面向路面使用性能的公路養(yǎng)護決策方法

吳偉迪 張德津 王照遠 王 毅 何 莉

1(湖北工業(yè)大學電氣與電子工程學院 湖北 武漢 430068) 2(深圳大學機電與控制工程學院 廣東 深圳 518061)

0 引 言

“要想富，先修路”，為了促進經(jīng)濟的快速發(fā)展，近年來，我國公路事業(yè)建設(shè)取得了巨大進展。截至2018年年末，全國公路總里程達到484.65萬公里，其中養(yǎng)護公路里程達到475.78萬公里，占總公路里程的98.2%，目前，我國已經(jīng)進入一個大規(guī)模公路養(yǎng)護時代，公路養(yǎng)護工作已經(jīng)成為當前公路事業(yè)的重心[1]。養(yǎng)護決策通?？梢悦嫦蛸Y金、公路使用年限或路面使用性能來制定[2]。面向資金是在保證正常行車的前提下，以養(yǎng)護資金最小化為目標優(yōu)化養(yǎng)護方案，但是如果養(yǎng)護標準較低，路面會損壞較快。面向公路使用年限則是根據(jù)公路的服務時間，定時對路面進行養(yǎng)護，但材料不同且外界影響因素如交通量和承受荷載不一樣，損壞的速度差異大，定時養(yǎng)護公路不合理。面向路面使用性能則以公路使用性能指標最優(yōu)制定養(yǎng)護決策，能更好地結(jié)合路面狀況選擇合理的養(yǎng)護方案，從而延長公路使用壽命，保障服務水平和行車安全。在實際決策中，資金是有限的，在以提升路面使用性能為目標的同時考慮資金等其他約束，建立信息化、智能化的公路養(yǎng)護決策系統(tǒng)才能為公路養(yǎng)護提供科學有效的決策支持。

公路養(yǎng)護決策過程包括路面使用性能預測和養(yǎng)護方案優(yōu)化。本文通過對歷史數(shù)據(jù)進行分析選取適合的路面使用性能影響因素，基于最小二乘支持向量機(LSSVM)理論建立預測模型，并綜合分析養(yǎng)護決策中的約束和目標條件建立多目標決策模型。針對多目標決策優(yōu)化問題，采用離散粒子群算法(PSO)求解多目標養(yǎng)護決策模型。以VS2013為開發(fā)平臺，SQL SEVER為數(shù)據(jù)庫，設(shè)計并開發(fā)基于B/S架構(gòu)的公路養(yǎng)護決策系統(tǒng)，使養(yǎng)護決策更加智能化、科學化，保障公路的服務水平。

1 路面使用性能預測模型

在公路的使用壽命期間，受到交通量、溫度、降雨等因素的不斷影響，其路面使用性能會持續(xù)衰減。在制定未來的養(yǎng)護方案時，需要依據(jù)路面使用性能指標，因此需要建立預測模型來預測一定條件下未來的路面使用性能指標，為養(yǎng)護方案決策提供數(shù)據(jù)支持。通常來說，路面使用性能指標的預測是對路面損壞(PCI)、路面行駛質(zhì)量(RQI)、路面車轍(RDI)、路面抗滑性能(SRI)這四項指標進行預測。路面性能指標預測模型大致可以分為確定型和概率型兩類模型。確定型模型根據(jù)給定條件求出唯一確定的預測結(jié)果，常見的確定型模型有力學預測模型、經(jīng)驗回歸預測模型等；概率型模型則是對指標的狀態(tài)分布進行預估，常見有馬爾可夫模型、半馬爾可夫模型及殘存曲線模型等[3]。近年來，人工智能技術(shù)如人工神經(jīng)網(wǎng)絡與專家系統(tǒng)等也被廣泛應用于路面使用性能的預測中。在實際應用中，由于歷史指標數(shù)據(jù)的缺失，以及影響因素與路面使用性能間的非線性關(guān)系導致預測模型建立難度大、計算復雜、泛化能力差，預測結(jié)果達不到預期的效果。

