1、第 42 卷第 3 期重 庆 交 通 大 学 学 报(自 然 科 学 版)Vol 42No32023 年 3 月JOUNAL OF CHONGQING JIAOTONG UNIVESITY(NATUAL SCIENCE)Mar 2023DOI:103969/jissn1674-069620230310基于神经网络算法的沥青路面使用性能组合预测模型研究曹雪娟1，卢治琳2，吴博文2，黄莹2，王民3(1 重庆交通大学 材料科学与工程学院，重庆 400074;2 重庆交通大学 土木工程学院，重庆 400074;3 重庆市智翔铺道技术工程有限公司，重庆 400067)摘要:为了准确预测沥青路面使用性能变
2、化规律，提出了基于径向基神经网络算法的路面使用性能组合预测模型PCA-GA-BF;针对神经网络收敛速度慢、模型参数容易陷入局部最优的问题，采用主成分分析算法对路面使用性能影响因素进行了降维处理，利用遗传算法对神经网络结构进行了优化;通过路面行驶质量的预测分析对组合预测模型进行了验证。研究表明:组合预测模型 PCA-GA-BF 的拟合优度 2=0820，均方根误差 S=2645，比单一 BF 神经网络预测模型误差降低了 114%，平均预测准确率为 8413%;组合预测模型计算速率快、预测精度高、预测效果好。关键词:道路工程;BF 神经网络模型;主成分分析算法;遗传算法中图分类号:U4186文献标
3、志码:A文章编号:1674-0696(2023)03-071-07Combined Prediction Model of Asphalt Pavement Performance Based onNeural Network AlgorithmCAO Xuejuan1，LU Zhilin2，WU Bowen2，HUANG Ying2，WANG Min3(1 School of Material Science and Engineering，Chongqing Jiaotong University，Chongqing 400074，China;2 School of Civil Engin
4、eering，Chongqing Jiaotong University，Chongqing 400074，China;3 Chongqing Zhixiang Paving Technology Engineering Co，Ltd，Chongqing 400067，China)Abstract:In order to accurately predict the change law of asphalt pavement performance，a combined prediction modelPCA-GA-BF of asphalt pavement performance bas
5、ed on radial basis function neural network algorithm was proposed Inview of the slow convergence speed of the neural network and easiness falling into local optimization of model parameters，the principal component analysis algorithm was used to reduce the dimension of the factors affecting the pavem
6、entperformance，and the genetic algorithm was used to optimize the structure of the neural network The combined predictionmodel was validated through predictive analysis of road driving quality The research shows that the goodness of fit 2ofPCA-GA-BF is 0820，and the root mean square error S is 2645，w
7、hich is 114%lower than that of the single BF neuralnetwork prediction model，and the average prediction accuracy of PCA-GA-BF is 8413%The combined prediction modelhas fast calculation speed，high prediction accuracy and good prediction effectKey words:highway engineering;BF neural network model;princi
8、pal component analysis algorithm;genetic algorithm0引言目前，我国高速公路已经从最初的大规模建设阶段逐步过渡到沥青路面的养护和管理阶段。科学合理地评价沥青路面使用性能是制定养护计划的基础1-3，因此，对沥青路面使用性能进行准确预测至关重要。收稿日期:2021-08-23;修订日期:2023-02-25基金项目:重庆市教育委员会科学技术研究项目(KJZD-M201900701);材料工程重庆市研究生联合培养基地项目(201907);重庆交通大学研究生科研创新项目(2022S0015)第一作者:曹雪娟(1979)，女，四川邻水人，教授，博士，主要从
