基于机器学习方法的路面平整度预测及模型解释研究.pdf

第41卷第8 期2023年8 月文章编号：10 0 9-7 7 6 7(2 0 2 3)0 8-0 0 39-0 7市放技术Journal of Municipal TechnologyVol.41,No.8Aug.2023D0I:10.19922/j.1009-7767.2023.08.039基于机器学习方法的路面平整度预测及模型解释研究马鑫源12,刘泉1*，吴建涛1(1.河海大学土木与交通学院，江苏南京2 10 0 98；2.中国交通建设股份有限公司总承包经营分公司，北京10 0 0 0 0)摘要：该研究从预测精度、计算效率、模型解释可信度3个方面对比分析了支持向量机（SVMD、随机森林（RF）、梯度提升树(GBR)及神经网络(NN)模型用于国际平整度指数(IRI)预测建模的效果，并基于加性Shapley值解释(SHAP)方法，通过相对重要性及其变异系数评价了模型解释结果的可信度。研究结果表明，梯度提升树模型的综合性能最优，基于决策树和提升算法的机器学习模型更适用于结果解释性研究；虽然神经网络模型具有最高的预测精度，但其损失函数的非凸性使得模型解释结果不可靠；特征重要性结果表明沥青路面平整度的变化由环境因素主导，其中降水的影响最为显著，其次为低温指标。关键词：路面平整度；机器学习模型；特征重要性；模型解释可信度中图分类号：U416.2文献标志码：AResearch on Pavement Roughness Prediction and Model InterpretationBased on MachineLearning MethodsMa Xinyuan2,Liu Quan*,Wu Jiantao!(1.College of Civil and Transportation Engineering,Hohai Uniwersity,Nanjing 210098,China;2.General Contracting Branch of China Communications Construction Co.,Ltd.,Beijing 100000,China)Abstract:In this study,the predictive effects of support vector machine(SVM),random forest(RF),gradient boost-ing regression(GBR)and neural network(NN)models on the International Roughness Index(IRI)were comparedand analyzed.Furthermore,the additive Shapley value interpretation(SHAP)was used to evaluate the credibility ofmodel interpretation results.The study found that the comprehensive performance of gradient boosted regressionmodel is optimal.The machine learning models based on decision tree and boosting algorithms were more suitable forinterpretative research;Although the neural network model had the highest accuracy,the non-convexity of its lossfunction made the model interpretation results unreliable;The variation of the asphalt pavement roughness was pri-marily driven by environmental factors,among which the precipitation had the most significant impact,followed byfreeze-thaw cycles.Key words:pavement roughness;machine learning models;feature importance;model interpretability credibility对路面长期服役性能的准确预测是实现科学的道路养护决策的重要前提。传统的路面性能预测收稿日期：2 0 2 3-0 6-0 7基金项目：江苏省自然科学基金青年项目（BK20220983，2 0 2 2-2 0 2 5）作者简介：马鑫源，男，硕士，主要研究方向为路面性能预测与表征。通讯作者：刘泉，男，副研究员，博士，主要研究方向为智能化交通技术。引文格式：马鑫源，刘泉，吴建涛.基于机器学习方法的路面平整度预测及模型解释研究.市政技术，2 0 2 3，41（8)：39-448 0.（MAXY,LIUQ,WU J T.Research on pavement roughness prediction and model interpretation based on machine learning methods JJ.Journal of mu-nicipal technology,2023,41(8):39-44,80.)模型如Sigmoid函数、多项式回归模型、指数模型等已广泛应用于路面养护决策的预测工作之中1。尽40管上述数学经验模型在一定程度上能够实现较高的预测精度，但仍存在物理含义不明确以及结果解释性差等缺点。