基于關(guān)聯(lián)規(guī)則挖掘的路面損壞狀況影響因素分析①

曹 磊,徐 磊,楊 菲,賈彭斐

(長(zhǎng)安大學(xué) 信息工程學(xué)院,西安 710064)

隨著我國交通行業(yè)的發(fā)展,公路里程數(shù)和線網(wǎng)復(fù)雜度也在不斷提升,越來越多的道路出現(xiàn)裂縫、坑槽、車轍等各種損壞情況,同時(shí)高溫,降雨等各種惡劣天氣對(duì)路面的性能的影響也極其嚴(yán)重,路面的養(yǎng)護(hù)管理工作難度也在不斷提升,在這種情況下路面的科學(xué)養(yǎng)護(hù)和預(yù)防養(yǎng)護(hù)就顯得尤為重要.

目前關(guān)于路面損壞及其影響因素的研究主要集中于公路領(lǐng)域[1],而針對(duì)兩者之間綜合關(guān)系的研究則較少[2].傳統(tǒng)的路面損壞情況影響因素的研究的主要方法有經(jīng)驗(yàn)分析、實(shí)地調(diào)研、數(shù)據(jù)統(tǒng)計(jì)等.這些分析方法主要基于當(dāng)前的路面狀況,分析過程簡(jiǎn)單、直接,因此所得到的路面損壞及其影響因素之間的關(guān)系往往單一、獨(dú)立,所涉及的影響因素較少,分析維度較低,無法客觀全面地認(rèn)識(shí)路面綜合損壞情況.

部分學(xué)者嘗試借鑒其他學(xué)科領(lǐng)域的方法,對(duì)路面損壞影響因素關(guān)系進(jìn)行研究.數(shù)據(jù)挖掘關(guān)聯(lián)分析是數(shù)據(jù)挖掘的一個(gè)重要分支,關(guān)聯(lián)規(guī)則分析能夠找出數(shù)據(jù)之間的潛在聯(lián)系,在不同的維度對(duì)數(shù)據(jù)進(jìn)行全方位的分析,從而能夠更好地做出更加理想的決策,能夠更加準(zhǔn)確的預(yù)測(cè)事物未來的發(fā)展趨勢(shì)等[3].文獻(xiàn)[4] 采用關(guān)聯(lián)規(guī)則分析通過大量數(shù)據(jù)集中客觀地發(fā)現(xiàn)了路面病害成因.文獻(xiàn)[5]采用關(guān)聯(lián)分析技術(shù)對(duì)水泥混凝土路面病害關(guān)系進(jìn)行了研究,得到了填縫料損壞、板底脫空、錯(cuò)臺(tái)、斷板之間的關(guān)聯(lián)規(guī)則,并得出了它們之間的轉(zhuǎn)化關(guān)系.

在此基礎(chǔ)上,本文對(duì)關(guān)聯(lián)規(guī)則Apriori 算法進(jìn)行了改進(jìn)以提升速度和性能.基于大量的路面數(shù)據(jù),通過挖掘環(huán)境因素、交通因素、路面因素和路面破損情況之間存在的內(nèi)在聯(lián)系,分析不同環(huán)境下路面破損的主要影響因素,進(jìn)而對(duì)路面養(yǎng)護(hù)提供科學(xué)可靠的支持,為路面養(yǎng)護(hù)部門提供合理的養(yǎng)護(hù)建議與數(shù)據(jù)支撐.

1 路面狀況影響因素及其評(píng)價(jià)指標(biāo)

1.1 路面狀況的影響因素分析

路面狀況錯(cuò)綜復(fù)雜,影響路面狀況的因素也是多方面的.路面在結(jié)構(gòu)上可分為面層、基層和墊層.通常情況下,路面受損壞的情況會(huì)隨著路面深度的增加而逐漸減弱.面層直接受到降水、風(fēng)雪、強(qiáng)光、高溫、行車荷載等的直接或間接反復(fù)作用,因此本文主要研究面層損壞情況與影響因素之間的關(guān)聯(lián)性.在諸多影響因素中,環(huán)境因素、路面因素和交通因素為主要影響因素.

