《Transportation Research Record》:Application of Machine Learning in Municipal Pavement Condition Predictions
编辑推荐:
机器学习(machine learning,ML)已成为准确预测路面状况的重要工具,有助于提高养护规划与资源分配的效率。本研究采用随机森林(random forest,RF)算法,在瑞典Skellefte?市行政区内的住宅街道和非住宅街道(主干道、集散道路和工
机器学习(machine learning,ML)已成为准确预测路面状况的重要工具,有助于提高养护规划与资源分配的效率。本研究采用随机森林(random forest,RF)算法,在瑞典Skellefte?市行政区内的住宅街道和非住宅街道(主干道、集散道路和工业区道路)上,对2022年路面状况指数(pavement condition index,PCI)进行为期4年的短期预测。模型基于2014年和2018年的人工评估路面数据,并通过2022年路面状况数据进行验证。研究采用多项性能指标,评估模型在广泛输入变量下的灵活性与泛化能力;输入变量包括路面年龄(A)、多种病害机制(D)、既往PCI评级(S)以及平均工作日交通量(T)。针对非住宅街道的模型进一步按养护表层处理类型进行分层,以评估模型在不同处理类型间的预测性能,并通过路面年龄和处理特征整合养护效应。在住宅街道模型中,RF(A+D+S)在使用组合数据集(2014年和2018年)时取得了最高精度;同样,非住宅街道模型的RF(A+D+S+T)表现最佳。此外,不同养护处理类别间的模型性能略有差异。最重要的预测变量为Status2018(2018年评估的PCI评级)和加权病害值(weighted distress value,WDV)。与仅使用2018年数据集相比,使用组合数据集并未显著提高预测精度。总体而言,这些来自地理受限数据集的研究结果表明,RF模型可有效用于PCI预测,并可为市级数据驱动的路面管理提供支持。
**基于随机森林算法的市政道路路面状况短期预测研究解读**
### 一、研究背景与目的
道路路面养护是市政管理部门的重要任务,直接影响交通安全、通行效率及公众出行体验。为了在有限预算下高效管理路面资产,市政部门普遍依赖路面管理系统(pavement management system,PMS),而路面性能预测模型是该系统的核心组成部分,广泛用于网络级规划和项目级决策。传统预测方法以统计模型为主,在处理复杂非线性关系时存在局限。近年来,机器学习(machine learning,ML)技术因精度高、适应性强而被引入路面性能预测领域,其中随机森林(random forest,RF)算法因其对噪声数据鲁棒、不易过拟合等优点受到广泛关注。
然而,现有多数ML预测模型基于高速公路或大型城市路网开发,依赖连续、自动化的传感器时间序列数据。相比之下,中小城市市政道路数据通常具有采集频次低、依赖人工目视调查、时间点稀疏等特征,相关研究仍然不足。针对这一研究空白,本研究以瑞典Skellefte?市为例,利用2014年和2018年两期人工目视调查数据,预测2022年路面状况指数(pavement condition index,PCI),评估RF算法在4年短期预测中的适用性,并探索不同输入变量组合、不同养护处理类型对预测精度的影响,以期为资源有限的市政路面管理提供数据驱动的决策工具。
### 二、主要技术方法概述(不超过250字)
研究人员基于R语言环境采用caret包构建随机森林(RF)模型。数据来源于瑞典Skellefte?市2014年和2018年通过挡风玻璃目视调查法(windshield survey)采集的路面状况数据,样本包括229条非住宅街道和389条住宅街道,并以2022年实测PCI作为验证目标。模型输入变量包括路面年龄(A)、六类病害及加权病害值(weighted distress value,WDV)、历史PCI评级(S)、平均工作日交通量(T)。模型采用10折交叉验证(住宅与非住宅街道)和5折交叉验证(按养护处理类型分组的非住宅街道)评估泛化性能,以平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R2)作为评价指标。
### 三、研究结果
#### (一)住宅街道模型
针对住宅街道,研究人员对比了RF(A+D)与RF(A+D+S)两组输入组合在两个数据集上的表现。结果显示,加入历史PCI评级S后,模型性能在训练和测试阶段均一致提升。使用2014与2018年组合数据(Data 2)时,RF(A+D+S)模型测试R2达到0.78,高于仅使用2018年数据(Data 1)时的0.74。变量重要性分析表明,Status2018(即2018年PCI评级)、WDV和路面松散(LAR)是预测2022年PCI最主要的因子,路面年龄(A)和表面不平整(SU)也具有次要贡献。
#### (二)非住宅街道模型
对于非住宅街道,研究人员比较了A+D、A+T、A+D+T和A+D+S+T四种输入组合。结果显示,包含全部变量的RF(A+D+S+T)模型在两个数据集上均表现最佳,测试R2稳定为0.79。变量重要性排序中,WDV、Status2018和LAR位居前三,表明病害严重程度和历史状况对短期预测最为关键;交通量(T)和路面年龄(A)也提供了有效信息。整体来看,增加输入变量有助于模型捕捉更多劣化趋势。
#### (三)非住宅街道——特定养护处理类型模型
研究人员将非住宅街道按最近一次常见养护处理分为四类:薄层沥青罩面(MT1)、厚层沥青罩面(MT2)、铣刨加铺(MT3)和路面大修(MT4),分别建立RF(A+D+S+T)模型。5折交叉验证结果表明,测试R2介于0.73(MT4)至0.80(MT1)之间