基于深度学习的沥青路面使用性能预测研究.pdf

doi:10.3969/j.issn.1673-6478.2023.04.041 基于深度学习的沥青路面使用性能预测研究 张国祥 1，王卫东1，郭佳音2（1.河北省高速公路延崇管理中心，河北 张家口 075000；2.河北工业大学，天津 300401）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。关键词：交通工程；路面性能预测；LSTM；公路预养护；路面性能预测；深度学习 中图分类号：U416.217 文献标识码：A 文章编号：1673-6478（2023）04-0192-07 Prediction Research of Asphalt Pavement Serviceability Based on Deep Learning ZHANG Guoxiang1,WANG Weidong1,GUO Jiayin2(1.Hebei Provincial Expressway Yan Chong Management Center,Zhangjiakou Hebei 075000,China;2.Hebei University of Technology,Tianjin 300401,China)Abstract:During the use of the highway,the performance of the pavement will be degraded by the constant passing and crushing of vehicles and changes in weather.Until now,road maintenance are in the road cracks and other visible damage,maintenance and repair,which will not only increase the cost of road maintenance and repair,but also miss the best time for road maintenance,so early maintenance and timely access to information to be tested is very critical.The main research of this paper is the intelligent prediction of highway technical indicator pavement performance index(PQI)on the basis of deep learning.This paper uses Long-Short Term Memory(LSTM)neural network model to predict the pavement condition index PQI of highway in Hebei Province.The results show that the predicted PQI index has a significant consistency deterministic coefficient of 0.7 with the actual measured data throughout the year,and the prediction results are reliable.Key words:traffic engineering;pavement performance prediction;LSTM;highway pre-maintenance;pavement performance prediction;deep learning 0 引言 在高速公路使用过程中，路面的使用性能会由于车辆的不断经过和碾压，以及天气的变化两方面的作 收稿日期：2022-08-04 基金项目：河北省交通运输厅科技项目（YC-201917）作者简介：张国祥（1979-），男，河北承德人，高级工程师，从事公路工程建设工作.（）用而降低，到现在为止都是在道路出现了裂缝或其他肉眼可见的损伤后，才进行养护和维修，这样不仅会使路面养护和维修的费用增加，还会错过对道路进行养护的最佳时机，所以早期养护和及时获取待检测信第 4 期 张国祥等，基于深度学习的沥青路面使用性能预测研究 193 息异常关键。根据交通运输部 2021 年交通运输行业发展统计公报数据，截至 2021 年底，我国公路总里程已达到528.07 万公里，公路养护里程达 525.16 万公里，占公路总里程的 99.4%。由于我国早期是以高速公路的建设为主，忽视了道路养护技术的发展与研究，随着交通量、运营时间的不断增加，路面病害问题越发严重，近些年来，国家每年都要在道路养护方面花费大量的资金。因此，养护工作是未来道路行业的重要工作。如何对道路进行科学的养护也成了国内外学者研究的热门课题。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。