環(huán)境因素主要包含溫度、濕度、降水量、蒸發(fā)量等氣候條件,當(dāng)環(huán)境因素變化較大時(shí),路表面的物理特性也會(huì)發(fā)生變化,如溫度變化會(huì)引發(fā)熱膨脹系數(shù)的變化而導(dǎo)致路面發(fā)生開裂或老化現(xiàn)象.

路面因素主要由路面的類型和材料來決定.由于路面的材料及特性差異,即使是相同環(huán)境因素的影響下,不同類型路面發(fā)生病害的類型和嚴(yán)重程度也不相同.

交通因素主要指路面的交通流量,城市和鄉(xiāng)村的交通流量差距很大,損壞程度也有很大差別,因此交通因素也是本文考慮的一個(gè)重要的影響因素.

1.2 路面狀況的評(píng)價(jià)指標(biāo)

在諸多影響因素影響下,路面破損情況的衡量指標(biāo)對(duì)這些影響因素關(guān)鍵與否起著至關(guān)重要的作用,依據(jù)交通運(yùn)輸部發(fā)布的《公路技術(shù)狀況的評(píng)定標(biāo)準(zhǔn)》,路面質(zhì)量指數(shù)(Pavement Quality Index,PQI)主要由路面損壞指數(shù)(PCI)、行駛質(zhì)量指數(shù)(RQI)、路面車轍深度指數(shù)(RDI)、路面抗滑性能指數(shù)(SRI)來評(píng)價(jià)：

其中,wPCI、wRQI、wRDI和wSRI為各項(xiàng)指標(biāo)的參數(shù),對(duì)于瀝青路面,這4 個(gè)參數(shù)值分別為0.35,0.4,0.15,0.1.

式(1)的4 個(gè)參數(shù)中,路面損壞指數(shù)(PCI)和路面行駛質(zhì)量指數(shù)(RQI)主要是通過路面平整度(IRI)來衡量,且IRI與PCI具有正相關(guān)的關(guān)系.而由于SRI的測(cè)量方式復(fù)雜且權(quán)重較小,本文將不作考慮.因此通過建立環(huán)境、路面、交通等影響因素與路面車轍RDI和平整度IRI之間的關(guān)聯(lián)規(guī)則即可得到這些影響因素與路面損壞情況之間的關(guān)聯(lián)性.

2 關(guān)聯(lián)規(guī)則及Apriori 算法改進(jìn)

2.1 關(guān)聯(lián)規(guī)則相關(guān)概念

關(guān)聯(lián)規(guī)則的形式：兩個(gè)不相交的非空集合X、Y,如果有X?Y,那么X?Y就是一條關(guān)聯(lián)規(guī)則.以下是一些比較重要的概念：

項(xiàng)目：數(shù)據(jù)庫中的一個(gè)字段,以一次事務(wù)來看如{A,B,C},其中每一個(gè)事物A、B、C都分別是一個(gè)項(xiàng)目.

事務(wù)：事務(wù)本身也是一個(gè)項(xiàng)集,但是該項(xiàng)集包含了一次交易記錄中發(fā)生的所有項(xiàng)目的集合.

項(xiàng)集：指在一次事務(wù)中,由零個(gè)或多個(gè)項(xiàng)目組成的集合,一般會(huì)大于零個(gè),通常我們將由m個(gè)項(xiàng)目組成的集合稱為m-項(xiàng)集,如{A,B}就是一個(gè)二項(xiàng)集.

支持度：項(xiàng)集{X,Y}在總項(xiàng)集中所占的百分比,即在總項(xiàng)集中項(xiàng)集{X,Y}出現(xiàn)的次數(shù)count(X∪Y)與整個(gè)數(shù)據(jù)集中的項(xiàng)集總數(shù)|D|之比support(X?Y)=count(X∪Y)/|D|,支持度能夠反映一個(gè)項(xiàng)集出現(xiàn)的概率.