另外，路面服役性能的衰减是光、氧、热、水等复杂自然环境中车辆荷载反复作用的结果2,而自然环境以及车辆荷载因地理位置差异及经济发展水平不同呈现高度的复杂性，因此期望通过数学经验模型来表征多变量的复杂作用结果有一定的局限性。近几年，随着传感技术在路面领域的应用逐渐趋于成熟，依托机器学习模型实现数据高维度相关性分析并进一步实现结果的有效预测受到广泛的青睐和推广3-4。诸多学者的研究成果论证了机器学习模型如决策树(DT)5、支持向量机(SVM)6-7、神经网络(NN)8-9在路面性能预测中的适用性。然而，机器学习模型在弥补传统数学经验模型数据挖掘能力弱点的同时，依然没有解决模型预测结果不可解释的问题10 。基于决策树的模型可以通过计算节点分裂时的信息增益很方便地评价各特征的重要性。Wang等11I基于美国长期路面性能(LTPP)数据库开发了用于沥青路面IRI预测的Adaboost模型，特征重要性结果表明,初始IRI值对IRI的影响最大，横向裂缝、交通量、龟裂和车辙对IRI的影响也较为显著。Kayadelen等12 采用相同数据源构建了用于柔性路面IRI预测的随机森林模型，模型解释结果表明路面的结构数和路龄是影响IRI的主要因素。对于其他与决策树无关的机器学习模型，目前仍缺少有效的模型解释方法。Yao等13尝试采用敏感性分析方法计算基于神经网络的沥青路面IRI预测模型的特征重要性,结果表明路面的养护活动、先前的IRI值、路龄和沥青层材料对IRI有显著影响，但交通量对IRI影响不大。虽然敏感性分析方法能够实现特征重要性的计算，但变量之间相互独立这一基本假设通常被忽略，因此相关模型解释结果的可信度有待验证。上述研究表明，模型解释有助于揭示输入因素对输出指标的影响，但研究人员对于模型解释方法、模型解释可信度评价等方面的关注程度不够。因此，有必要进一步对机器学习模型学习结果的解释进行研究。该研究针对路面长期服役性能中的平整度问题，对比分析了4种机器学习模型预测路面平整度的适用性和精确度；在优选模型的基础上基于与模型无关的加性Shapley值解释（SHAP)方法开展了Journal of Municipal Technology降水国际平整度（输出）1.2训练模型及参数优化该研究采用的4种机器学习模型包括支持向量机（SVM）、随机森林（RF）、梯度提升树（GBR)以及神经网络（NN）。为了避免过度拟合，该研究采用5x5折交叉验证技术将原始数据集划分为0.6 4:0.16:0.20的训练集、验证集和测试集。其中，内部5折交叉验证用于模型参数的优化，而外部5折交叉验证用于比较各个模型的总体表现。模型参数通过逐渐密集的网格搜索方法进行优化。例如，支持向量机模型中的超参数C和gamma的优化过程如图1所示。4种机器学习模型参数优化结果见表2。1.3模型评价方法及指标为了实现模型的综合比选，该研究从预测精度、计算效率以及解释可信度3个方面对模型进行对比分析。具体指标解释如下：第41卷模型解释研究,研究成果对其他相似研究具有一定的参考价值和指导意义。1研究方法1.1楼数据集及数据预处理该研究提取美国LTPP数据库中10 0 条不同气候区域的沥青路面试验段，共获取了18 41个国际平整度指数样本14。在获取样本时充分考虑外部因素如路面设计、养护历史、交通荷载以及环境因素的多样性。此外，在进行数据集输入时消除了时间指标的影响,将所有随时间变化的特征因素进行累计,从而将时间具体化。该研究中考虑的特征因素及其定义见表1。其中IEC采用二值化编码构建的新指标,用于表征数据的集中养护历史是否对平整度的改善有效。表1该研究中考虑的特征因素及其定义Tab.1 Feature factors considered in this study and theirdefinitions特征因素缩写养护历史IEC设计参数SN交通量CESAL高温指标CDA32低温指标CFI冻融指标CFT短波辐射CSSACTPMRI定义有效编码结构数累计当量标准荷载最高温度32 以上天数累计冷冻指数累计冻融循环累计表面短波辐射能累计年降水量国际平整度均值单位英尺次dddJ/mmmm/km第8 期10080604020图1支持向量机模型中参数优化示意图（超参数C和gamma)Fig.1 Schematic diagram of parameter optimization(hyperparameters C and gamma)in SVM model表2 4种机器学习模型参数优化结果Tab.2 Parameter optimization results of four machinelearningmodels模型参数Cgamma支持向量机kernelepsilontoln_estimatorsmax_depthmin_samples_split随机森林min_samples_leafbootstraprandom_staten_estimatorsmax_depthmin_samples_split梯度提升树min_samples_leaflearning_raterandom_statehi_layer_sizeh2_layer_sizeactivation神经网络solveralpharandom_state1)预测精度评价如式(1)所示,该研究中采用决定系数R来评价模型的预测精度，模型最终的预测精度为外部5折测试集的平均值15。马鑫源等：基于机器学习方法的路面平整度预测及模型解释研究验证平均分-0.80340.79570.78800.78030.77260.76490.75720.74950.7418204041nR2(y,)=1-4;=n=1i=1式中：y代表第i个样本的真实值；f:代表第i个样本的预测值；y代表n个样本的平均值。2)计算效率评价该研究中采用的电脑配置为Intel(R)Core(TM)i5-10400 CPU(2.90 GHz)、In t e l (R)U H D G r a p h i c s630(1024 MB)和16.0 0 GB内存(2 933 MHz)。