孙立军等2在 20 世纪 90 年代提出了沥青路面使用性能的衰变方程，根据初始使用性能指数和使用年数，得到了路面使用性能的衰变规律。周育名3等考虑了公路等级对路面性能的影响，提出了不同公路等级的路面性能衰变预测方法。路面长期使用性能研究（LTPP）是 20 世纪 80 年代中期北美为了解决路面使用性能差和寿命不足的问题，开展的战略公路研究计划，基于 LTPP 开源数据库，美国提出了力学-经验路面设计指南（MEPDG），能够预测出路面变形、裂缝、平整度等结构损坏4。汪海年等5基于规划求解原理，对 MEPDG 半刚性基层沥青路面的车辙预测模型进行参数校正，得到了适用于国内高速公路的车辙预估校正模型，Onayev 等6利用最小二乘回归对 LTPP 数据库中粗糙度数据集进行分析，结果表明，随着时间的推移，路面的寿命有着显著的增加。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。Butt 等7将马尔可夫过程应用在路面管理系统中。刘伯莹等8使用马尔可夫过程模型建立了关于北京市沥青路面的损坏状况、行驶质量和结构强度的预测模型，并得到了较好的效果，验证了马尔可夫过程模型预测路面性能的可行性。Yang 等9认为传统马尔可夫模型的转移矩阵只能从大量历史统计数据中获得，对路面状况的变化趋势不是很敏感，而采用动态马尔可夫模型能更好地进行路面开裂性能的预测。武建民10等将时间序列分析法的 ARIMA 模型应用于连霍高速养护后路面性能预测中，结果表明初期预测精准度较高。王志祥等11使用层次分析法根据重要性重新分配评估了路面损坏状况指数（PCI）、路面行驶质量指数（RQI）、路面车辙深度指数（RDI）、路面抗滑性能指数（SRI）、路面跳车指数（PBI）五个指标对综合指标 PQI 的影响。然后基于道路实测数据建立灰色预测模型，结果表明，基于变权重评价的灰色预测模型能够较为准确地预测未来沥青路面的使用状况发展趋势。杨国峰等12基于混合效应模型结合路面结构、交通量、养护历史和地形等不同因素建立了路面损坏指数 PCI、路面行驶质量指数RQI以及路面车辙指数RDI的预测模型，并得到了较好的结果。傅东阳等13引入回归技术，对马尔可夫过程概率预测模型进行探讨，证明了马尔可夫概率预测模型有一定的局限性。确定型预测模型避免了复杂的结构分析与计算过程，但是在建模过程中容易出现一些偏差和错误，表现在其虽然对特定路段的预测能力较好，但当路段数量增加，变异条件越来越多时，则往往无法适用，且有时模型参数的标定也存在一定的困难。概率型模型主要指马尔可夫模型，但马尔可夫预测模型的关键是确定状态转移概率矩阵，而建立一个准确的状态转移概率矩阵是一项十分困难的工作，大多数研究者往往采用简化状态转移概率矩阵的方法，这使得模型的预测精度有所降低。随着人工智能算法的普及，国内外许多学者将人工智能算法应用到路面使用性能的预测中。人工智能算法主要包括机器学习算法和深度学习算法。机器学习算法是人工智能的核心，属于人工智能的一个分支，机器学习算法的原理是从大量的历史数据中挖掘其隐藏的规律，然后将这些规律应用于分类和预测。于 2006 年提出，它的概念源于人工神经网络的研究，深度学习算法能够捕捉到数据中的深层联系，从而能够得到更精准的模型。Lou 等14基于佛罗里达高速公路网的数据，建立了路面裂缝指标的神经网络预测模型，并论证了模型具有从数据库中学习历史裂缝发展趋势和准确预测未来值的能力。Gong 等15使用随机森林回归算法预测了沥青路面的国际粗糙度指数 IRI，与线性回归相比，预测精度有较大的提升，并且使用随机森林进行了特征重要性的分析，结果表明，历史 IRI 值和裂缝、车辙是路面粗糙度的最大影响因素。Chopra 等16利用遗传算法建立了 5 个路面性能预测模型，来对开裂、松散、坑洞、车辙和平整度进行预测。Karballaeezadeh等17使用高斯过程回归算法、回归树算法和随机森林算法，预测路面结构承载能力，结果显示随机森林算法优于高斯过程回归模型和回归树模型。Morales 等18194 交 通 节 能 与 环 保 第 19 卷 采用决策树、k-最近邻、支持向量机和人工神经网络四种算法预测了葡萄牙中部地区的路面病害。Sollazzoa 等19使用人工神经网络，来验证沥青路面粗糙度与结构性能之间的关系，得到了较好的结果。Yamany 等20将路龄、降雨量、温度、冻结指数、卡车流量、荷载等因素作为人工神经网络的输入变量，预测国际平整度指数 IRI，与随机参数回归模型相比，人工神经网络模型的预测精度提高了 30%左右。Inkoom 等21使用递归分割和人工神经网络算法预测路面的裂缝状况，结果显示相比于递归分割算法人工神经网络模型预测精度大约提高了 2%。Gong 等22利用人工神经网络预测路面疲劳开裂，相对于疲劳开裂（FC）传递函数，人工神经网络性能显著优于 FC 传递函数，对不同输入变量的神经网络模型性能进行比较，发现具有多个相关变量的模型明显优于两个输入节点的模型。刘红遍1采用神经网络中的反向传播神经网络模型（Back Propagation，BP），建立高速公路预防性养护使用性能预测模型，并得到了很好效果。