頻繁項(xiàng)集：支持度大于或等于設(shè)定的最小支持度的項(xiàng)集.

置信度：在已知項(xiàng)集X存在并發(fā)生的條件下,項(xiàng)集Y發(fā)生的概率,即項(xiàng)集{X,Y}數(shù)量與項(xiàng)集{X}數(shù)量的比值confidence(X?Y)=support(X?Y)/support(X)

強(qiáng)關(guān)聯(lián)規(guī)則：支持度與置信度均大于或者等于設(shè)定的最小支持度和最小置信度的關(guān)聯(lián)規(guī)則就是強(qiáng)關(guān)聯(lián)規(guī)則.

關(guān)聯(lián)規(guī)則挖掘過程主要包含兩個(gè)階段：

第1 階段：在數(shù)據(jù)集中找出所有的頻繁項(xiàng)集；

第2 階段：由頻繁項(xiàng)集產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則.

關(guān)聯(lián)規(guī)則挖掘的第1 階段要求產(chǎn)生項(xiàng)集的支持度必須大于設(shè)定的最小支持度,其中項(xiàng)集的個(gè)數(shù)可以從1 到K遞推,得到頻繁K項(xiàng)集；第2 階段中這些頻繁項(xiàng)集對(duì)應(yīng)的關(guān)聯(lián)規(guī)則的置信度必須大于設(shè)定的最小置信度,才能形成強(qiáng)關(guān)聯(lián)規(guī)則.

2.2 Apriori 算法

Apriori 算法主要是通過掃描數(shù)據(jù)庫產(chǎn)生候選項(xiàng)集,然后通過對(duì)候選項(xiàng)集的剪枝、篩選等操作得到頻繁數(shù)據(jù)集最終得到強(qiáng)關(guān)聯(lián)規(guī)則的一種算法.該算法的主要關(guān)鍵點(diǎn)是產(chǎn)生頻繁項(xiàng)集即由k-1 項(xiàng)集到生成k項(xiàng)集.該算法的流程如圖1所示.

圖1 Apriori 算法流程圖

Apriori 算法根據(jù)自身定理性質(zhì),在產(chǎn)生候選項(xiàng)集時(shí),減少了頻繁項(xiàng)集的個(gè)數(shù),節(jié)約了一定的時(shí)間,取得了很好的性能.但還存在兩大缺點(diǎn)：

(1)會(huì)產(chǎn)生大量的候選項(xiàng)集；

(2)在產(chǎn)生頻繁項(xiàng)集時(shí),都需要不斷的掃描事務(wù)數(shù)據(jù)庫,因此比較耗時(shí).

如當(dāng)頻繁一項(xiàng)集L1有1000 個(gè)時(shí),候選二項(xiàng)集C2個(gè)數(shù)將會(huì)達(dá)到幾十萬.而在執(zhí)行每一步時(shí)都需要不斷的掃描數(shù)據(jù)集,這樣會(huì)使得Apriori 算法的效率大大降低,針對(duì)這個(gè)問題,本文對(duì)該算法進(jìn)行了改進(jìn).

2.3 改進(jìn)的Apriori 算法

對(duì)于關(guān)聯(lián)規(guī)則挖掘來說,其目的就是在數(shù)據(jù)項(xiàng)目中挖掘出頻繁多項(xiàng)集,原Apriori 算法中通過對(duì)候選項(xiàng)集的操作得到頻繁項(xiàng)集.而當(dāng)項(xiàng)目較多時(shí),Apriori 算法在產(chǎn)生候選項(xiàng)集時(shí)需要耗費(fèi)大量的時(shí)間,從而影響算法的效率,在產(chǎn)生候選二項(xiàng)集時(shí)這種情況尤為明顯,因此本文采用一種不生成候選二項(xiàng)集的方法來產(chǎn)生二項(xiàng)集,減少大量的候選集掃描時(shí)間[6],因此可以極大地提高算法的效率.