1.1 LSSVM及其訓練參數(shù)

支持向量機是一種由Vapnik[4]依據(jù)統(tǒng)計學理論提出的一種新型機器學習方法。支持向量機以結(jié)構(gòu)風險最小化策略為基礎(chǔ)，間隔最大化為學習策略，能夠用于分類和回歸問題，并且通過核函數(shù)技術(shù)能夠?qū)⒌途S空間不可分的樣本映射到高維空間，從而解決樣本數(shù)量少、維數(shù)高的非線性問題。最小二乘支持向量機在原基礎(chǔ)上進行簡化，以等式作為其約束條件，并采用了不同的決策函數(shù)，從而在原基礎(chǔ)上節(jié)約了運算成本[5]。

支持向量機的基本原理是通過非線性映射函數(shù)φ(·)將輸入空間Rd中的樣本映射到特征空間φ(x)=(φ1(x),φ2(x),…,φn(x))。最小二乘支持向量機函數(shù)為：

f(x)=ωTφ(xk)+b+ek

(1)

式中：φ為法向量，ω∈Rd；b為位移項，b∈R；ek為誤差，ek∈R；xk∈R為訓練樣本，k=1,2,…,n。根據(jù)結(jié)構(gòu)風險最小原則，并引入最小二乘法，式(1)必須滿足:

(2)

式中:ek為誤差;C為懲罰因子。使用拉格朗日法，式(2)可改寫為：

(3)

式中:ak(k=1,2,…,n)為拉格朗日因子。

通過令式(3)中4個參數(shù)的偏導數(shù)為0，消除參數(shù)ω和e后，得到式(4)的線性方程組：

(4)

式中：y=[y1,y2,…,ym]；1=[1,1,…,1]；a=[a1,a2,…,am]；I為n×n的單位矩陣;Ω為方陣，Ωij=φ(xi)Tφ(xi)。通過求解可以得到最小二乘支持向量機的回歸模型：

(5)

式中：核函數(shù)K(x,xi)為滿足Mercer條件的任意對稱函數(shù)，常用的核函數(shù)主要包括線性函數(shù)、徑向基函數(shù)及多項式函數(shù)等[6]。核函數(shù)的選擇直接影響最小二乘支持向量機的預測精度，由于徑向基核函數(shù)參數(shù)少，且通過調(diào)控參數(shù)能夠保證高斯核的靈活性，因此本文選取高斯徑向基核函數(shù)作為LSSVM模型中的核函數(shù)。

確定了核函數(shù)之后，可以看到預測模型中核函數(shù)參數(shù)σ與懲罰因子C是主要影響模型預測精度的參數(shù)，為了保證參數(shù)選擇合理，本文采用粒子群算法(PSO)來對參數(shù)σ和C進行尋優(yōu)選擇，從而保證模型的預測精度。

粒子群算法是一種模擬鳥群覓食行為的迭代搜索算法，相較其他尋優(yōu)算法，粒子群算法具有參數(shù)少、編碼簡單、收斂速度快等優(yōu)點[7]。PSO流程如下：

1) 初始化粒子群，設(shè)定種群規(guī)模、最大迭代次數(shù)、最大最小速度等參數(shù)，隨機產(chǎn)生初始位置和初始速度。

2) 根據(jù)設(shè)定的適應度函數(shù)計算各粒子適應度值。

3) 更新個體極值和全局極值。

4) 迭代搜索，按照公式更新粒子速度和位置。

5) 滿足迭代終止條件或者達到最大迭代次數(shù)，符合則輸出全局最優(yōu)解，否則返回步驟2)。

1.2 基于PSO-LSSVM的路面性能指標預測

1) 基于累加法的數(shù)據(jù)處理。建立路面使用性能預測模型前需要分析影響路面使用性能指標的因素。路面使用性能影響因素可以分為內(nèi)部因素和外部因素，內(nèi)部因素包括面層類型、面層厚度和路面材料特性等，外部因素主要包括溫度、濕度、交通量、荷載和公路排水能力等[8]。

