高速公路“路網(wǎng)-項(xiàng)目-病害”多層級(jí)路面養(yǎng)護(hù)智能決策方法研究

摘要 在高速公路運(yùn)營(yíng)初期，由于缺乏檢測(cè)及養(yǎng)護(hù)數(shù)據(jù)，導(dǎo)致可以借鑒的高速公路養(yǎng)護(hù)歷史經(jīng)驗(yàn)較少。為了適應(yīng)高速公路瀝青路面在全壽命周期過(guò)程中的不同養(yǎng)護(hù)需求，文章展開(kāi)了高速公路“路網(wǎng)-項(xiàng)目-病害”多層級(jí)路面養(yǎng)護(hù)的智能決策方法研究。首先，基于人工神經(jīng)網(wǎng)絡(luò)算法（ANN），構(gòu)建了瀝青路面檢測(cè)數(shù)據(jù)的清理框架，消除了原始道路檢測(cè)數(shù)據(jù)的異常，提高了原始道路檢測(cè)數(shù)據(jù)的準(zhǔn)確性；然后，通過(guò)引入核函數(shù)進(jìn)行概率密度估計(jì)，并利用核函數(shù)的理念設(shè)計(jì)了深度神經(jīng)網(wǎng)絡(luò)進(jìn)行每個(gè)養(yǎng)護(hù)數(shù)據(jù)的異常評(píng)價(jià)，獲得了正確合理的養(yǎng)護(hù)數(shù)據(jù)，以用于訓(xùn)練高性能的智能養(yǎng)護(hù)決策模型；最后，采納了強(qiáng)化學(xué)習(xí)的思想，建立了一個(gè)瀝青路面全生命周期中養(yǎng)護(hù)方案的決策模型，在未來(lái)的道路養(yǎng)護(hù)工程中具有較好的應(yīng)用前景及實(shí)際工程價(jià)值。

關(guān)鍵詞 高速公路；多層級(jí)；路面養(yǎng)護(hù)；智能決策

中圖分類(lèi)號(hào) U416 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 2096-8949（2025）02-0138-03

0 引言

隨著使用年限的增長(zhǎng)和交通流量的不斷增加，高速公路路面病害問(wèn)題日益凸顯，對(duì)行車(chē)安全、道路使用壽命及養(yǎng)護(hù)成本都帶來(lái)了極大挑戰(zhàn)。傳統(tǒng)的“一刀切”養(yǎng)護(hù)決策模式已經(jīng)難以滿足現(xiàn)代高速公路管理的需要。一方面，由于不同地區(qū)、不同路段的路面狀況、交通流量、氣候條件等因素存在顯著差異，需要制定個(gè)性化的養(yǎng)護(hù)方案；另一方面，隨著大數(shù)據(jù)、人工智能等技術(shù)的快速發(fā)展，為高速公路路面養(yǎng)護(hù)提供了新的思路和方法?；诖?，該文展開(kāi)高速公路“路網(wǎng)-項(xiàng)目-病害”多層級(jí)路面養(yǎng)護(hù)的智能決策方法研究，旨在構(gòu)建一套科學(xué)、高效的高速公路路面養(yǎng)護(hù)智能決策體系，為高速公路管理部門(mén)提供有力的技術(shù)支持和決策參考。

1 基于ANN的高速公路瀝青路面檢測(cè)數(shù)據(jù)清洗框架構(gòu)建

該文以人工神經(jīng)網(wǎng)絡(luò)算法為核心算法，建立檢測(cè)數(shù)據(jù)的清理框架，其構(gòu)建的總體過(guò)程如下：首先，對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行標(biāo)記和分析，以訓(xùn)練整個(gè)ANN網(wǎng)絡(luò)（ANN_A）；然后，消除檢測(cè)到的異常數(shù)據(jù)，并使用訓(xùn)練集中剩余的干凈數(shù)據(jù)訓(xùn)練ANN網(wǎng)絡(luò)（ANN_L）。圖1展示了數(shù)據(jù)清洗框架的總體過(guò)程。