設(shè)初始數(shù)據(jù)集為D,包含Tk(k=1,2,···,n),Tk=(t1,t2,t3,···),即每條記錄Tk由很多項(xiàng)目ti構(gòu)成.每個(gè)流程中事務(wù)集為TID(1,···,t),最小支持度設(shè)為min_sup=s%,且事務(wù)數(shù)不小于p(p=s%*n)次,Num為TID中的元素個(gè)數(shù).

改進(jìn)算法的具體步驟如算法1[7-10].

算法1.改進(jìn)的Apriori 算法1)重新構(gòu)造數(shù)據(jù)庫：對(duì)數(shù)據(jù)記錄進(jìn)行掃描,搜索出包含t1 的事務(wù),并生成a1；搜索出包含t2 的事務(wù),生成a2；······搜索出包含tk 的事務(wù),生成ak；2)生成新格式的數(shù)據(jù)庫為A(a1?ak),將Num 小于p 的項(xiàng)去掉以實(shí)現(xiàn)數(shù)據(jù)庫的簡(jiǎn)化；3)計(jì)算a1 和a2 的交集,若交集中的項(xiàng)目數(shù)小于p則舍去.以此類推分別計(jì)算a1 和a3,a1 和a4,···,a1 和ak 的交集；a2 和a3,a2 和a4,···,a2 和ak 的交集；····ak?1 和ak 的交集,保留的事務(wù)生成新的事務(wù)集B(b1?bk)；4)計(jì)算出與存儲(chǔ)的事務(wù)集對(duì)應(yīng)的項(xiàng)目集Bi∪Bj,并存儲(chǔ)為新的項(xiàng)目集；5)將新項(xiàng)目集整理即可得頻繁二項(xiàng)集,重復(fù)3),4)兩步,再去掉重復(fù)的事務(wù)集和項(xiàng)目集,就可得到頻繁三項(xiàng)集與頻繁四項(xiàng)集.6)檢查結(jié)果,重復(fù)上述步驟,得到更多的頻繁項(xiàng)集.

2.4 改進(jìn)的Apriori 算法與原算法對(duì)比實(shí)驗(yàn)

(1)實(shí)驗(yàn)1

對(duì)同一組數(shù)據(jù)分別用原算法和改進(jìn)算法在不同的最小支持度下計(jì)算其算法用時(shí),其中最小支持度分別為0.1、0.2、0.3,同時(shí)保持置信度為0.6.此次使用的數(shù)據(jù)規(guī)格是100 條記錄,4 個(gè)屬性.得到的結(jié)果如圖2所示.

圖2 原算法與改進(jìn)算法不同支持度下用時(shí)對(duì)比圖

從這個(gè)實(shí)驗(yàn)可以看出改進(jìn)的算法在不同支持度下性能都比較穩(wěn)定,而原算法只有在支持度比較高時(shí)性能才稍好；同時(shí)改進(jìn)算法的每次用時(shí)都比原算法少一個(gè)數(shù)量級(jí).

(2)實(shí)驗(yàn)2

本實(shí)驗(yàn)分別使用原算法和改進(jìn)算法在不同數(shù)據(jù)量下計(jì)算其用時(shí).此次使用的數(shù)據(jù)規(guī)格分別是：10 條記錄,4 個(gè)屬性；100 條記錄,4 個(gè)屬性；200 條記錄,4 個(gè)屬性,保證最小支持度為0.1,最小置信度為0.6；兩種算法用時(shí)如圖3所示.