在建立模型時不可能把所有影響因素都作為輸入變量，有些影響因素數(shù)據(jù)如公路排水能力等難以收集，而且影響因素過多時會導致模型較為復雜難以開發(fā)和應用。為了確保選取的影響因素與路面使用性能指標的關(guān)聯(lián)性，本文通過灰色關(guān)聯(lián)法分析各因素與指標之間的關(guān)聯(lián)度來對影響因素進行選取。受限于數(shù)據(jù)采集等原因，選取了交通量、溫度、濕度作為分析的影響因素，分別采用年平均交通量、年平均氣溫、年平均降水量表示。在數(shù)據(jù)處理上，由于公路在進行修建、重建或大修后性能指標基本為最好狀態(tài)?？紤]各影響因素是常年累積對路面使用性能進行損害，而路齡是表征道路修建、重建或大修后到現(xiàn)在的時間，因此本文提出一種累加法對各年影響因素數(shù)據(jù)由路齡為1年開始進行累加，而且這樣累加還能弱化影響因素的隨機性。對以上影響因素進行累加后與路面使用性能進行灰色關(guān)聯(lián)度分析，結(jié)果表明交通量、溫度、濕度與各指標的關(guān)聯(lián)度都大于0.5，因此將各年影響因素進行累加作為預測模型的輸入變量。

2) PSO優(yōu)化LSSVM預測模型。利用PSO優(yōu)化LSSVM模型實現(xiàn)對路面使用性能進行預測的步驟如下：

(1) 對歷史數(shù)據(jù)進行預處理，構(gòu)造數(shù)據(jù)集，并分為訓練集和測試集。

(2) 設(shè)定參數(shù)σ和C范圍，初始化粒子群參數(shù)，以參數(shù)σ和C作為粒子的兩個維度，訓練預測模型，輸出預測結(jié)果。

(3) 以每次預測結(jié)果的均方差作為粒子群的適應度函數(shù)，通過比較選擇出個體最優(yōu)和全局最優(yōu)值，更新粒子速度和位置。

(4) 反復迭代至滿足結(jié)束條件時將最優(yōu)參數(shù)結(jié)果代入LSSVM模型。

(5) 利用確定參數(shù)的LSSVM預測模型對路面使用性能進行預測。

1.3 模型驗證

本文選取某路段2012年至2018年共7年P(guān)CI指標數(shù)據(jù)作為輸出變量，該路段在2011年完成重建，性能指標基本恢復到最好狀態(tài)，選取交通量、溫度、濕度的累加值作為輸入變量，以2012年至2016年數(shù)據(jù)作為訓練樣本，2017年至2018年數(shù)據(jù)作為測試樣本，具體數(shù)據(jù)如表1所示，其中AADT表示年平均日交通量。

表1 某路段統(tǒng)計數(shù)據(jù)值

利用MATLAB環(huán)境下的LS-SVMlabv1.8工具箱對模型進行仿真實驗。為了消除數(shù)據(jù)之間量綱不同帶來的影響，首先對數(shù)據(jù)進行歸一化處理，然后對粒子群參數(shù)進行初始化設(shè)置，在參數(shù)設(shè)置中種群規(guī)模過大會降低效率，增加復雜度，過小則搜索容易陷入局部收斂，一般取20～50即可，對于較復雜或特定情況下可以取至100～200；最大迭代次數(shù)設(shè)置過大時會導致運算時間過長，過小則造成搜索能力不足。由于本實驗中粒子僅有兩個維度，搜索空間較小，因此設(shè)置種群規(guī)模為20，最大迭代次數(shù)為200。利用測試集的預測值的均方差作為粒子群的適應度函數(shù)進行參數(shù)尋優(yōu)，得到最優(yōu)參數(shù)分別為σ=8.11、C=864.89。粒子群尋優(yōu)過程中適應度值隨迭代次數(shù)的變化曲線如圖1所示，將最優(yōu)參數(shù)賦給LSSVM進行預測，結(jié)果與原始PCI指標值的對比如圖2所示。

圖1 PSO尋優(yōu)的適應度值變化曲線

圖2 PSO-LSSVM模型預測值與真實值對比

為驗證本文預測模型的適用性，將本模型預測結(jié)果分別與傳統(tǒng)最小二乘支持向量機、網(wǎng)格參數(shù)尋優(yōu)的支持向量機、BP神經(jīng)網(wǎng)絡模型的預測結(jié)果進行對比，各模型預測結(jié)果及平均絕對百分比誤差(MAPE)如表2所示。可以看出PSO優(yōu)化的最小二乘支持向量機預測模型對于路面指標的預測結(jié)果相比參比模型的平均相對誤差值都要小，表明適合用于路面指標性能的衰減預測中。

