高速公路“路網-項目-病害”多層級路面養護智能決策方法研究

摘要 在高速公路運營初期，由于缺乏檢測及養護數據，導致可以借鑒的高速公路養護歷史經驗較少。為了適應高速公路瀝青路面在全壽命周期過程中的不同養護需求，文章展開了高速公路“路網-項目-病害”多層級路面養護的智能決策方法研究。首先，基于人工神經網絡算法（ANN），構建了瀝青路面檢測數據的清理框架，消除了原始道路檢測數據的異常，提高了原始道路檢測數據的準確性；然后，通過引入核函數進行概率密度估計，并利用核函數的理念設計了深度神經網絡進行每個養護數據的異常評價，獲得了正確合理的養護數據，以用于訓練高性能的智能養護決策模型；最后，采納了強化學習的思想，建立了一個瀝青路面全生命周期中養護方案的決策模型，在未來的道路養護工程中具有較好的應用前景及實際工程價值。

關鍵詞 高速公路；多層級；路面養護；智能決策

中圖分類號 U416 文獻標識碼 A 文章編號 2096-8949（2025）02-0138-03

0 引言

隨著使用年限的增長和交通流量的不斷增加，高速公路路面病害問題日益凸顯，對行車安全、道路使用壽命及養護成本都帶來了極大挑戰。傳統的“一刀切”養護決策模式已經難以滿足現代高速公路管理的需要。一方面，由于不同地區、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，需要制定個性化的養護方案；另一方面，隨著大數據、人工智能等技術的快速發展，為高速公路路面養護提供了新的思路和方法?；诖?，該文展開高速公路“路網-項目-病害”多層級路面養護的智能決策方法研究，旨在構建一套科學、高效的高速公路路面養護智能決策體系，為高速公路管理部門提供有力的技術支持和決策參考。

1 基于ANN的高速公路瀝青路面檢測數據清洗框架構建

該文以人工神經網絡算法為核心算法，建立檢測數據的清理框架，其構建的總體過程如下：首先，對訓練集數據進行標記和分析，以訓練整個ANN網絡（ANN_A）；然后，消除檢測到的異常數據，并使用訓練集中剩余的干凈數據訓練ANN網絡（ANN_L）。圖1展示了數據清洗框架的總體過程。

1.1 標注數據異常

瀝青路面異常數據檢測的關鍵理論基礎為大數定律。根據大數定律，當一組數據在相似的條件下被觀測時，其數據值會趨向于遵循一個特定的概率分布，即相似分布。相較于傳統的手動去除異常值方法，基于大數定律的自動化清洗過程則通過統計分析和計算識別并處理異常值，具有更高的客觀性和可靠性。為了有效應用大數定律進行異常檢測，首先需要明確并界定檢測點的相似狀態。

在路面檢測數據的多個影響因素中，其中的部分因素以連續變量的形式呈現；另外一部分因素則以離散變量的形態出現，其值通常固定且離散。對于連續性影響因素，如時間，由于其具有連續不斷的特性，因此需設定一個明確的閾值或范圍對其進行分類，以便在數據分析中識別出異常情況。然而，在處理諸如道路結構這樣的離散變量時，可以直接根據已知、離散的取值對其進行分類，從而更精確地識別出檢測數據中的異常情況。當面臨樣本不足的情況時，可以根據路基承受荷載和變形時的機械性能表現對道路結構進行分類，如剛性路基、柔性路基等。

設樣本總數為（N），因子種類為（k），且每個因子（i）[其中（i）從（1）到（k）]具有不同的類別數ci（i=1，2，……，k）。通過考慮樣本總數、因子種類及其類別數，計算這些因素的所有組合，即可計算得出檢測數據點的所有狀態類型。然后，采用高斯分布對不同狀態下的檢測數據進行擬合，根據置信區間確定數據的異常程度，具體異常程度水平如表1所示：

1.2 異常數據檢測

該文基于深度人工神經網絡（ANN_A）構建用于數據異常檢測的高級模型。該模型采用多級特征融合結構，在特征輸入層，ANN_A接收包含7個不同維度的特征張量（如圖2所示）；在輸出層，模型則采用四類別的One-Hot編碼表示數據的異常級別。

1.3 插值缺失數據

針對丟失數據的處理，該文采用基于深度人工神經網絡（ANN_L）構建的插值模型。區別于上文用于數據異常檢測的ANN_A網絡結構，ANN_L主要執行擬合任務，即根據給定的影響因素預測和生成相應的檢測值，而ANN_A則主要完成異常類別的分類，且ANN_L的輸出是一個數字。

1.4 整體清洗框架

整個數據清洗流程在原始數據訓練的基礎上進行。首先，通過運用前文所述預先訓練好的ANN_A網絡，對原始數據集中的每個數據點進行計算和評估，識別出潛在的離群點或異常值。根據數據點異常概率，消除或修正異常數據，如基于閾值進行篩選或直接替換為插值數據。接著，利用ANN_A對經過初步清理的數據集進行再次處理，通過識別并移除不符合數據整體分布或具有異常特征的數據點，從而實現數據清洗的深化和精細化。最后，為了驗證數據清洗的效果和評估數據質量，再次運用ANN_A網絡對清洗后的數據進行異常計算，確保在數據清洗過程中沒有引入新的異?；蜻z漏原有的異常。數據集的清潔度表示為λs，其計算公式如下：