圖3 原算法與改進(jìn)算法不同數(shù)據(jù)量用時(shí)對(duì)比圖

從這個(gè)實(shí)驗(yàn)可以看出,在數(shù)據(jù)量增加的情況下,原算法用時(shí)增加比較明顯,而改進(jìn)算法的用時(shí)基本沒有變化；同時(shí)改進(jìn)算法的每次用時(shí)都比原算法少一個(gè)數(shù)量級(jí).

綜合兩個(gè)實(shí)驗(yàn)可以看出,本文提出的改進(jìn)Apriori算法在復(fù)雜度和用時(shí)上均優(yōu)于原算法,在不同的支持度和數(shù)據(jù)量下均能保持良好性能.

3 數(shù)據(jù)及離散化處理

3.1 路面數(shù)據(jù)來源LTPP

路面長(zhǎng)期使用性能研究計(jì)劃(LTPP)是北美知名的公路研究計(jì)劃之一,它對(duì)世界各國道路質(zhì)量的提升和路面的研究提供的數(shù)據(jù)支持.研究人員使用各種路面類型的標(biāo)準(zhǔn)數(shù)據(jù)收集程序和協(xié)議來收集路面性能數(shù)據(jù).本文數(shù)據(jù)就是來源于LTPP 數(shù)據(jù)庫.

在LTPP 數(shù)據(jù)庫中提取并進(jìn)行清洗處理得到州代號(hào)為50 的州2019年的每日車轍深度、溫度和降水量的數(shù)據(jù)再以月份為單位進(jìn)行平均得到月度數(shù)據(jù),如表1所示.

在數(shù)據(jù)庫中提取并清洗得到同一地方2008年到2019年4380 天的車流量、平均溫度和降水量的數(shù)據(jù),然后以年為單位對(duì)每年的數(shù)據(jù)進(jìn)行平均得到路面平整度和其影響因素(年平均日交通量(AADTT)和年平均溫度以及年總降雨量)的數(shù)據(jù)如表2.

表1 車轍深度與影響因素?cái)?shù)據(jù)

表2 路面平整度及其影響因素

3.2 數(shù)據(jù)離散化

由于本文使用的數(shù)據(jù)數(shù)據(jù)量較大且復(fù)雜,為了簡(jiǎn)化數(shù)據(jù)結(jié)構(gòu)通常需要使用數(shù)據(jù)離散化技術(shù)對(duì)數(shù)據(jù)進(jìn)行離散化處理.連續(xù)數(shù)據(jù)的離散化就是將數(shù)據(jù)值域劃分為若干個(gè)離散的區(qū)間,之后用不同的符號(hào)代表落在每個(gè)子區(qū)間中的屬性值.數(shù)據(jù)挖掘中使用離散化后的數(shù)據(jù)得到的結(jié)果更加的簡(jiǎn)便、緊湊、準(zhǔn)確,也更加方便被我們使用和重用[11-13].本文使用K-means 算法對(duì)數(shù)據(jù)進(jìn)行離散化處理,處理流程如圖4.

圖4 K-means 算法離散化數(shù)據(jù)流程

對(duì)于一個(gè)數(shù)據(jù)點(diǎn)Xi的輪廓系數(shù)計(jì)算方法：

其中,S(i)為輪廓系數(shù),a(i)表示數(shù)據(jù)點(diǎn)Xi到同一簇內(nèi)其他數(shù)據(jù)點(diǎn)不相似程度的平均值,b(i) 表示數(shù)據(jù)點(diǎn)Xi到其他簇的平均不相似程度的最小值,a(i)、b(i)的計(jì)算方法：

a(i)=average(數(shù)據(jù)點(diǎn)Xi到所有它屬于的簇中其它點(diǎn)的距離)

b(i)=min (數(shù)據(jù)點(diǎn)Xi到所有其他簇的點(diǎn)的平均距離)

輪廓系數(shù)越大表示數(shù)據(jù)聚類的效果越好.

以下以車轍深度數(shù)據(jù)以及其影響因素的離散化為例,對(duì)車轍深度數(shù)據(jù)以及影響因素計(jì)算輪廓系數(shù)結(jié)果如圖5.