1.1 標(biāo)注數(shù)據(jù)異常

瀝青路面異常數(shù)據(jù)檢測(cè)的關(guān)鍵理論基礎(chǔ)為大數(shù)定律。根據(jù)大數(shù)定律，當(dāng)一組數(shù)據(jù)在相似的條件下被觀測(cè)時(shí)，其數(shù)據(jù)值會(huì)趨向于遵循一個(gè)特定的概率分布，即相似分布。相較于傳統(tǒng)的手動(dòng)去除異常值方法，基于大數(shù)定律的自動(dòng)化清洗過(guò)程則通過(guò)統(tǒng)計(jì)分析和計(jì)算識(shí)別并處理異常值，具有更高的客觀性和可靠性。為了有效應(yīng)用大數(shù)定律進(jìn)行異常檢測(cè)，首先需要明確并界定檢測(cè)點(diǎn)的相似狀態(tài)。

在路面檢測(cè)數(shù)據(jù)的多個(gè)影響因素中，其中的部分因素以連續(xù)變量的形式呈現(xiàn)；另外一部分因素則以離散變量的形態(tài)出現(xiàn)，其值通常固定且離散。對(duì)于連續(xù)性影響因素，如時(shí)間，由于其具有連續(xù)不斷的特性，因此需設(shè)定一個(gè)明確的閾值或范圍對(duì)其進(jìn)行分類(lèi)，以便在數(shù)據(jù)分析中識(shí)別出異常情況。然而，在處理諸如道路結(jié)構(gòu)這樣的離散變量時(shí)，可以直接根據(jù)已知、離散的取值對(duì)其進(jìn)行分類(lèi)，從而更精確地識(shí)別出檢測(cè)數(shù)據(jù)中的異常情況。當(dāng)面臨樣本不足的情況時(shí)，可以根據(jù)路基承受荷載和變形時(shí)的機(jī)械性能表現(xiàn)對(duì)道路結(jié)構(gòu)進(jìn)行分類(lèi)，如剛性路基、柔性路基等。

設(shè)樣本總數(shù)為（N），因子種類(lèi)為（k），且每個(gè)因子（i）[其中（i）從（1）到（k）]具有不同的類(lèi)別數(shù)ci（i=1，2，……，k）。通過(guò)考慮樣本總數(shù)、因子種類(lèi)及其類(lèi)別數(shù)，計(jì)算這些因素的所有組合，即可計(jì)算得出檢測(cè)數(shù)據(jù)點(diǎn)的所有狀態(tài)類(lèi)型。然后，采用高斯分布對(duì)不同狀態(tài)下的檢測(cè)數(shù)據(jù)進(jìn)行擬合，根據(jù)置信區(qū)間確定數(shù)據(jù)的異常程度，具體異常程度水平如表1所示：

1.2 異常數(shù)據(jù)檢測(cè)

該文基于深度人工神經(jīng)網(wǎng)絡(luò)（ANN_A）構(gòu)建用于數(shù)據(jù)異常檢測(cè)的高級(jí)模型。該模型采用多級(jí)特征融合結(jié)構(gòu)，在特征輸入層，ANN_A接收包含7個(gè)不同維度的特征張量（如圖2所示）；在輸出層，模型則采用四類(lèi)別的One-Hot編碼表示數(shù)據(jù)的異常級(jí)別。

1.3 插值缺失數(shù)據(jù)

針對(duì)丟失數(shù)據(jù)的處理，該文采用基于深度人工神經(jīng)網(wǎng)絡(luò)（ANN_L）構(gòu)建的插值模型。區(qū)別于上文用于數(shù)據(jù)異常檢測(cè)的ANN_A網(wǎng)絡(luò)結(jié)構(gòu)，ANN_L主要執(zhí)行擬合任務(wù)，即根據(jù)給定的影響因素預(yù)測(cè)和生成相應(yīng)的檢測(cè)值，而ANN_A則主要完成異常類(lèi)別的分類(lèi)，且ANN_L的輸出是一個(gè)數(shù)字。