王艳丽23、李志刚24、杨文山25、倪富健26等也将网络应用于路面性能的预估并取得了很好的效果。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 由于道路的特殊性，路面使用性能的影响因素较多，想要建立一个可靠的路面使用性能预测模型，就必须充分考虑道路自身因素以及所处环境，建立符合道路自身情况的预测模型。在进行路面使用性能的预测时，主要考虑因素见图 1。图 1 路面使用性能预测中常用的模型 Fig.1 Models commonly used in pavement serviceability prediction.（1）路面特征因素 路面的面层和基层的结构特征以及路面材料，这些结构特征决定了路面的承载能力和耐久性能。（2）交通因素 交通因素是影响路面性能衰减速度的重要因素，主要体现在公路等级、交通量、客货比这三个方面，交通荷载越繁重的路段，路面性能的衰减就越快。（3）气候环境因素 环境因素主要是指温度和降雨，温度是引起路面车辙和裂缝等病害的重要因素，降雨量影响着道路的承载能力，降雨量越大或者是温差越大的地区，路面的使用性能下降速度就越快。（4）道路建设与管养水平因素 道路的建设水平对路面使用性能的早期衰减有着较大的影响，管养水平是指道路服役过程中，道路管理水平和道路养护水平对路面性能的影响，路面管养水平决定了道路的使用寿命。（5）其他因素 其他影响路面使用性能的因素主要有路龄、路面排水等，道路服役时间越久，路面材料的老化越严重，路面使用性能的衰减速度越快，因此在路面性能预测时，要考虑这些因素的影响。图 2 路面使用性能的影响因素1 Fig.2 Factors influencing the performance of road surface use1 第 4 期 张国祥等，基于深度学习的沥青路面使用性能预测研究 195 2.3 路面养护的相关指标 公路网级沥青路面技术状况如表 1 所示 表 1 公路网级沥青路面技术状况 Tab.1 Technical condition of asphalt pavement at road network level 路况指标 高速公路 一级及二级公路 三级及四级公路 PQI 90 85 80 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。每个基本单元沥青路面技术状况如表 2 所示：表 2 每个基本单元沥青路面技术状况 Tab.2 Technical condition of asphalt pavement for each basic unit 路况指标 高速公路 一级及二级公路 三级及四级公路 PQI 80 75 70 PCI 80 75 70 RQI 80 75 70 RDI 75 70-SRI 75 70-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，然后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。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）。=100 01(1)=100=10(2)=1001+01(3)=100 0()60 1()()(4)=100 min1+01+min(5)=+(6)其中：式（1）中0取值沥青路面采用 15.00，水泥混凝土路面采用 10.66；1沥青路面采用 0.412，水泥混凝土路面采用 0.461。式（2）中代表第类路面损坏的权重或换算系数；为第类路面损坏的累计面积，m2；A 代表路面检测或调查面积，m2。式（3）中 IRI 是国际平整度指数（International Roughness Index），m/km，0为一个固定数值，其中高速公路和一级公路采用 0.026，其他等级公路采用 0.018 5；1也是一个固定数值，其中高速公路和一级公路采用0.65，其他等级公路采用 0.58。式（5）中 SRI 是横向力系数，min为固定值，采用 35.0；0表示的是这个模型的参数，采用 28.6；同样的1也代表模型参数，采用0.105；表示的是 PCI 在 PQI 中的权重，与此相同的表示的是 RQI 在 PQI 中的权重，表示的是 RDI 在 PQI 中的权重，同样的则表示的是 SRI 在 PQI 中的权重，它们各自的取值如表 3 所示。表 3 PQI 分项指标权重 Tab.3 PQI subindex weights 路面类型 权重 高速、一级公路 三、四级公路 沥青路面 0.35 0.60 0.40 0.40 0.15-0.10-3 数据准备 原始数据为河北省某高速公路 20102019 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、路面平整度检测与评价结果、路面车辙深度及长度检测与评价结果、路面抗滑性能检测与评价结果、路面使用性能评价结果等等。本文主要研究路面损坏状况评价结果，所以整理出其中的 PQI 数据，包括每百米里程桩号的 PQI 数据。