將清潔度閾值設置為0.96，當經過數據清洗后的λs＞0.96時，清洗結束；否則，將再次執行該過程。

2 基于ANN的高速公路養護歷史數據的質量評價模型

標準維護歷史數據結構如下：[t時的路面狀態，Mamp;R計劃，t+1時的路面狀態]。該文將Mamp;R計劃分為五類——大維修、中維修、小維修、預防性和非維修，對于Mamp;R計劃類型較多的PMS數據庫，可進一步細分為維修方式和材料。養護前的道路狀態以各項性能的檢測指標為特征，將每個指標歸為一類，計算每個指標的置信水平，并計算所有指標的平均置信水平，即保護歷史數據的置信水平。

將維修歷史數據分類后，計算維修前后的指標差異，并擬合每類差異的概率分布函數。該文將引入核密度估計方法擬合概率密度分布，每個維修歷史數據的異常程度（表示為xad）由置信區間確定。根據置信區間將數據點的異常程度分為五個級別，如式（4）所示：

式中：xi——維修歷史數據中路面第i次評價指標的異常；xC——數據點的概率。維護歷史數據集的質量表示為λs，其計算公式如下：

式中，S——維護歷史數據集中的數據量。

每當有新數據出現時，對PMS的整個維修歷史數據計算核密度估計的異常程度是低效的。因此，采用與之前提出的檢測數據清洗框架相同的處理方法，即通過訓練神經網絡學習維護歷史數據與異常程度之間的映射關系。

3 基于強化學習算法的項目級瀝青路面養護方案智能決策模型

3.1 基于人工神經網絡的馬爾可夫狀態概率轉移模型

通過PCI、RDI、RQI、SRI、PBI、PWI和PSSI七項檢測指標表征路面的健康狀況，各指標的取值范圍為（0，100）。該七項指標的數組Statet=（PCIt，RDIt，RQIt，SRIt，PBIt，PWIt，PSSIt）用于表示道路的當前狀態。該文提出了一種基于深度人工神經網絡（DANN）的方法，該方法速度更快，更適合大數據計算。其中，環境所需的DANN模型有兩種，其輸入和輸出數據如表2所示：

3.2 RL中策略梯度法的環境構建

強化學習（RL）的環境模塊不僅需要為智能體提供交互的場景，還負責計算智能體根據當前策略作出決策后所獲得的獎勵值。在構建與路面養護相關的強化學習環境時，獎勵函數的設計尤為關鍵，獎勵函數用于定量評估在當前路面綜合狀態下，智能體所采取的養護決策的適宜性。

該文提出了一個特定的環境運行假設，該假設將代理與環境之間的交互模擬為每年一次的維護計劃決策過程。每當代理采取一個行動（即選擇某段道路進行維護），則將該道路的狀態更新為已維護狀態，并且假定在接下來的一年里，該道路將不再需要維護。

在環境初始化階段，設定道路的初始狀態為新建道路狀態，并假定上述七項關鍵性能檢測指標均大于95，即道路在投入使用之初處于性能良好狀態。此外，設定道路的生命周期為30年，以便在一個完整的生命周期內評估維護策略的效果。一個完整的循環周期包含道路與環境之間的多次交互，以及路面因自然因素導致的性能劣化。由于道路生命周期為30年，因此至少需要15個這樣的循環周期以覆蓋整個生命周期。在每個循環周期內，代理需要根據當前的路面狀態作出維護決策，以優化長期的路面性能。

在環境模擬中，該文根據相關技術規范及室內性能試驗，設置了一個明確的停止條件：當任何一段道路的性能指標下降到30以下時，視為達到停止狀態，環境將不再繼續模擬。另外，如果經過15個循環周期后，所有道路的性能指標均未達到停止條件，也將停止環境模擬和采樣過程。評估策略好壞的標準是在15個循環周期結束后，路面的剩余性能（即性能指標的平均值）越大，則代表該策略越有效。

4 網級瀝青路面養護方案決策模型擴展機制：模型決策權重的自適應分配

該文在基于樣本敏感性加權的隨機森林決策模型的基礎上進行進一步拓展，對不同類型的決策模型自適應分配權重，以形成Mamp;R項目決策的大型決策者。當一個新的決策模型被創建并試圖添加到PMS中時，需要對PMS中的樣本數據進行分類。PMS中的數據包括四部分：道路狀況、道路結構、服務時間和環境因素。每個零件分為g類，PMS樣品分為g4類。然后，對每個類別分別取其總數量的10%檢驗決策模型的決策效果，得到PMS數據新決策模型的四維權重矩陣。權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，形成一個決策組，共同負責守恒解的決策。

在決策過程中，PMS數據集的樣本首先進行類別判斷，獲得維度坐標；然后根據維度坐標在每個決策模型的權重矩陣中獲得權重，形成權重數組，以表示決策組中每個模型決策結果的置信水平；最后具有最高置信水平的解被作為最終的決策結果。

5 結語

該文主要建立了高速公路瀝青路面雙階段養護的智能決策方法，其包含組件可以分為前端與后端。前端主要包括檢測數據與養護數據質量的評價與清洗，用于數據合理性的評價；后端主要包括養護方案的綜合效果評價、基于強化學習思想的養護決策模型建立，以及雙階段權重分配機制的建立，用于高速公路全生命周期不同階段的養護決策支持。

參考文獻

[1]韓誠嘉.瀝青路面智能化養護管理關鍵技術研究[D].南京：東南大學， 2022.

[2]駱志元.基于性能預測的路面養護智能決策研究[D].重慶：西南大學， 2023.