1.4 整體清洗框架

整個(gè)數(shù)據(jù)清洗流程在原始數(shù)據(jù)訓(xùn)練的基礎(chǔ)上進(jìn)行。首先，通過(guò)運(yùn)用前文所述預(yù)先訓(xùn)練好的ANN_A網(wǎng)絡(luò)，對(duì)原始數(shù)據(jù)集中的每個(gè)數(shù)據(jù)點(diǎn)進(jìn)行計(jì)算和評(píng)估，識(shí)別出潛在的離群點(diǎn)或異常值。根據(jù)數(shù)據(jù)點(diǎn)異常概率，消除或修正異常數(shù)據(jù)，如基于閾值進(jìn)行篩選或直接替換為插值數(shù)據(jù)。接著，利用ANN_A對(duì)經(jīng)過(guò)初步清理的數(shù)據(jù)集進(jìn)行再次處理，通過(guò)識(shí)別并移除不符合數(shù)據(jù)整體分布或具有異常特征的數(shù)據(jù)點(diǎn)，從而實(shí)現(xiàn)數(shù)據(jù)清洗的深化和精細(xì)化。最后，為了驗(yàn)證數(shù)據(jù)清洗的效果和評(píng)估數(shù)據(jù)質(zhì)量，再次運(yùn)用ANN_A網(wǎng)絡(luò)對(duì)清洗后的數(shù)據(jù)進(jìn)行異常計(jì)算，確保在數(shù)據(jù)清洗過(guò)程中沒(méi)有引入新的異?；蜻z漏原有的異常。數(shù)據(jù)集的清潔度表示為λs，其計(jì)算公式如下：

將清潔度閾值設(shè)置為0.96，當(dāng)經(jīng)過(guò)數(shù)據(jù)清洗后的λs＞0.96時(shí)，清洗結(jié)束；否則，將再次執(zhí)行該過(guò)程。

2 基于ANN的高速公路養(yǎng)護(hù)歷史數(shù)據(jù)的質(zhì)量評(píng)價(jià)模型

標(biāo)準(zhǔn)維護(hù)歷史數(shù)據(jù)結(jié)構(gòu)如下：[t時(shí)的路面狀態(tài)，Mamp;R計(jì)劃，t+1時(shí)的路面狀態(tài)]。該文將Mamp;R計(jì)劃分為五類(lèi)——大維修、中維修、小維修、預(yù)防性和非維修，對(duì)于Mamp;R計(jì)劃類(lèi)型較多的PMS數(shù)據(jù)庫(kù)，可進(jìn)一步細(xì)分為維修方式和材料。養(yǎng)護(hù)前的道路狀態(tài)以各項(xiàng)性能的檢測(cè)指標(biāo)為特征，將每個(gè)指標(biāo)歸為一類(lèi)，計(jì)算每個(gè)指標(biāo)的置信水平，并計(jì)算所有指標(biāo)的平均置信水平，即保護(hù)歷史數(shù)據(jù)的置信水平。

將維修歷史數(shù)據(jù)分類(lèi)后，計(jì)算維修前后的指標(biāo)差異，并擬合每類(lèi)差異的概率分布函數(shù)。該文將引入核密度估計(jì)方法擬合概率密度分布，每個(gè)維修歷史數(shù)據(jù)的異常程度（表示為xad）由置信區(qū)間確定。根據(jù)置信區(qū)間將數(shù)據(jù)點(diǎn)的異常程度分為五個(gè)級(jí)別，如式（4）所示：

式中：xi——維修歷史數(shù)據(jù)中路面第i次評(píng)價(jià)指標(biāo)的異常；xC——數(shù)據(jù)點(diǎn)的概率。維護(hù)歷史數(shù)據(jù)集的質(zhì)量表示為λs，其計(jì)算公式如下：

