络初始权重、偏置、隐层神经元数及学习率进行全局优化，采用实数编码、轮盘赌选择、单点交叉、边界约束变异和精英保留策略，迭代50代后解码得到最优参数，并进一步训练500轮得到GA-BPNN模型。随后引入贝叶斯更新机制：以预训练的GA-BPNN在2022年新数据上的预测值作为先验均值，以预测误差方差作为先验不确定性度量；以新数据训练的局部决策树模型预测值作为似然均值及方差；根据贝叶斯定理，当先验与似然均服从正态分布时，后验均值按逆方差加权融合两个分布，从而实现动态更新。研究中还对比了MLR、SVR、RF、XGBoost等基准模型，并采用随机划分与时间顺序划分的稳健性实验验证模型可靠性。

三、研究结果

1. 基于GA-BPNN的特征映射建模与全局参数优化

训练动力学与参数优化特征方面：GA的适应度曲线显示最优适应度稳定在0.76附近，平均适应度收敛至约0.73，种群保持良好多样性，未出现早熟收敛。GA优化模型仅需3轮即收敛至最优验证损失，训练时长缩短20.1%；五次重复实验中测试集RMSE标准差较基线模型降低53.1%，泛化稳定性显著提升；当训练样本比例降至25%时，GA模型的RMSE仅上升19.7%，而基线模型上升40.9%，凸显其在小样本场景下的优势。随机划分与时间顺序划分下核心指标差异均小于2%，证明模型不受时间相关偏差影响。

PQI预测精度与误差分布验证方面：GA-BPNN在测试集上取得最低RMSE和最高R2，误差分布主峰最高、极端误差样本最少，整体离散度最低。与基线BPNN相比，GA优化后误差分布更紧聚于零误差线附近，大偏差样本显著减少，证实GA优化能有效克服标准BPNN因随机初始化而易陷入局部最优的缺陷。

2. 基于贝叶斯更新的多源信息融合与预测不确定性校正

模型优化与预测性能分析方面：贝叶斯融合后的GA适应度曲线稳定在约0.76，较标准GA-BPNN具有更高的稳定适应度和更好的收敛行为。在更新集和验证集上，贝叶斯融合均取得最低RMSE、MAE和最高R2，例如验证集RMSE为0.8426，R2为0.9126，显著优于单一GA-BPNN和局部模型的1.2468和1.3325。贝叶斯融合预测曲线与实际PQI趋势最一致，在标注样本点上绝对误差分别为2.4、2.6和1.4，显著小于其他模型。

误差分布优化与降低效果评估方面：箱线图显示贝叶斯融合模型的预测误差分布最窄、中位数接近零且无异常值，优于GA-BPNN和局部模型。对于典型高误差样本的后验概率密度分析表明，贝叶斯融合通过结合先验与似然得到的后验分布能有效校正偏差，集中于真实值附近且密度更尖锐。

预测稳定性与样本量鲁棒性分析方面：置信权重分析显示GA-BPNN权重在误差较低区间出现峰值，融合总方差在多数样本上保持低位。滚动窗口RMSE曲线中，贝叶斯融合模型呈持续下降趋势并稳定于约0.15的最小RMSE，波动性最小。样本量敏感性分析表明，随着样本量增加两种模型RMSE均上升，但贝叶斯融合在各规模下均保持更低误差，且两者差距从0.14逐渐扩大至0.40，证明其在小样本更新数据条件下具有更强的鲁棒性和精度优势。单尾配对Wilcoxon符号秩检验结果显示p=0.048<0.05，且贝叶斯融合在72%的单个测试样本上取得更低的绝对预测误差，统计上验证了性能提升的显著性。

四、讨论与结论

讨论部分指出，原始GA-BP模型虽经遗传算法优化仍难以处理测量噪声和环境变化等多源不确定性；局部模型因训练范围狭窄无法泛化至全局PQI变化；而贝叶斯融合模型通过将GA-BP预测等先验知识与实时数据经贝叶斯更新整合，实现后验分布的自适应修正，从而获得更准确一致的趋势跟踪能力。逆方差加权机制依据误差平方倒数动态分配权重，使高置信度模型在融合中占主导，有效降低整体预测方差。研究结论为：第一，GA-BPNN在PQI预测中实现稳定学习过程与合理收敛，训练效率显著提升，泛化稳定性改善53.1%，小样本条件下精度优势明显；第二，贝叶斯融合模型在PQI预测中性能优于原始GA-BP和局部模型，其预测更接近实际值分布，滚动窗口最小RMSE达0.15且波动明显降低，表明预测精度和稳定性增强；第三，随样本量增加两种模型RMSE均呈上升趋势，但贝叶斯融合在所有测试规模下均保持更低预测误差，RMSE差距从0.14扩大至0.40，确认其在有限更新数据条件下具有更强鲁棒性和更突出的精度优势。研究局限性包括：数据集仅限北京地区路面检测记录，限制了框架向气候和交通特征不同区域的推广；贝叶斯更新采用简化逆方差加权，无法完全捕捉预测不确定性的复杂后验分布；仅使用常规路面性能指标作为输入特征，未纳入交通荷载和气象条件等外部因素。未来研究方向应建立覆盖不同道路等级和气候区的多区域数据集，引入马尔可夫链蒙特卡洛（MCMC）等高级贝叶斯推断方法进行更精细的不确定性量化，并将时空交通与气候数据整合进更新框架以构建动态长期路面性能预测系统。该研究发表于《Transportation Research Interdisciplinary Perspectives》。