基于6080Cyio(1)100python3.9.12版本分别在scikit-learn软件包中训练4个模型，基于此统计了模型训练和特征重要性计算所需的时间用于评价模型的计算效率。3)基于SHAP方法的解释可信度已有研究表明,SHAP方法能够有效地解释机器学习模型预测路面性能的结果16-17。该方法通过量化模型中各特征对预测结果的贡献来评价其重要性。具体来说,利用联盟博奔理论计算Shapley值并参数值将所有可能的特征组合考虑在内,对于单个样本，一个7623rbf0.10.001801621True2.02022051050.0920214030logisticbfgs5x10-52特征的Shapley值计算方法如下18：SC(1.,piIp！(it)-val.(S)。式中：S是所有输人特征的一个子集；x是被解释样本的输入特征向量;p是特征数量;val.(S)是在S中包含的特征值的预测值，其计算公式如式（3)所示，在计算过程中未包含在S中的特征将被边际化；i）是输入特征集。val.(S)=F(xi,xp)dPxs-Ex(f(X)。(3)式中：()表示用于解释的模型;X代表完整的数据集。特征的全局重要性是该特征在所有样本中的平均绝对 Shapley值,如式(4)所示：(4)n=1式中：,表示第i个样本的第j个特征的Shapley值；n表示样本总数。2结果与讨论2.1预测精度对比分析4种机器学习模型预测路面平整度结果的精度、偏差和方差对比见表3。ISI(p-Sl-1)val(sU(2)42Tab.3 Comparison of prediction accuracy of four machine模型支持向量机随机森林梯度提升树神经网络从表3可以看出，神经网络模型具有最高的预测精度,其决定系数值达到了0.8 8 1,且偏差和方差最小，说明神经网络模型用于路面平整度预测时受到子数据集变化的影响最小。支持向量机模型和梯度提升树模型的预测精度相近且决定系数值均在0.8以上。对比支持向量机模型和梯度提升树模型可以发现，尽管梯度提升树模型呈现出相对较低的预测精度，但是方差略小于支持向量机模型，说明梯度提升树模型对样本分布的依赖性较小。4种机器学习模型中随机森林模型的预测精度最差，对样本分布的依赖性也最强。因此，从预测精度结果可知,随机森林模型并不适用于路面平整度的预测。4种机器学习模型在测试集上真实值和预测值的分布情况如图2 所示。支持向量机5随机森林梯度提升树神经网络432100图2 基于4种机器学习模型的MRI真实值和预测值分布Fig.2 Distribution of real and predicted values of MRI based onfour machine learning models从图2 可以看出，大约8 0%的样本预测误差能够控制在2 0%以内。当平整度值较小时预测精度较高，这是因为样本数据中平整度值集中分布在3.5m/km以下。此外还可以发现4种机器学习模型中基于决策树的模型通常给出的预测值小于真实值，说明决策树类机器学习模型做出预测时通常偏保守。尽管支Journal of Municipal Technology表34种机器学习模型预测精度对比learningmodels决定系数R?0.8320.7870.8270.88111第41卷持向量机模型的预测精度在4种机器学习模型中排名第二，但是其预测的平整度值介于2.0 3.5m/km区间，预测结果出现较为显著的偏差。偏差方差0.1430.0250.1790.0340.1540.0190.1110.00823预测值2.2计算效率对比分析4种机器学习模型的训练效率和SHAP计算效率对比如图3所示。104103ILL102101100LLL10-1支持向量机随机森林梯度提升树神经网络图34种机器学习模型的计算效率对比Fig.3 Comparison of computational efficiency of four machinelearningmodels从图3可以看出，支持向量机模型、随机森林模型和梯度提升树模型的训练效率远高于神经网络模型，虽然神经网络模型呈现出最佳的预测精度，但对于相同样本量的训练，其消耗的时间也远高于其他模型。另外,4种机器学习模型在SHAP计算效率方面的差异更为显著。梯度提升树模型的SHAP计算效率比其他模型高得多，而支持向量机模型的SHAP计算效率最低。梯度提升树模型和支持向量机模型的预测精度几乎相同，但梯度提升树模型在模型解释所需要的时间方面具有绝对优势。2.3基于SHAP的特征重要性分析4种机器学习模型基于SHAP方法的特征重要45模型训练效率-。SH A P计算效率6性排序如图4所示。从图4可以看出，由于学习策略的差异，每个模型基于SHAP方法计算的特征重要性的大小和顺序并不相同。值得注意的是,CTP和CFI的特征重要性始终排名第一和第二,这表明降水和低温指标对路面平整度的影响比其他因素更显著。CTP的特征重要性比其他因素大得多，因此降水是影响路面平整度的主要因素。此外，所有模型的特征重要性排序表明，所有环境因素中冻融指标对路面平整度的影响最小。对于具有随机状态参数的模型，在模型精度相第8 期马鑫源等：基于机器学习方法的路面平整度预测及模型解释研究430.400.350.300.250.200.150.100.050.00似时可信的解释结果必须是稳定的。因此,在保持其他模型参数相同的情况，笔者对比分析了随机状态0.40.20.00.40.20.00.40.20.00.40.20.0从图5可以看出，基于决策树的模型特征重要性排序受随机状态参数取值的影响最小，表现也最为稳定，每项特征的重要性大小和排序基本保持不变,且平均变异系数能够控制在5%以内。相比之下，支持向量机CESALCFTCDA32CSSA图4基于SHAP方法的特征重要性排序Fig.4 Feature importance ranking based on the SHAP method所示。