式中，S——維護(hù)歷史數(shù)據(jù)集中的數(shù)據(jù)量。

每當(dāng)有新數(shù)據(jù)出現(xiàn)時(shí)，對(duì)PMS的整個(gè)維修歷史數(shù)據(jù)計(jì)算核密度估計(jì)的異常程度是低效的。因此，采用與之前提出的檢測(cè)數(shù)據(jù)清洗框架相同的處理方法，即通過(guò)訓(xùn)練神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)維護(hù)歷史數(shù)據(jù)與異常程度之間的映射關(guān)系。

3 基于強(qiáng)化學(xué)習(xí)算法的項(xiàng)目級(jí)瀝青路面養(yǎng)護(hù)方案智能決策模型

3.1 基于人工神經(jīng)網(wǎng)絡(luò)的馬爾可夫狀態(tài)概率轉(zhuǎn)移模型

通過(guò)PCI、RDI、RQI、SRI、PBI、PWI和PSSI七項(xiàng)檢測(cè)指標(biāo)表征路面的健康狀況，各指標(biāo)的取值范圍為（0，100）。該七項(xiàng)指標(biāo)的數(shù)組Statet=（PCIt，RDIt，RQIt，SRIt，PBIt，PWIt，PSSIt）用于表示道路的當(dāng)前狀態(tài)。該文提出了一種基于深度人工神經(jīng)網(wǎng)絡(luò)（DANN）的方法，該方法速度更快，更適合大數(shù)據(jù)計(jì)算。其中，環(huán)境所需的DANN模型有兩種，其輸入和輸出數(shù)據(jù)如表2所示：

3.2 RL中策略梯度法的環(huán)境構(gòu)建

強(qiáng)化學(xué)習(xí)（RL）的環(huán)境模塊不僅需要為智能體提供交互的場(chǎng)景，還負(fù)責(zé)計(jì)算智能體根據(jù)當(dāng)前策略作出決策后所獲得的獎(jiǎng)勵(lì)值。在構(gòu)建與路面養(yǎng)護(hù)相關(guān)的強(qiáng)化學(xué)習(xí)環(huán)境時(shí)，獎(jiǎng)勵(lì)函數(shù)的設(shè)計(jì)尤為關(guān)鍵，獎(jiǎng)勵(lì)函數(shù)用于定量評(píng)估在當(dāng)前路面綜合狀態(tài)下，智能體所采取的養(yǎng)護(hù)決策的適宜性。

該文提出了一個(gè)特定的環(huán)境運(yùn)行假設(shè)，該假設(shè)將代理與環(huán)境之間的交互模擬為每年一次的維護(hù)計(jì)劃決策過(guò)程。每當(dāng)代理采取一個(gè)行動(dòng)（即選擇某段道路進(jìn)行維護(hù)），則將該道路的狀態(tài)更新為已維護(hù)狀態(tài)，并且假定在接下來(lái)的一年里，該道路將不再需要維護(hù)。

在環(huán)境初始化階段，設(shè)定道路的初始狀態(tài)為新建道路狀態(tài)，并假定上述七項(xiàng)關(guān)鍵性能檢測(cè)指標(biāo)均大于95，即道路在投入使用之初處于性能良好狀態(tài)。此外，設(shè)定道路的生命周期為30年，以便在一個(gè)完整的生命周期內(nèi)評(píng)估維護(hù)策略的效果。一個(gè)完整的循環(huán)周期包含道路與環(huán)境之間的多次交互，以及路面因自然因素導(dǎo)致的性能劣化。由于道路生命周期為30年，因此至少需要15個(gè)這樣的循環(huán)周期以覆蓋整個(gè)生命周期。在每個(gè)循環(huán)周期內(nèi)，代理需要根據(jù)當(dāng)前的路面狀態(tài)作出維護(hù)決策，以優(yōu)化長(zhǎng)期的路面性能。