表2 各模型預測結(jié)果

2 面向路面使用性能的養(yǎng)護決策模型

經(jīng)過預測模型對路面性能指標進行預測后得到路面使用性能指標值，再結(jié)合決策樹進行需求分析即可得到路段對應養(yǎng)護措施。但是在目前養(yǎng)護項目繁多、資金短缺的情況下，無法滿足所有養(yǎng)護需求，所以需要充分考慮養(yǎng)護決策中的各方面因素，結(jié)合數(shù)據(jù)分析以及數(shù)學模型等，制定合理的養(yǎng)護方案，確保公路服務水平，延長使用壽命。

2.1 多目標養(yǎng)護決策模型

公路養(yǎng)護決策是為了在規(guī)劃期內(nèi)確定路網(wǎng)的全局養(yǎng)護方案，最終養(yǎng)護方案的選取應該綜合考慮養(yǎng)護后路況、養(yǎng)護投資效益和養(yǎng)護費用之間的關(guān)系。對于管養(yǎng)部門而言，資金是養(yǎng)護決策的最主要限制條件，而養(yǎng)護質(zhì)量和投資效益的最大化是目標，據(jù)此本文構(gòu)建多目標養(yǎng)護決策模型。

目標函數(shù)：

(6)

(7)

(8)

約束條件：

(9)

(10)

式中：Z1表示路網(wǎng)整體路面綜合使用性能(PQI)提升總值；Z2表示養(yǎng)護效益總值；Z3表示養(yǎng)護投資費用；Xi表示待養(yǎng)護維修路段，Xi為1或者0,Xi=1表示路段實施養(yǎng)護修復，Xi=0表示路段不進行養(yǎng)護；PQIi代表路段Xi在實施養(yǎng)護修復后的路面使用性能PQI提升值；Ei代表路段Xi實施養(yǎng)護修復帶來的養(yǎng)護效益值；COi代表路段Xi實施養(yǎng)護修復需要投入的養(yǎng)護資金；Tmax代表最大養(yǎng)護預算資金；Pmin表示最低路況提升總值。

養(yǎng)護決策模型求解是一個多目標決策問題，由于多個目標之間存在一定的矛盾關(guān)系，因此不可能存在一個解同時使多個目標達到最優(yōu)，通過多目標優(yōu)化得到的解，并非是一個解，而是一組折中解，即Pareto最優(yōu)解集[9]。為了保證路網(wǎng)使用性能最好、服務水平最高，在最終的Pareto解集中選取路面性能指標提升最大的解為最終解，即為最優(yōu)養(yǎng)護方案。

2.2 離散二進制粒子群算法

粒子群優(yōu)化算法為一種基于群體協(xié)作的啟發(fā)式搜索算法，并且該算法具有收斂速度快、參數(shù)少等優(yōu)點，廣泛應用于尋優(yōu)問題。標準PSO只能在連續(xù)空間進行搜索計算，但是養(yǎng)護方案決策是一種離散問題，需要將標準連續(xù)粒子群算法進行離散化才能用于多目標養(yǎng)護決策模型求解[10-11]。

離散二進制粒子群算法將問題的解以二進制編碼0-1來表示，粒子的位置以離散型來表示，將粒子位置改變的概率作為粒子的運動速度，離散粒子群算法的速度更新公式如下：

vi=wvi+c1r1(pid-xi)+c2r2(pgd-xi)

(11)

式中：vi表示粒子變化的概率；w為慣性權(quán)值；xi表示粒子的位置；c1和c2為學習因子；r1和r2為分布于[0,1]之間的隨機數(shù)；pid和pgd分別表示粒子個體最優(yōu)位置和群體最優(yōu)位置。利用Sigmoid函數(shù)將粒子速度值映射到區(qū)間[0,1]，粒子的位置更新公式如下：

(12)

(13)

粒子在迭代搜索過程中的全局搜索能力和局部搜索能力受慣性權(quán)值w的影響，通過設(shè)置慣性權(quán)值w隨時間線性遞減，能夠增強粒子的搜索能力，即：

w=wmax-i×(wmax-wmin)/Tmax

(14)

式中：i為當前迭代次數(shù)；Tmax為最大迭代次數(shù)；wmax為最大慣性權(quán)值；wmin為最小慣性權(quán)值。由于粒子的初始位置和速度是隨機給定，在迭代過程中粒子可能會超出約束條件，通常采用懲罰函數(shù)法來對約束進行處理。懲罰函數(shù)的形式如下：

(15)