圖5 不同K 值下車轍深度及其影響因素輪廓系數(shù)

通過對(duì)比可得,對(duì)于這3 種數(shù)據(jù),在K=3 時(shí)輪廓系數(shù)均達(dá)到最大值,此時(shí)每種數(shù)據(jù)的聚類效果達(dá)到最佳.對(duì)車轍深度數(shù)據(jù)基于參數(shù)K=3 進(jìn)行離散化處理結(jié)果如圖6.

圖6 車轍深度數(shù)據(jù)離散化結(jié)果圖

由車轍數(shù)據(jù)離散化結(jié)果圖可將車轍深度數(shù)據(jù)分為3 類.用L1、L2 和L3 表示第1 類、第2 類和第3 類.L1的聚類中心為[0.925,1],L2 的聚類中心為[4.45,1],L3 的聚類中心為[11.13,1],3 個(gè)等級(jí)的案例數(shù)分別為6,4,2.

對(duì)車轍深度數(shù)據(jù)基于參數(shù)K=3 進(jìn)行離散化處理,結(jié)果如圖7.

由平均溫度數(shù)據(jù)離散化結(jié)果圖可將平均溫度數(shù)據(jù)分為3 類.用T1 和T2 和T3 分別表示第1 類、第2類和第3 類.T1 的聚類中心為[3.1,1],T2 的聚類中心為[13.76,1],T3 的聚類中心為[23.775,1],3 個(gè)等級(jí)的案例數(shù)分別為3,5,4.

圖7 平均溫度數(shù)據(jù)離散化結(jié)果圖

對(duì)降水量數(shù)據(jù)基于參數(shù)K=3 進(jìn)行離散化處理,結(jié)果如圖8.

圖8 降水量數(shù)據(jù)離散化結(jié)果圖

由降水量離散化結(jié)果圖可將降水量數(shù)據(jù)分為3 類.用E1、E2、E3 分別表示第1 類、第2 類和第3 類.E1 的聚類中心為[67.93,1],E2 的聚類中心為[139.98,1],E3 的聚類中心為[198.08,1],3 個(gè)等級(jí)的案例數(shù)分別為4,4,4.

將以上3 種數(shù)據(jù)的離散化結(jié)果整理如表3.

表3 車轍深度數(shù)據(jù)及其影響因素離散化匯總表

同理使用同樣的方法分別對(duì)平整度及其影響因素進(jìn)行K值確定和離散化處理.將年平均日交通量分為3 個(gè)等級(jí)M1、M2、M3,將路面平整度分為4 個(gè)等級(jí)N1、N2、N3、N4,將年平均溫度分為5 個(gè)等級(jí)P1、P2、P3、P4、P5,將年總降水量分為4 個(gè)等級(jí)O1、O2、O3、O4,其中等級(jí)越大表示程度越高或越嚴(yán)重,可以得到表4.

表4 平整度及其影響因素離散化匯總表

4 基于改進(jìn)Apriori 算法的路面狀況影響因素關(guān)聯(lián)規(guī)則挖掘

4.1 環(huán)境因素與路面車轍深度關(guān)聯(lián)規(guī)則挖掘

利用改進(jìn)的Apriori 算法取最小支持度min-sup為10%,最小置信度min-con為60%,首先進(jìn)行環(huán)境因素?cái)?shù)據(jù)和路面車轍深度數(shù)據(jù)的關(guān)聯(lián)規(guī)則挖掘[14].使用改進(jìn)的Apriori 算法處理離散化數(shù)據(jù)可以得到各個(gè)頻繁項(xiàng)集和其對(duì)應(yīng)的支持度和置信度如表5.

表5 各個(gè)頻繁項(xiàng)集和其對(duì)應(yīng)的支持度

強(qiáng)關(guān)聯(lián)規(guī)則如表6.

將表6結(jié)果轉(zhuǎn)化成柱狀圖如圖9.

