《Transportation Research Interdisciplinary Perspectives》：Predicting pavement roughness evolution in data-limited contexts using spatially validated probabilistic hindcasting
编辑推荐：
许多中低收入国家须以时间稀疏的状态数据和残缺的养护历史管理庞大路网，而主流路面劣化建模范式却假定这些维度数据丰富，这种结构性错配削弱了常规路面管理系统（PMS）的预测效用。为此，研究人员提出一种空间验证的概率性后向建模框架，用于在此类约束下刻画路面平整度演化，
许多中低收入国家须以时间稀疏的状态数据和残缺的养护历史管理庞大路网，而主流路面劣化建模范式却假定这些维度数据丰富，这种结构性错配削弱了常规路面管理系统（PMS）的预测效用。为此，研究人员提出一种空间验证的概率性后向建模框架，用于在此类约束下刻画路面平整度演化，并以肯尼亚沥青面层国家干线公路网为示范。利用2018与2023年网络级调查，将五年期国际平整度指数（IRI）等级变化建模为以基线（2018）状态、资产清册、结构及情境属性为条件的区间过程。研究人员在二元、三类及六类IRI表述下训练惩罚逻辑回归（PLR）、决策树（CART）与随机森林（RF）模型，并在空间分块嵌套交叉验证框架下评估。性能通过区分度指标（ROC-AUC、PR-AUC）与概率校准诊断（Brier、Brier Skill、期望校准误差、斜率与截距）评价，并选择性采用Platt标度与保序回归进行事后重校准。结果显示中等至较强且空间可迁移的区分能力（ROC-AUC=0.66–0.87；PR-AUC持续高于先验基线），证实从稀疏状态档案中可有效排序劣化风险，而CART对部分目标出现区分崩溃。对PLR与RF的重校准有效提升概率可靠性；融入属性变化信息的回溯一致性分析确认基线模型的时间稳健性。该框架表明，有限数据亦可获得空间可迁移、含不确定性的劣化预报，为数据稀缺环境下强化预测型PMS能力提供可行路径。
研究背景方面，有效的道路资产管理依赖于对路面状况轨迹与劣化风险的预见能力，以便机构在资产生命周期内制定主动、经济高效的养护与投资策略。路面管理系统（PMS）本应通过将网络级信息整合进多年期预测决策支持来实现这一功能。然而在众多中低收入国家（LMICs），预测型PMS基本未能落地，其监测档案具有不连续性与养护记录不完整的特点。这种失效常被误读为数据不足，实则反映主流劣化建模范式与受约束PMS档案结构之间的深层方法学不兼容。既有机理—经验模型（如HDM-4）、概率马尔可夫链模型与数据驱动机器学习（ML）方法，多依赖密集纵向条件史、完整养护史或路面龄期；当这些前提缺失，分析效度在建模层面即崩塌。预算与制度约束使持续网络级调查、数字化记录与模型校准难以为继。肯尼亚即典型：HDM-4支撑了RSIP II与RSIP III的经济规划，但缺乏连续IRI时序与完整养护记录，使其劣化子模型无法更新，操作级预报缺位；老挝、不丹、泰国、赞比亚及部分小岛国亦见同类缺陷。因此本研究直面这一结构：以肯尼亚沥青面层国家干线网为对象，仅有的2018与2023两期可靠IRI快照（约852 km、2067段、均长0.40 km）连同同期清册、结构、情境属性构成分析基底，用后向建模（hindcasting）将框架回放至2018–2023区间，以观测劣化结果校验，把观测变化视为“常态业务下劣化+未记录养护”的合并产出，从而无需重构不可观测的事件序列。论文发表于《Transportation Research Interdisciplinary Perspectives》。
关键技术方法上，研究人员构建区间型IRI变化学习目标：以2018基线IRI、清册（路类、路面类型）、结构（排水、路肩）、几何、交通定性等级、气候带与经济区块为静态协变量，将五年变化标定为二元（高/低优先级HvL）、三类（稳定/一级劣化/二级劣化IRI3）与六类（IRI6含三类稳定与三级劣化转移）分类目标；样本来自肯尼亚道路委员会（KRB）两期Road Inventory and Condition Surveys（RICS）经GIS几何叠配与相邻段插补后的匹配段，IRI覆盖率由2018年约25%升至2023年88%，最终限定双期有效且2018判为沥青面层。建模采用惩罚逻辑回归（PLR，elastic-net）、CART与RF三类算法；验证摒弃随机/分层CV，改用空间分块嵌套交叉验证以抑制邻近路段空间泄漏；评价并行使用区分度（ROC-AUC、PR-AUC）与校准诊断（Brier Score、Brier Skill Score、Expected Calibration Error、校准斜率与截距），对PLR/RF选择性施以Platt缩放与保序回归重校准；另设回溯一致性分析，将2018–2023路类、路面类型、路肩材料、排水类型与条件、交通等级的变化量（升级为正、降级为负、不变为0）补入模型，检验基线协变量解释力。
研究结果各节要点如下。引言指出常规PMS在LMIC失效并非单纯数据少，而是范式与稀疏档案结构不兼容，确立以稀疏双快照学区间变化的研究动机。文献综述将劣化模型分为机理—经验、马尔可夫链与ML三类，并指出多数ML研究误用随机CV、或以横断面龄期 surrogate 时间演化，本研究定位为“区间变化学习+空间验证+概率校准”的独特方法空间。方法论中，案例区与数据获取说明肯尼亚干线网与两期RICS的适用性；数据清洗经GIS匹配与相邻插补，明确IRI因2018稀疏不可同法插补；样本条件诊断显示分析样本在路类、用量、区域上偏离2018全沥青网（如B类与最高容量类欠代表、Very Busy少于Busy、Rift Valley欠代表而Coast过代表），研究人员明确将此偏倚作为约束体制本身而非缺陷；非条件预测属性选取路类、用量、路肩材料、排水类型/条件、气候带、经济区块，回溯分析追加各属性变化编码；IRI变化目标定义弃连续回归取离散分级（Good 0–5、Fair 5–8、Poor>8 m/km），给出IRI6/IRI3/HvL三类表述及其分布；概率建模理由在稀疏下保留不确定性；算法节比对PLR/CART/RF范式差异。结果部分报告：空间分块嵌套CV下PLR与RF取得中等至较强区分度（ROC-AUC 0.66–0.87，PR-AUC均超先验），CART对若干目标区分崩溃；校准上原始PLR/RF有偏差，Platt与保序回归重校准后Brier与ECE改善；回溯一致性分析纳入属性变化后基线关系仍稳，证实时间稳健。讨论指出，该框架证明仅两期快照即可学出空间可迁移、含不确定性的劣化风险排序，不必依赖纵向时序或养护史重构，填补了“稀疏时间观测下直接学劣化动态”的方法空白；局限在于分析样本非全网代表，推论须限于所受支持的走廊。结论译文如下：总体而言，该框架证明从有限数据亦可实现空间可迁移、具备不确定性意识的劣化预报，为在数据稀缺环境中增强预测型路面管理系统能力提供了一条实用路径。
