基于深度学习的沥青路面使用性能预测研究.pdfVIP

摘要：

在高速公路的使用过程中，路面的使用性能会由于车辆的不断经过和碾压以

及天气的变化而降低。目前，道路维护均是在道路出现裂缝和其他肉眼可见的损

伤后，才进行养护和维修，这样不仅会增加路面养护和维修的费用，还会错过道

路维护的最佳时机，因此早期养护和及时获取待检测信息尤为关键。本文的主要

研究内容是在深度学习的基础上对高速公路技术指标路面性能指数（PQI）进行

智能化预测。本文利用长短记忆（LSTM）神经网络模型对河北省某高速公路的

路面状况指数PQI进行了预测。结果表明，预测的PQI指标与全年的实测数据具

有显著的一致性，确定性系数达到了0.7，预测结果是可靠的。

1

国内外研究现状

路面使用性能预测模型可以分为确定型预测模型、概率型预测模型和人工智

能算法预测模型。

确定型预测模型是根据经验法或力学法模型建立特定数学形式的表达式，可

根据表达式计算出路面使用性能的数值，即满足给定条件时模型给出的预测结果

是唯一的。概率型预测模型可以预测出路面性能的状态分布，主要包括贝叶斯预

测模型、剩余寿命曲线模型和马尔可夫预测模型。人工智能算法主要包括机器学

习算法和深度学习算法。

人工神经网络通过模拟生物神经元进行信息处理，具有强大的拟合能力，能

够准确地找到各种因素和路面性能之间的联系。近些年来，随着路面性能采集技

术的进步，路面管理系统的完善以及大量路面性能数据的积累，人工神经网络算

法在路面使用性能预测领域得到了广泛的应用。

2

道路养护组成、影响因素

及养护相关指标

2.1道路养护组成

路面养护从概念上大体可以分为纠正性养护和预防性养护，纠正性养护是在

病害出现以后对路面进行养护处理，养护方式比较被动，往往需要重复投入，修

复规模比较大。预防性养护主要是在道路状态良好的情况下提出多种预防养护措

施，在不同阶段采取相应的养护技术对其进行定期维修、保养，使道路在生命周

期内能够保持良好的道路服务水平和运营效率，最大程度地发挥其经济效益。路

面使用性能的预测对路面养护时机和养护方法的确定起着至关重要的作用。准确

的路面使用性能预测结果是道路科学养护的前提。但由于影响路面性能的因素较

多，导致路面性能的预测变得十分复杂。

2.2路面性能影响因素

（1）路面特征因素

（2）交通因素

（3）气候环境因素

（4）道路建设与管养水平因素

（5）其他因素

图1路面使用性能预测中常用的模型

图2路面使用性能的影响因素

2.3路面养护的相关指标

公路网级沥青路面技术状况指数（PQI）这个指标应该满足表1的要求，不

能满足表1要求时，对比之后应该及时进行符合养护标准的养护计划，并且利用

全面的养护措施对路面进行养护维修，直到达到沥青路面技术状况要求。

表1公路网级沥青路面技术状况

每个基本单元沥青路面技术状况指数（PQI）及其分项指标应该满足表2的

要求，不能满足表2的要求时，应该及时进行日常的养护维修甚至是改扩建工程，

直到可以达到沥青路面技术状况标准。

表2每个基本单元沥青路面技术状况

PCI、RQI、RDI和SRI表示路面损坏的程度、路面粗糙度、车辙深度和路面

防滑能力。道路损坏率（DR）、国际粗糙度指数（IRI）、车辙深度（RD）和防

滑指数（SRI）分别是与上述四个变量相对应的测量指标。PCI、RQI、RDI和SRI

值以0到100的间隔映射，其中100表示路面性能的最佳状态。路面状况通常可

分为五类，优良、良好、一般、不良和较差，阈值分别为90、80、70和60。根

据上述单个指标的加权计算得出，PQI表示路面的总体性能。相应的计算方法见

式（1）～（6）。

表3PQI分项指标权重

3

数据准备

原始数据为河北省某高速公路2010—2019年的定期检测数据，数据涵盖近

十年每条车道各里程桩号的损害类型、损害程度、路面损坏状况评价结果、