
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于机器学习的德黑兰沥青路面平整度指数预测及关键影响因素分析
《Scientific Reports》:A SHAP-interpretable LightGBM model for reliable IRI prediction: bridging data-driven analytics and mechanistic insight in urban pavement management
【字体: 大 中 小 】 时间:2026年09月22日 来源:Scientific Reports 4.9
编辑推荐:
摘要准确预测国际平整度指数(IRI)对于有效的城市路面管理至关重要。然而,传统的经验模型往往无法捕捉到影响路面退化的复杂非线性相互作用,尤其是在数据稀缺的局部网络中。为了解决这一局限性,本研究开发了一个本地化、数据驱动的框架,用于预测德黑兰沥青路面的IRI,该框架使用多源数据
准确预测国际平整度指数(IRI)对于有效的城市路面管理至关重要。然而,传统的经验模型往往无法捕捉到影响路面退化的复杂非线性相互作用,尤其是在数据稀缺的局部网络中。为了解决这一局限性,本研究开发了一个本地化、数据驱动的框架,用于预测德黑兰沥青路面的IRI,该框架使用多源数据集,包含2,313个路段(200米单位;约462.6公里)。评估了六种监督机器学习算法,包括CatBoost、XGBoost、LightGBM、随机森林、K近邻和决策树。其中,LightGBM表现最佳,达到了0.83的决定系数(R2)和4.235%的平均绝对百分比误差(MAPE)。此外,采用SHAP分析来解释模型行为并确定最具影响力的预测因子。结果表明,空气空隙(Va)对IRI预测的影响最大。通过依赖本地可用数据和可解释的机器学习,所提出的框架为城市路面管理提供了一个准确且透明的决策支持工具。