式中：g(x)是約束函數(shù)；ri是約束條件的懲罰系數(shù)。如圖3所示，離散二進制粒子群算法流程如下：

1) 初始化種群規(guī)模、最大迭代次數(shù)等相關(guān)參數(shù)。

2) 計算粒子的適應度值，記錄個體最優(yōu)位置，更新非劣解集和外部檔案集，記錄全局最優(yōu)位置。

3) 按照速度和位置更新公式更新粒子速度和位置。

4) 根據(jù)支配關(guān)系更新個體最優(yōu)位置、非劣解集和外部檔案集，根據(jù)擁擠距離對外部集排序，更新全局最優(yōu)位置。

5) 判斷是否滿足終止條件，滿足則終止計算并輸出結(jié)果，否則轉(zhuǎn)到步驟2)。

圖3 多目標離散粒子群算法流程

2.3 模型驗證

選取文獻[12]中數(shù)據(jù)進行實驗，某公路養(yǎng)護部門根據(jù)需求分析后得到5條需要養(yǎng)護的路段，約束為路況提升總值最低為25，最大可使用養(yǎng)護資金為350萬元。各路段具體數(shù)據(jù)如表3所示。

表3 路段養(yǎng)護數(shù)據(jù)

根據(jù)表3數(shù)據(jù)構(gòu)建的養(yǎng)護決策多目標決策模型。

目標函數(shù)：

maxZ1=100x1+90x2+95x3+120x4+80x5

(16)

maxZ2=10x1+8x2+9x3+11x4+7x5

(17)

maxZ3=8x1+9x2+8x3+9x4+8x5

(18)

約束條件：

100x1+90x2+95x3+120x4+80x5≤350

(19)

8x1+9x2+8x3+9x4+8x5≥25

(20)

根據(jù)上文提出的離散二進制粒子群算法對養(yǎng)護決策多目標問題求解，通過MATLAB進行計算得到結(jié)果如表4所示。

表4 多目標決策結(jié)果

續(xù)表4

可以看出：在花費資金不超過資金約束350萬元時，養(yǎng)護路況提升大于等于25的前提下有9種方案可供管理部門選取，考慮最大化提升路面使用性能的情況下，選擇方案1、方案3和方案6，管理部門可以再次根據(jù)資金充裕程度選擇一個最終方案。結(jié)果顯示，該算法可以快速得出可供選擇的養(yǎng)護方案，便于管理人員根據(jù)實際情況進行決策，通過具體的數(shù)值分析使養(yǎng)護決策更加科學、智能化。

3 公路養(yǎng)護決策系統(tǒng)設(shè)計與實現(xiàn)

為解決公路養(yǎng)護過程中信息更新不及時、決策不合理、管理模式落后的問題，設(shè)計并開發(fā)公路養(yǎng)護決策系統(tǒng)。公路養(yǎng)護決策系統(tǒng)建立的總體目標是管理、分析和處理路段數(shù)據(jù)，通過預測模型預測路面性能的衰減趨勢，根據(jù)決策模型以及設(shè)定參數(shù)得到路段的養(yǎng)護措施以及整體養(yǎng)護方案，同時設(shè)定層級管理，便于各級權(quán)限界定。

3.1 功能模塊設(shè)計

針對系統(tǒng)的設(shè)計目標，系統(tǒng)從功能上主要分為數(shù)據(jù)管理模塊、路面評定模塊、養(yǎng)護決策模塊、系統(tǒng)管理模塊4個功能模塊。

1) 數(shù)據(jù)管理模塊。數(shù)據(jù)管理模塊負責管理多類數(shù)據(jù)的導入、導出、查詢，以及更新等功能。管理的數(shù)據(jù)種類包括：(1) 路面的基礎(chǔ)空間數(shù)據(jù)如路段編碼、車道、起始樁號等；(2) 路面經(jīng)評定后的各項指標數(shù)據(jù)如路面破損(PCI)、路面平整度(RQI)等；(3) 路段的交通量，所在管養(yǎng)單位的年平均溫度、降水量等。

2) 路面評定模塊。路面評定模塊的功能是通過評定模型對路面檢測數(shù)據(jù)進行計算，得到各路面使用性能指標數(shù)據(jù)，為養(yǎng)護決策分析提供數(shù)據(jù)基礎(chǔ)。