表6 置信度大于最小置信度的強(qiáng)關(guān)聯(lián)規(guī)則

圖9 強(qiáng)關(guān)聯(lián)規(guī)則支持度和置信度柱狀圖

針對(duì)上述實(shí)驗(yàn)結(jié)果.在本文的研究中路面狀況是因變量,而影響因素則是對(duì)目標(biāo)造成影響的自變量.所以在環(huán)境影響因素與路面車轍的關(guān)聯(lián)規(guī)則挖掘中,應(yīng)該以車轍的深度作為分析的目標(biāo)函數(shù),在上述支持度和置信度都滿足條件的強(qiáng)關(guān)聯(lián)規(guī)則中篩選出以車轍深度作為目標(biāo)的關(guān)聯(lián)規(guī)則如表7.

表7 強(qiáng)關(guān)聯(lián)規(guī)則

針對(duì)上述3 則強(qiáng)關(guān)聯(lián)規(guī)則,根據(jù)前文規(guī)定的車轍等級(jí)：等級(jí)1 為輕微的車轍問題,等級(jí)2 為一般的車轍問題,等級(jí)3 為嚴(yán)重的車轍問題.對(duì)于溫度等級(jí)1 為低溫,等級(jí)2 為溫度一般,等級(jí)3 為高溫情況；對(duì)于降水量等級(jí)一為降水量稀少,等級(jí)2 為降水量一般,等級(jí)3 為降水量嚴(yán)重.

分析以上強(qiáng)關(guān)聯(lián)規(guī)則,可以得出如下結(jié)論：

規(guī)則1.當(dāng)某地降溫度為T2 等級(jí)即處于[11.6,15.8]范圍時(shí)相對(duì)容易出現(xiàn)L1 輕微情況的車轍問題.

規(guī)則2.當(dāng)某地降水量為E3 等級(jí)即處于[179.6,218.9]時(shí),路面容易也很出現(xiàn)輕微的車轍問題.

規(guī)則3.當(dāng)某地降水量為E3 等級(jí)即處于[179.6,218.9]時(shí),同時(shí)溫度為T2 等級(jí)即處于[11.6,15.8]時(shí),更容易出現(xiàn)L1 等級(jí)的輕微車轍問題.也就是當(dāng)降水量為E3 時(shí),輕微的車轍問題更容易在溫度為[11.6,15.8]之間發(fā)生.或者當(dāng)溫度為T2 等級(jí)即[11.6,15.8]時(shí),輕微的車轍問題更容易在降水量為[179.6,218.9]的地方發(fā)生.

4.2 環(huán)境交通因素對(duì)路面平整度關(guān)聯(lián)規(guī)則挖掘

利用改進(jìn)的Apriori 算法取最小支持度min-sup為20%,最小置信度min-con為60%,進(jìn)行影響因素和路面平整度數(shù)據(jù)的關(guān)聯(lián)規(guī)則挖掘.得到各個(gè)頻繁項(xiàng)集和其對(duì)應(yīng)的支持度和置信度如表8.

表8 頻繁多項(xiàng)集

其中的強(qiáng)關(guān)聯(lián)規(guī)則如表9.

將表9結(jié)果轉(zhuǎn)化成柱狀圖如圖10.

表9 滿足最小支持度的關(guān)聯(lián)規(guī)則及其置信度

圖10 強(qiáng)關(guān)聯(lián)規(guī)則支持度和置信度柱狀圖

根據(jù)因變量為N 可以篩選出強(qiáng)關(guān)聯(lián)規(guī)則如表10.