random_state=2random_state=20支持向量机变异系数-0CFTCDA.32随机森林CFTCDA32梯度提升树CFTCDA32神经网络CFTCDA32图5模型解释结果稳定性分析Fig.5 Stability analysis of model interpretation results神经网络模型的特征重要性排序受随机状态参数取值的影响较大，平均变异系数达到了13.4%。由此可见，神经网络模型在实现较高精度的同时，不仅消耗了更多的计算时间，而且不能获得较为稳定的梯度提升树CESALCDA32CSSAIECSN变异系数=0.0 18IECSN变异系数=0.0 48IECSN变异系数=0.134IECSN随机森林CTPCESAL参数取值为2、2 0、2 0 2 时的特征重要性排序，如图5random_state=202CESALCSSACESALCSSACESALCSSACESALCSSA神经网络CDA32CSSACTPCFICFICFICFICESALCFTCDA32CSSACTPCTPCTPCTPCTP市放技术44Journal of Municipal Technology解释结果。这主要是由于当神经网络具有隐藏层时，其损失函数是非凸的，具有多个局部最小值。神经元的不同初始权重将导致损失函数优化到不同的局部最小值，进而导致神经网络模型学习到变量间的映射关系有明显差异,因此其模型解释结果是不稳定的。3结论与展望笔者对基于机器学习方法的路面平整度预测及模型解释进行了研究，以路面平整度为研究对象，模型输人包括养护历史、设计参数、交通量、高温指标、低温指标、冻融指标、短波辐射和降水等因素。对比了4种常用机器学习模型的预测精度和计算效率,并基于SHAP方法对模型解释进行了分析。主要得到如下结论：1)神经网络模型在预测路面平整度精度方面表现最佳，但是需要耗费较长的训练时间，计算效率较低。2)在模型解释方面,决策树类模型解释结果的稳定性十分优异，而神经网络模型因其损失函数的非凸性，使得模型解释结果受随机状态参数影响较大，解释结果不可靠。3)在所有考虑的因素中,降水是影响沥青路面平整度的主要因素,其次是低温指标。因此，在寒冷季节中应更加关注路面排水和路面温度控制，以延缓沥青路面平整度的恶化。该研究中仅论证了机器学习在路面平整度预测及模型解释方面的可行性，对其他路面病害如车辙和裂缝的适用性有待进一步研究。参考文献1王永良，张永平，张洪亮，等.沥青路面平整度评价指标研究综述J.市政技术,2 0 14,32(2)：2 6-2 9.（WANGYL,ZHANGY P,ZHANG H L,et al.Research overview on evenness evalua-tion indexes of asphalt pavement J.Journal of municipal tech-nology,2014,32(2):26-29.)【2 王超，宫官雨，陈乙方.考虑气候变化影响的沥青路面长期服役耐久性评估J.土木工程学报2 0 2 3,56(2)：110-12 0.（WANGC,GONG G Y,CHEN Y F.Long-term durability performanceassessment of asphalt pavement with the consideration of climatechange impactJ.China civil engineering journal,2023,56(2):110-120.)【3李辉.基于大数据的公路路面养护智能决策研究J.公路交通技术,2 0 2 3,39(2):8 2-8 8.(LI H.Research on intelligent deci-sion of highway pavement maintenance based on big data J.Technology of highway and transport,2023,39(2):82-88.)【4司伟，纬杰，李宁，等.寒区沥青路面智慧化施工混合料温度预估机器学习模型J.中国公路学报,2 0 2 3,36（3)：8 1-97.第41卷(SI W,MAO W J,LI N,et al.Research on machine learningmodel for temperature prediction of asphalt mixture in intelligentconstruction of asphalt pavement in cold regionsJ.China journalof highway and transport,2023,36(3):81-97.)5纪红燕，王钢，俞长青，等.基于决策树的沥青路面使用性能评价与预测研究JJ.公路,2 0 16,6 1(4)：18-2 2.（JIHY,WANGG,YU C Q,et al.Study on the evaluation and prediction of asphaltpavement performance based on the decision treeJ.Highway,2016,61(4):18-22.)【6 赵静，王选仓，丁龙亭，等.基于灰色关联度分析和支持向量机回归的沥青路面使用性能预测J.重庆大学学报,2 0 19,42(4):72-81.(ZHAO J,WANG X C,DING L T,et al.Performanceprediction of asphalt pavement based on grey relational analysisand support vector machine regression JJ.Journal of ChongqingUniversity,2019,42(4):72-81.)【7 李巧茹，郭知洋，王耀军，等.