9、事新型路面材料方面的研究。E-mail:caoxj cqjtueducn通信作者:卢治琳(1997)，女，重庆人，硕士研究生，主要从事道路工程方面的研究。E-mail:1257120770 qqcom国内外常用的沥青路面使用性能预测模型主要分为概率型和确定型两类。随着计算机技术的发展，灰色预测模型、神经网络预测模型和组合预测模型逐渐成为研究焦点4-6。灰色预测模型可以通过较少的建模数据得到较高的预测精度，但对随机因素变化较大的沥青路面预测效果较差7-9。神经网络预测模型具有较强的信息处理和自学习能力，已成功应用于道路工程领域10-11，径向基(radial basisfunction，BF)因
10、其可以逼近任意的非线性函数被广泛应用，但存在容易陷入局部最优值的问题12-13。目前研究多采用组合方法对目标进行预测，如主成分分析法(principal component analysis，PCA)和遗传算法(genetic algorithm，GA)等，组合预测模型优于单一数学模型分析的定性研究，预测结果与实际状况更加吻合14-17。笔者提出了一种基于 BF 的沥青路面使用性能组合预测模型 PCA-GA-BF。将模型训练阶段的计算误差作为目标函数，引入 PCA 对路面使用性能影响因素进行降维处理;利用 GA 优化 BF 结构，为沥青路面使用性能预测提供了可靠的依据。研究表明:组合预测模型
11、PCA-GA-BF 结构简单、收敛速度快、预测精度高。1模型建立首先定义一个非线性映射，将沥青路面使用性能影响数据集(路龄、年均气温、年均降雨量等)映射到高维特征空间中，然后在此特征空间中对路面使用性能进行线性回归，最终达到预测路面使用性能的目的。步骤如下:1)收集原始数据并进行预处理;2)运用主成分分析法对建模数据进行降维处理，将计算结果作为模型的输入变量;3)运用遗传算法进行全局寻优计算，确定最优模型参数、;4)以路面行驶质量指数(IQ)为模型输出变量，建立神经网络训练模型;5)对组合预测模型 PCA-GA-BF 进行评估。基于组合预测模型 PCA-GA-BF 的沥青路面使用性能算法流程如
12、图 1。图 1组合预测模型 PCA-GA-BF 算法流程Fig 1Algorithm flow of combined prediction model PCA-GA-BF11数据预处理为了提高组合预测模型 PCA-GA-BF 样本数据的质量，减少异常数据和缺失数据对回归性能的干扰，同时加快 BF 模型的训练速度，笔者对原始数27重 庆 交 通 大 学 学 报(自 然 科 学 版)第 42 卷据集做了如下预处理。111数据组成分析与优化笔者收集整理了四川省 20142019 年 23 条高速公路的路面施工建造、环境气候、交通量和路面养护等 4 大模块数据，基于沥青路面使用性能指标体系，挖掘出
13、15 个对沥青路面破损状况有较大影响的因素，详见表 1。将整理的沥青路面使用性能数据信息导入 SQL Server 平台，建立数据库，“上面层材料类型”“中面层材料类型”等材料类型数据在软件中量化为 0、1、形式。表 1沥青路面使用性能影响因素Table 1Influencing factors of asphalt pavement performance数据类别影响因素施工建造上面层材料类型;上面层厚度;中面层材料类型;中面层厚度;下面层材料类型;下面层厚度;基层材料类型;底基层材料类型;路基宽度;基层厚度;?11路龄环境气候?12年均气温;?13年均降雨量交通荷载?14年均交通量养护历史
14、?15养护时间112剔除异常数据根据 JTG 52102018公路技术状况评定标准，路面性能指标检测得分在 0100 之间，数值越大表明路面性能越好，超过上限 100 或低于下限 0的数据可以明确划分为异常值剔除。113缺失数据分析缺失数据主要包括记录的缺失和记录中某个字段的缺失，笔者采用多重插补法(MI)对缺失数据进行处理，从包含缺失值的数据集中生成多组完整的数据集。12沥青路面使用性能影响因素主成分分析121主成分分析法在不减少原始数据所包含信息的前提下，为了能够对原始数据进行降维处理，以使计算方差最优，笔者采用主成分分析法来选取影响沥青路面使用性能的主成分因素。路龄、年均气温、年均降雨量
15、等15 个路面使用性能影响因素即为主成分分析中的主成分因素，基于 Karhunen-Loeve 变换原理求解特征方程，采用 MATLAB 提供的主成分分析函数princomp 进行主成分分析，最终得到 15 个因素的主成分分析碎石图(图 2)，图中仅展示了前 10 个主成分因素。图 2主成分分析Fig 2Principal component analysis由图 2 可见，F8主成分因素之后曲线斜率变化趋于平稳，并且 F9与 F10主成分因素之间的线段斜率近乎为 0，说明 F9、F10主成分因素所包含的原始数据信息非常少，分析时可不考虑。因此，笔者选取前8 个主成分因素进行分析。122主成分
16、分析法可靠性验证表 2 为主成分特征值的贡献率比较结果。表 2主成分特征值的贡献率Table 2Contribution rate of principal component characteristics主成分因素序号个体贡献率/%综合贡献率/%F1255255F2178433F3137570F4113683F5740757F6580815F7450860F8380900由表 2 可知，8 个主成分因素的综合献率超过85%，因此，选取这 8 个主成分因素进行分析较为合理，既保留了足够多的原始信息，又实现了降维处理。13模型参数优化BF 的计算效率与性能由参数、决定，笔者将遗传算法的计算结果作为初始权值进行模型优化。131染色体编码为了提高参数寻优精确性，采用二进制编码方式，避免后续选择、交叉和变异过程中的编码与解码，最终构建的 BF 的拓扑解构为 8-48-1，从而，确定 BF 中间隐藏层的神经元个数为 48。37第 3 期曹雪娟，等:基于神经网络算法的沥青路面使用性能组合预测模型研究132适应度函数的选择适应度函数决定了模型的寻优方向。针对 BF参数优化问题，笔者选取均方差误差函