在環(huán)境模擬中，該文根據(jù)相關(guān)技術(shù)規(guī)范及室內(nèi)性能試驗(yàn)，設(shè)置了一個(gè)明確的停止條件：當(dāng)任何一段道路的性能指標(biāo)下降到30以下時(shí)，視為達(dá)到停止?fàn)顟B(tài)，環(huán)境將不再繼續(xù)模擬。另外，如果經(jīng)過(guò)15個(gè)循環(huán)周期后，所有道路的性能指標(biāo)均未達(dá)到停止條件，也將停止環(huán)境模擬和采樣過(guò)程。評(píng)估策略好壞的標(biāo)準(zhǔn)是在15個(gè)循環(huán)周期結(jié)束后，路面的剩余性能（即性能指標(biāo)的平均值）越大，則代表該策略越有效。

4 網(wǎng)級(jí)瀝青路面養(yǎng)護(hù)方案決策模型擴(kuò)展機(jī)制：模型決策權(quán)重的自適應(yīng)分配

該文在基于樣本敏感性加權(quán)的隨機(jī)森林決策模型的基礎(chǔ)上進(jìn)行進(jìn)一步拓展，對(duì)不同類(lèi)型的決策模型自適應(yīng)分配權(quán)重，以形成Mamp;R項(xiàng)目決策的大型決策者。當(dāng)一個(gè)新的決策模型被創(chuàng)建并試圖添加到PMS中時(shí)，需要對(duì)PMS中的樣本數(shù)據(jù)進(jìn)行分類(lèi)。PMS中的數(shù)據(jù)包括四部分：道路狀況、道路結(jié)構(gòu)、服務(wù)時(shí)間和環(huán)境因素。每個(gè)零件分為g類(lèi)，PMS樣品分為g4類(lèi)。然后，對(duì)每個(gè)類(lèi)別分別取其總數(shù)量的10%檢驗(yàn)決策模型的決策效果，得到PMS數(shù)據(jù)新決策模型的四維權(quán)重矩陣。權(quán)重矩陣和新模型被賦予相同的決策ID，然后與PMS的原始決策模型融合，形成一個(gè)決策組，共同負(fù)責(zé)守恒解的決策。

在決策過(guò)程中，PMS數(shù)據(jù)集的樣本首先進(jìn)行類(lèi)別判斷，獲得維度坐標(biāo)；然后根據(jù)維度坐標(biāo)在每個(gè)決策模型的權(quán)重矩陣中獲得權(quán)重，形成權(quán)重?cái)?shù)組，以表示決策組中每個(gè)模型決策結(jié)果的置信水平；最后具有最高置信水平的解被作為最終的決策結(jié)果。

5 結(jié)語(yǔ)

該文主要建立了高速公路瀝青路面雙階段養(yǎng)護(hù)的智能決策方法，其包含組件可以分為前端與后端。前端主要包括檢測(cè)數(shù)據(jù)與養(yǎng)護(hù)數(shù)據(jù)質(zhì)量的評(píng)價(jià)與清洗，用于數(shù)據(jù)合理性的評(píng)價(jià)；后端主要包括養(yǎng)護(hù)方案的綜合效果評(píng)價(jià)、基于強(qiáng)化學(xué)習(xí)思想的養(yǎng)護(hù)決策模型建立，以及雙階段權(quán)重分配機(jī)制的建立，用于高速公路全生命周期不同階段的養(yǎng)護(hù)決策支持。

參考文獻(xiàn)

[1]韓誠(chéng)嘉.瀝青路面智能化養(yǎng)護(hù)管理關(guān)鍵技術(shù)研究[D].南京：東南大學(xué)， 2022.

[2]駱志元.基于性能預(yù)測(cè)的路面養(yǎng)護(hù)智能決策研究[D].重慶：西南大學(xué)， 2023.