基于PCA-SVM的高速公路沥青路面使用性能评价J.北京工业大学学报，2 0 18,44（2)：2 8 3-288.(LIQ R,GUO Z Y,WANG Y J,et al.Evaluation of freewayasphalt pavement performance based on PCA-SVMJJ.Journal ofBeijing University of Technology,2018,44(2):283-288.)【8 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）,2 0 0 0,30（5）：91-95.（NIF J,TU W X,HUANG W.Pavement performance forecastingmodel by using neural networkJJ.Journal of Southeast Univer-sity(natural scienceedition),2000,30(5):91-95.)【9何铁军，黄卫.模糊神经网络在沥青路面使用性能评价中的应用J.公路交通科技，2 0 0 0,17（4):15-18.（HETJ,HUANGW.Application of fuzzy neural network in bitumen pavementperformance assessmentJ.Journal of highway and transportationresearch and development,2000,17(4):15-18.)10MARCELINO P,DE LURDES ANTUNES M,FORTUNATO E,et al.Machine learning approach for pavement performance pre-METdictionJ.International journal of pavement engineering,2021,22(3):341-354.11 WANG C,XU S,YANG J.Adaboost algorithm in artificial intel-ligence for optimizing the iri prediction accuracy of asphalt con-crete pavementJ.Sensors,2021,21(17):5682.12KAYADELEN C,ONAL Y,ALTAY G,et al.Effects of mainte-nance,traffic and climate condition on International RoughnessIndex of flexible pavementJ.International journal of pavementengineering,2022:1-13.13 YAO L Y,DONG Q,JIANG J W,et al.Establishment of predic-tion models of asphalt pavement performance based on a noveldata calibration method and neural network J.Transportationresearch record,2019,2673(1):66-82.14 Federal Highway Administration.LTPP InfoPave online DB/OL.(2021-11-22)2023-06-01.https:/infopave.fhwa.dot.gov/Ac-cessed22Nov 2021.15 陈林，陈双庆.基于机器学习的橡胶改性再生骨料混凝土抗压强度预测研究J.公路工程，2 0 2 2,47（5）：16 9-17 5.（CHENL,CHEN S Q.Study on prediction of compressive strength of（下转第8 0 页）市放技术80Journal of Municipal Technology号召，立足广东地区实际，以“安全、绿色、节能、高效”为建设理念,基于GIS等技术建成的平台。该平台以数字化、信息化的方式有效梳理了片区排水管网的基础信息，并动态展示了关键节点的水质、水位、流量等重要信息，极大地提高了监管工作效率，有效防治了水环境污染和城市内涝，为主动、精细、智慧的城市排水运行管理的新模式提供了有力支撑，从而促进了城市排水综合管理水平的有效提升。MET参考文献【1张施晗.智慧水务在市政污水管网中的应用J.冶金丛刊，2021(10):202-203.(ZHANG S H.Application of smart waterin municipal sewage pipe networkJ.Metallurgical collections,2021(10):202-203.)【2 徐科威，王佳，李怀波，等.智慧化城市排水管网信息系统建设研究J.智能城市,2 0 2 3,9(2):10 2-10 5.(XUKW,WANGJ,LI H B,et al.Research on the construction of intelligent urbandrainage pipe network information system J.Intelligent city,2023,9(2):102-105.)3强张志娇，叶脉，张珂.广东省典型流域突发水污染事件风险评估技术及其应用J.安全与环境学报，2 0 18,18（4)：1532-1537.(ZHANG ZJ,YE M,ZHANG K.Watershed-scale environmentalrisk assessment for typical accidental water pollution accidents inthe east of Guangdong ProvinceJ.Journal of safety&environ-ment,2018,18(4):1532-1537.)