其中 PQI 数据采用 20102019年相同里程桩号的数值为一组循环数据，为每百米里程桩的 PQI 数据，共 454 组数据，共 4 540 条数据。其中数据对应的特征值有四种，分别为客车与货车比196 交 通 节 能 与 环 保 第 19 卷 例、年平均温度、路龄、交通量。具体数据类型如表4 所示。表 4 数据样例 Tab.4 Data sample 桩号 客货比（客车交通量/货车交通量）温度/路龄/年 交通量/（辆/日）PQI 690+000 690+100 0.457 349 12.65 1 22 804.41 90.993 97 690+000 690+100 0.499 813 12.75 2 22 723.4 86.311 45 690+000 690+100 0.575 952 13.17 3 19 286.29 88.250 88 690+000 690+100 0.6 13.42 4 19 154.37 95.13 690+000 690+100 0.666 982 14.46 5 22 708.1 96 690+000 690+100 0.657 092 13.96 6 23 863.15 95.2 690+000 690+100 0.711 176 14.21 7 24 446.79 90.3 690+000 690+100 0.688 291 14.09 8 28 908.72 93.4 690+000 690+100 0.676 264 13.83 9 33 188.92 94.9 690+000 690+100 0.666 794 14.25 10 37 112.67 92.09 690+100 690+200 0.457 349 12.65 1 22 804.41 92.948 14 690+100 690+200 0.499 813 12.75 2 22 723.4 92.478 34 690+100 690+200 0.575 952 13.17 3 19 286.29 93.555 690+100 690+200 0.6 13.42 4 19 154.37 95.925 690+100 690+200 0.666 982 14.46 5 22 708.1 96 690+100 690+200 0.657 092 13.96 6 23 863.15 95 690+100 690+200 0.711 176 14.21 7 24 446.79 91.6 690+100 690+200 0.688 291 14.09 8 28 908.72 94.5 690+100 690+200 0.676 264 13.83 9 33 188.92 94.5 4 模型的建立及预测 4.1 模型评价指标 采用一定的评价标准能够更直观地感受到模型之间的差异，除展示相应的图像外，本文选用下列评价标准作为模型的评价指标。均方根误差（Root Mean Square Error，RMSE）：RMSE=1()2=1(7)平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）：MAPE=100%=1|(8)决定系数（R2）：R2=1()2 2(9)其中，是测试集中的数据量，是测试集的单个真实值，是测试集的单个预测值，是真实值的样本期望值。4.2 LSTM 神经网络模型 长短期记忆（Long-Short Term Memory，LSTM）是 一 种 特殊 的 循环 神 经网 络（Recurrent Neural Networks，RNN），它相当于是 RNN 的衍生体，能够更好地解决时序问题，通过研究设计出的 LSTM 有效解决了 RNN 在训练数据过程中出现的梯度消失还有梯度爆炸的问题，更重要的是经过技术人员的特殊设计，LSTM 还可以避免长期依赖的问题。LSTM 在长度更长的时间序列或其他序列中中有着比普通的RNN 更好的拟合精度。路面性能随时间而降低。路面性能数据可视为时间序列数据。本文的 LSTM 预测模型实现了基于时间序列的连续预测，即使用历史输入和输出变量预测当前输出变量，步长设置为一年，即第二年的路面性能指数是用前一年的数据预测的，预测的结果如公式（10）所示。=(1,1)(10)其中，代表路面性能指数，代表特征值，代表年。利用 KERAS 模型库中的 Bidirectional（LSTM（）模块，搭建 LSTM 神经网络结构，包括输入层、隐含层、输出层，其中模型的隐含层由两层组成：第一层为五个神经元，第二层为四个神经元。神经网络的特征值包括：交通量、年平均温度、客货比、路龄。本文使用的 LSTM 神经网络模型结构大致如图 3 所示：图 3 LSTM 神经网络模型结构 Fig.3 Structure of LSTM neural network model 将准备好的数据集按811的比例分为训练数第 4 期 张国祥等，基于深度学习的沥青路面使用性能预测研究 197 据集、测试数据集和验证数据集。训练数据集用于训练模型，验证数据集用于调整模型的参数，测试数据集用于测试模型的泛化能力和准确性。4.3 路面使用性能指数预测分析 预测结果可视化如图 4 所示。