3) 養(yǎng)護決策模塊。養(yǎng)護決策模型包含三個子模塊，分別是路面性能預測模塊、需求分析模塊和方案決策模塊。預測模塊根據(jù)預測模型對路面性能指標衰減情況進行分析計算；需求分析模塊根據(jù)預測模塊的計算結(jié)果，結(jié)合決策樹模型匹配得到對應養(yǎng)護措施及養(yǎng)護費用等；最后通過方案決策模塊優(yōu)化得到最優(yōu)養(yǎng)護方案。

4) 系統(tǒng)管理模塊。系統(tǒng)管理模塊主要負責權(quán)限管理以及基礎(chǔ)配置設(shè)置。

3.2 系統(tǒng)架構(gòu)設(shè)計

本系統(tǒng)基于B/S架構(gòu)，用戶通過瀏覽器頁面發(fā)送請求，服務器接收并處理請求，然后將結(jié)果返回到瀏覽器把結(jié)果呈現(xiàn)給用戶[13]。B/S架構(gòu)相較于C/S架構(gòu)在開發(fā)、維護和移植方面有很大優(yōu)越性，把業(yè)務邏輯集中在服務器端，分工合理，大大減輕了客戶端的負載。

系統(tǒng)的總體架構(gòu)分為三層：數(shù)據(jù)層、服務層和應用層[14]。數(shù)據(jù)層主要是由數(shù)據(jù)庫組成，負責存儲和訪問數(shù)據(jù)。服務層連接著Web客戶端和數(shù)據(jù)庫，主要發(fā)布各類接口，包括登錄接口以及各類業(yè)務邏輯操作接口。應用層負責界面顯示以及交互功能，采用Ajax技術(shù)保證在不加載整個頁面的情況下更新數(shù)據(jù)，提高用戶體驗。系統(tǒng)架構(gòu)如圖4所示。

圖4 系統(tǒng)架構(gòu)

3.3 公路養(yǎng)護決策系統(tǒng)實現(xiàn)

在建立了預測模型以及決策模型的基礎(chǔ)上，以.NET Framework為開發(fā)平臺，C#為開發(fā)語言，數(shù)據(jù)庫采用SQL Server，結(jié)合Webservice接口技術(shù)[15]進行軟件開發(fā)，實現(xiàn)公路養(yǎng)護決策系統(tǒng)。

圖5為路面性能指標預測界面，路面指標預測是為了對未來的養(yǎng)護計劃制定提供數(shù)據(jù)支持，選定待分析項目以及分析年限，利用歷史路段數(shù)據(jù)、交通量、溫度、降雨量等影響因素，結(jié)合預測模型對選定路段、選定年限的平整度和抗滑性能等指標進行計算，從而獲得項目路段的性能指標平均衰減趨勢，為養(yǎng)護決策提供數(shù)據(jù)支持。

圖5 路面指標預測界面

養(yǎng)護決策功能是整個養(yǎng)護決策系統(tǒng)的核心，設(shè)置養(yǎng)護資金、路面性能提升等參數(shù)，可以通過決策模型計算出最優(yōu)養(yǎng)護方案，在有限的資金投入的情況下最大化提升路面使用性能，經(jīng)過養(yǎng)護決策后得到最優(yōu)養(yǎng)護方案、養(yǎng)護費用、具體養(yǎng)護措施等，為相關(guān)養(yǎng)護工作提供有力的決策支持。

4 結(jié) 語

本文結(jié)合我國當前公路行業(yè)發(fā)展情況，根據(jù)公路行業(yè)特點和公路養(yǎng)護工作實際需求，以提升路面使用性能、延長公路服務壽命為目的研究了公路養(yǎng)護決策方法。根據(jù)最小二乘支持向量機理論建立路面使用性能預測模型，利用粒子群算法對模型參數(shù)進行尋優(yōu)，確保了預測模型的精確度。然后面向路面使用性能建立了決策模型，并利用離散粒子群算法對多目標決策模型進行求解得到最優(yōu)養(yǎng)護方案。最后基于以上研究設(shè)計開發(fā)了公路養(yǎng)護決策系統(tǒng)，從整體開發(fā)的角度設(shè)計了多個模塊，能夠規(guī)范化、系統(tǒng)化地管理公路養(yǎng)護數(shù)據(jù)并為養(yǎng)護工作提供科學的輔助決策支持，實現(xiàn)了公路養(yǎng)護決策的信息化、科學化和智能化。