【4王亮，李文涛，张海飞，等.智慧水务在市政排水系统效能提升中的应用J.城市道桥与防洪，2 0 2 3（3）：2 6 9-2 7 2.（WANGL,LI W T,ZHANG H F,et al.Application of smart water affairsin improving efficiency of municipal drainage system J.Urbanroads bridges&flood control,2023(3):269-272.)5林好斌，腾良方，奚卫红，等.宁波市城市排水智能化运行管理系统设计及应用J.中国给水排水，2 0 16,32（15)：12 2-12 5.(LIN H B,TENG L F,XI W H,et al.Design and application ofsmart urban drainage operation and management system in NingboJ.China water&wastewater,2016,32(15):122-125.)【6 卢汉清，郭天盛，郭捷.宁波智慧排水体系构建及其发展探索J.给水排水,2 0 16,42(1):134-138.(LUHQ,GUOTS,GUOJ.Construction and development of Ningbo intelligent drainagesystemJ.Water&wastewater engineering,2016,42(1):134-138.)(上接第44页）rubber-modifiedrecycled aggregate concrete based on machinelearningJ.Highway engineering,2022,47(5):169-175.)16 SSONG Y,WANG Y D,HU X,et al.An efficient and explainableensemble learning model for asphalt pavement condition predic-tion based on LTPP datasetJJ.IEEE transactions on intelligenttransportation systems,2022,23(11):22084-22093.第41卷【7 中华人民共和国住房和城乡建设部.城市排水防涝设施数据采集与维护技术规范：GB/T511872016S.北京：中国建筑工业出版社,2 0 17:3-58.(Ministry of Housing and Urban-RuralDevelopment of the Peoples Republic of China.Technical codefor data acquisition and maintenance of urban drainage and localflooding prevention and control facilities:GB/T 51187-2016S.Beijing:China Architecture&Building Press,2017:3-58.8张岩.基于Oracle的高速公路收费系统数据库设计及应用D.南京：东南大学,2 0 0 5.（ZHANGY.Design and applicationof expressway toll system database based on OracleD.Nanjing:Southeast University,2005.)9顾恩硕，刘海粟，白雪.关系数据库与非关系数据库J.艺术科技,2 0 16,2 9(12):8 4.(GU E S,LIU H S,BAI X.Relationaldatabase and non relational databaseJ.Art science and technol-ogy,2016,29(12):84.)10 CODD E F.A relational model of data for large shared data banksJ.Communications of the ACM,1970,13(6):377-387.11 鄢琳，荣宏伟，谭锦欣，等.“源-网-厂-河”一体化智慧排水系统的构建设计J.给水排水，2 0 2 1,47(3)：150-154.（YANL,RONG H W,TAN J X,et al.Construction and design of pol-lution source-drainage pipe network-sewage treatment plant-ur-ban river integrated intelligent drainage system JJ.Water&was-tewater engineering,2021,47(3):150-154.)12杨超.杭州市“智慧排水”系统平台建设及应用成效分析J.工程技术与应用,2 0 19(3):8 9-90,2 2 6.（YANGC.Analysisonthe construction and application effect of smart drainage systemplatform in Hangzhou J.Engineering technology and applica-tion,2019(3):89-90,226.)13 5张旭东，马振华，王海玲，等.基于排水系统提质增效的集约治滇探索与实践J.中国给水排水,2 0 2 2,38(4)：12 5-132.（ZHANGX D,MA Z H,WANG H L,et