图 4 结果可视化真实值与预测值分析 Fig.4 Analysis of the real and predicted values of the result visualization 从图 4 可以看出，所有 PQI 的范围都在 80 到 98之间，并且 PQI 数据主要分布在 90 到 97 之间。图 4显示了预测 PQI 和相应的测量 PQI。该图显示了路面性能的测量数据波动很大，并且与真实测量的数据十分接近，因此 LSTM 模型在预测方面具有很好的性能。在工程实际中，养护部门需要提前了解特定位置的路面性能，以制定预防性养护计划。然而，很少有能够在一年内预测特定里程碑的所有重要路面性能指标的模型。在本研究中，使用了 2010 年至 2018 年的数据来训练 LSTM 模型。然后使用该模型预测 2019年的路面性能。在实际应用过程中基于该模型预测高速公路所有 100m 路段的 PQI，并提前预测即将严重受损或远低于维护阈值的路段。根据不同 100m 路段PQI 的预测值制定养护计划，道路养护部门将相应的养护措施与该特定路段相匹配。在高速公路特定路段损坏之前，应采取及时的养护措施，以节省养护成本，保持高速公路处于高水平的服务状态。评价指标如表5 所示。表 5 模型评价指标 Tab.5 Model evaluation indexes RMSE MAPE R2 1.97 0.015 0.70 由表 5 中的评价指标，均方根误差为 1.97，平均绝对百分比误差为 0.015，决定系数为 0.70，模型有着很好的拟合度。4.4 重要性分析 特征值的重要性分析是基于随机森林算法的重要性分析的结果。由图 5 可知，对于所有指标而言，历史路面性能是影响未来路面性能的最重要因素。温度是影响未来 PQI 的第二个重要因素，这是因为沥青路面在低温条件下会出现热收缩裂缝。道路年龄也是影响 PQI 的一个重要因素。随着路龄的增加，路面材料会发生疲劳，从而导致沥青混合料的刚度增加，变形能力降低。图 5 特征值重要性分析 Fig.5 Eigenvalue importance analysis 5 结语 本文在深度学习的基础上对高速公路的养护进行讨论。主要对沥青路面的养护质量标准和相关指标进行阐释和分析得出以下结论：（1）选用适用于数据预测的 LSTM 神经网络，利用河北省某高速公路 20102019 年间不同里程桩号的 PQI 数据对模型进行训练，并且利用模型评价指标对模型进行分析，通过数据的真实值和预测值之间的对比，以及数据的可视化更加直观地看到模型的预测结果，可以看到 LSTM 神经网络模型在道路使用性能预测方面的可行性。（2）LSTM 神经网络模型的性能指标 MAPE 控制在 1.5%，R2达到了 0.70，结果表明该模型具有较好的精度，是一种很有前途的道路性能预测方法，为预防性养护决策奠定了理论基础。（3）最后对训练模型的特征值进行了重要性分析，整理出其对路面性能影响的重要程度。参考文献：1 刘红遍.基于神经网络的高速公路沥青路面预防性养护预测模型研究D.西安:长安大学,2015.198 交 通 节 能 与 环 保 第 19 卷 2 孙立军,刘喜平.路面使用性能的标准衰变方程J.同济大学学报(自然科学版),1995(5):512-518.3 周育名,李金明,李平,等.考虑公路等级的沥青路面性能衰变预测方法J.中外公路,2019,39(1):34-39.4 汪海年,张琛,尤占平.基于 MEPDG 方法的沥青路面国际平整度指数(IRI)敏感性研究J.武汉理工大学学报,2012,34(6):42-47.5 汪海年,张琛,尤占平,等.基于数理统计方法的 MEPDG 车辙预估模型校正J.长安大学学报(自然科学版),2013,33(6):1-7.6 Onayev A,Swei O.IRI deterioration model for asphalt concrete pavements:capturing performance improvements over timeJ.Construction and Building Materials,2021,271:121768.7 Butt A A,Shahin M Y,Carpenter S H,et al.Application of markov process to pavement management systems at network levelR.Washington DC:the Third International Conference on Managing Pavement,1994.8 刘伯莹,姚祖康.沥青路面使用性能预测J.中国公路学报,1991(2):5-15+33.9 Jidong Yang,Manjriker Gunaratne,Jian John Lu,et al.Use of recurrent markov chains for modeling the crack performance of flexible pavementsJ.Journal of Transportation Engineering,2005,131(11):861-872.10 武建民,刘大彬,李福聪,等.