表10 強(qiáng)關(guān)聯(lián)規(guī)則及其置信度和支持度

規(guī)則1 和規(guī)則2 是關(guān)于N1 的強(qiáng)關(guān)聯(lián)規(guī)則.根據(jù)前文等級(jí)設(shè)定,規(guī)則1 說明當(dāng)年平均日交通量為M1(輛)等級(jí)即處于[540,810]之間時(shí)容易出現(xiàn)N1 等級(jí)輕微情況的路面平整度問題.規(guī)則2 說明當(dāng)年平均溫度(℃)為P3 等級(jí)即處于[16.8,17.4]相對(duì)較低的溫度時(shí),路面易出現(xiàn)輕微的平整度問題.

規(guī)則3 和規(guī)則4 是關(guān)于兩條關(guān)于N2 的關(guān)聯(lián)規(guī)則,規(guī)則3 說明當(dāng)年平均日交通量(輛)為M2 即處于[1300,1550]相對(duì)較高時(shí),路面更容易出現(xiàn)N2 等級(jí)的一般的平整度問題.規(guī)則4 說明在年平均溫度(℃)為P3 等級(jí)即處于[16.8,17.4]相對(duì)較低的溫度時(shí),在平均日交通量(輛)為M2 即處于[1300,1550]的路面更易出現(xiàn)一般的平整度問題.

4.3 道路養(yǎng)護(hù)管理建議

根據(jù)以上分析結(jié)果,結(jié)合我國現(xiàn)狀提出幾點(diǎn)合理的養(yǎng)護(hù)管理建議：

1)在對(duì)于不同氣候條件的地方可以采取不同的措施來預(yù)防養(yǎng)護(hù)路面的破損情況.如當(dāng)氣溫較高時(shí)可以適當(dāng)?shù)貫⑺禍貋斫档吐访鏈囟?降水量較大時(shí)可以適當(dāng)?shù)厝椭潘?

2)加強(qiáng)對(duì)交通流量大的路段的日常保養(yǎng),及時(shí)修復(fù)損壞部分,使公路及其沿線設(shè)施的各部分均保持完好、整潔、美觀,保障行車安全、舒適、暢通.

3)采取正確的工程技術(shù)措施,周期性地進(jìn)行大中修,延長(zhǎng)公路的服役年限,以節(jié)省資金.

4)對(duì)原標(biāo)準(zhǔn)過低或留有缺陷的路線、構(gòu)造物、路面結(jié)構(gòu)、沿線設(shè)施進(jìn)行改善和補(bǔ)建,逐步提高公路的使用質(zhì)量、服務(wù)水平和抗災(zāi)能力.

5)無論是關(guān)于道路修補(bǔ)的原材料,還是施工的技術(shù)都應(yīng)加強(qiáng)監(jiān)督力度,同時(shí)對(duì)于路面的檢測(cè)驗(yàn)收也要嚴(yán)格采用國際統(tǒng)一標(biāo)準(zhǔn).

5 總結(jié)

本文首先探討了路線損壞情況的主要影響因素,針對(duì)Apriori 算法耗時(shí)及復(fù)雜度高的缺點(diǎn),提出一種不產(chǎn)生候選集的方法來產(chǎn)生頻繁集的改進(jìn)Apriori 算法,通過對(duì)比實(shí)驗(yàn)證明,改進(jìn)的算法在不同情況下都能保持良好的性能.之后使用改進(jìn)的算法對(duì)路面損壞情況指標(biāo)及其影響因素進(jìn)行關(guān)聯(lián)分析,得到之間的強(qiáng)關(guān)聯(lián)規(guī)則,基于強(qiáng)關(guān)聯(lián)規(guī)則得出不同環(huán)境下路面損壞情況的主要影響因素.相比于傳統(tǒng)的分析方法,本文使用的關(guān)聯(lián)規(guī)則算法不僅能夠?qū)β访鏍顩r的影響因素進(jìn)行定性分析而且能夠定量地指出在不同情況下路面出現(xiàn)不同損壞情況的可能性,能夠?qū)β访骛B(yǎng)護(hù)提供科學(xué)可靠的支持,可為路面養(yǎng)護(hù)部門提供合理的養(yǎng)護(hù)建議與數(shù)據(jù)支撐.