基于时间序列分析法的沥青路面使用性能预测J.长安大学学报(自然科学版),2015,35(3):1-7.11 王志祥,李建阁,陈楚鹏.基于变权重评价的沥青路面使用性能灰色预测J.重庆交通大学学报(自然科学版),2021,40(5):95-101.12 杨国峰,王浩仰,潘玉利.基于混合效应模型的沥青路面使用性能预测J.公路交通科技,2018,35(8):19-27.13 傅东阳,胡昌斌.高速公路沥青路面使用性能马尔可夫概率预测J.福州大学学报(自然科学版),2005(4):518-522.14 Lou Z,Gunaratne M,Dietrich B.Application of neural network model to forecast short-term pavement crack condition:florida case studyJ.Journal of Infrastructure Systems,2001,7(4):166-171.15 Hongren G,Yiren S,Xiang S,et al.Use of random forests regression for predicting IRI of asphalt pavementsJ.Construction and Building Materials,2018,189:890-897.16 Chopra T,Parida M,Kwatra N,et al.Development of pavement distress deterioration prediction models for urban road network using genetic programmingJ.Advances in Civil Engineering,2018,2018:1253108.17 Nader K,Hosein G T,Danial M S,et al.Estimation of flexible pavement structural capacity using machine learning techniquesJ.Frontiers of Structural and Civil Engineering,2020,14(5):1083-1096.18 Morales F J,Reyes A,Caceres N,et al.A machine learning methodology to predict alerts and maintenance interventions in roadsJ.Road Materials and Pavement Design,2020(8):2267-2288.19 Sollazzo,Fwa T F.,Bosurgi G.An ANN model to correlate roughness and structural performance in asphalt pavementsJ.Construction and Building Materials,2017,134:684-693.20 Mohamed S Y,Tariq U S,Matthew Volovski,et al.Characterizing the performance of interstate flexible pavements using artificial neural networks and random parameters regressionJ.Journal of Infrastructure Systems,2020,26(2):04020010.21 Sylvester I,John S,Adrian B,et al.Prediction of the crack condition of highway pavements using machine learning modelsJ.Structure and Infrastructure Engineering,2019,15(7):940-953.22 Gong H,Sun Y,Hu W,et al.Neural networks for fatigue cracking prediction using outputs from pavement mechanistic-empirical designJ.International Journal of Pavement Engineering,2021,22(2):162-172.23 王艳丽,王秉纲.应用人工神经网络预测路面使用性能J.西安公路交通大学学报,2001(1):42-45.24 李志刚,刘新杰,邓学钧.基于神经网络的高速公路沥青路面决策方法研究J.公路交通科技,2001(4):28-30+39.25 杨文山.路面状况指数的 BP 网络预测J.哈尔滨建筑大学学报,2000(3):107-110.26 倪富健,屠伟新,黄卫.基于神经网络技术的路面性能预估模型J.东南大学学报(自然科学版),2000(5):91-95.