一种基于神经网络的路面养护决策方法

湖南工业大学学报

Journal of Hunan University of Technology

Vol.22 No.3May2008

一种基于神经网络的路面养护决策方法

文辉龙

（株洲市交通局，湖南株洲412000）

摘要：提出一种基于神经网络的路面养护决策方法，该方法根据路面损坏状况指数PCI、结构强度指数SI、行驶质量指数RQI和交通量AADT等性能评价指标的隶属函数，结合各种典型对策，改善各性能指标的可行程度，计算PCI、SI、RQI和AADT评价指标，然后利用这些评价指标，建立一种路面养护决策的神经网络模型，以获取最优的路面养护决策。

关键词：路面养护；神经网络；路面养护决策优化

中图分类号：1673-9833(2008)03-0017-03U418.6 文献标识码：A 文章编号：

Decision Method for Pavement Maintenance Based on Neural Network

Wen Huilong

（Zhuzhou Communication Bureau，Zhuzhou Hunan 412000，China）

Abstract：A decision method for pavement maintenance based on neural network is proposed. This method is used tocompute different evaluating indicators as Pavement Condition Index (PCI)，Structure Condition Index (SI)， Riding QualityIndex (RQI) and Annually Average Daily Traffic (AADT) in terms of their membership function combining with various classicalstrategies which aims at improving the feasibility of these indicators' performance. After that，a neural-network decision modelof pavement maintenance is established according to these evaluating indicators in order to obtain an optimal decision ofpavement maintenance.

：；；Key wordspavement maintenanceneural networkoptimal decision of pavement maintenance

随着公路建设的迅速发展，高速公路里程日益增长。但由于交通流量增大、汽车轴载增重、交通渠化

和行车速度提升等原因，先期修建的高速公路相继出现了不同程度的路面破损，许多路面急需养护维修。如何利用有限的资金来维护公路的服务水平和保证车辆的行驶质量，如何处理大量复杂的信息，以制定有效的养护决策，这些都要求用系统、科学的方法，协调和控制与道路相关的全部活动。目前，国内通常依靠个人经验并参照道路养护决策历史，制定满足各因素要求的养护方案，但往往难以达到最优路面养护决策[1,2]。本文提出一种基于神经网络的路面养护决策方法，该方法首先根据性能评价指标的隶属函数，结合各种典型对策，改善各性能指标的可行程度，计算PCI、SI、RQI和AADT评价指标；然后利用这些评价

收稿日期：2008-03-07

指标建立一种路面养护决策的神经网络模型；最后，在依托工程中选择30个实验路段数据进行模拟实验，获取了最优的路面养护决策。

1人工神经网络

人工神经网络是根据人脑构造基本单元组成的系

统，以模拟人脑的形象思维过程而形成的一种较好的计算思维模型，其特色在于信息的分布式存储和并行协同处理，具有集体运算的能力和自适应的学习能力，还有很强的容错性，善于联想、综合和推广。

人工神经网络模型目前普遍采用的是BP 神经网络[3]。BP 网络由输入层、隐含层和输出层3层构成，它是一单向传播的网络，每一层的神经元只接受来自前

作者简介：文辉龙（1972-），男，湖南桃源人，株洲市交通局工程师，主要从事道路工程养护方面的工作.

18

湖南工业大学 学 报2008年

一层神经元的信号，而同一层各神经元之间没有任何联系。当一对学习模式提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。在这之后，按减小希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，最后回到输入层，故又称为“误差逆传播算法”。随着这种误差逆向传播修正的不断进行，网络输入模式响应的正确率也不断上升。

2

路面养护相关评价性能指标

2.1

养护决策

通常道路养护改建对策可分为日常养护、罩面和补强3 类共15 种方案[4]。例如在依托工程实验路段3中，路况指数为良，结构强度为临界，行驶质量指数为不接受，交通量为重，第10号养护方案对各种性能指标的满足程度都为10分，相对第11号养护方案则可以节约成本，故采用第10号养护方案。2.2沥青路面使用性能评价标准

沥青路面使用性能评价标准参见文献[4]中的表1和文献[5]。

2.3典型对策满足各性能指标的程度

文献[4]给出了各种典型对策改善各性能指标的可行程度（专家评价出的各对策的满意程度），其中：满分为10分，指该方案完全适用于该情况；最低分为0分，指该方案完全不适用于该情况。例如在依托工程实验路段3中，路况指数为良，第9号养护方案对该性能指标的满足程度为4分，第10号养护方案对该性能指标的满足程度为10分；结构强度为临界，第9号养护方案对该性能指标的满足程度为3分，第10号养护方案对该性能指标的满足程度也为10分。

设定是决策i在性能指标j下的系数矢量，即决策i对性能指标j下各个状态k的满足程度，则

（1）其中：1态划分总数）。如11=(10,10,10,10,5,1)，12=(10,10,1)。

3

基于神经网络的路面养护决策方法

3.1

计算隶属度

隶属度是指各种性能评价指标隶属于特定的评价等级的概率。

设μj是性能评价指标j的隶属度，则μj=μj1，μj2，…，μjk， （2）其中1< j<4，1的概率分别为0、50%、50%、0。3.2

获取指标系数

假设xij是决策i在性能指标j下的指标系数，即决

策i对性能指标j的满足程度。根据隶属度μj（1< j<4）以及性能指标系数矢量ij来确定路面养护方案的指标系数，

xij=ij·μj， （3

）式中：i为第i种决策，j为第j种性能指标（分别为PCI，

SI，RQI，AADT）

，1< i<15，1< j<4。由式（1）、（2）可得，

（4）其中1。如：AADT=2000辆/昼夜时，μ4 =（0,0.5,0.5,0）

，由文献[1]可查得144=（10,10,10,10），故x144=144·μ4=10。3.3构建BP网络模型

首先对性能指标系数xij进行如下变换，

（5）其中1输出层结点有15个，输出层的期望输出为

图1

路面养护决策的BP网络模型

Fig.1

BP network model of pavement maintenace

BP网络按照如下步骤进行训练：Step1.网络初始化；

Step2.输入第一个学习样本；Step3.求中间层的输入和输出，

，

式中f是Sigmold函数；Step4.求输出层的输出，

；

第3期文辉龙 一种基于神经网络的路面养护决策方法

19

Step5.计算输出层的误差，

Step6.计算中间层的误差，

Step7.调整各层的误差，

Step8.输入下一个学习样本。

在上述过程中，首先规定训练次数和期望误差。当次数超过要求，次数或误差达到期望值，停止训练，将结果储存。

表1

Tab.1

实验路段

12345678910

3.4

；

实验路段路面养护决策

作为研究课题的依托工程，考虑到路面损坏程度

和平整度等因素，在长潭高速公路上、下线选择30个实验路段，路段长度为30000m，现场实测各试验路段的路面损坏状况指数PCI、结构强度指数SI、行驶质量指数RQI和交通量AADT等性能评价指标。

为了训练模型和对比模型的决策结果，请7位专家对30个实验路段的路面养护给出维护对策，选择最优的路面养护维护对策为实验路段的养护决策（表，然后，通过本文提出的方法获取性能指标系数后1）

输入神经网络程序进行训练，选取隐层节点数为40。由系统给出网络权值和阈值随机赋初值，训练的次数设置为2000。

；

部分实验路段路面状况及养护方案

Pavement information and maintenance method to a part of experimental highway

路况指数PCI优

优良很差中良差优很差优

结构强度SI

足够

临界临界不足临界临界临界足够临界足够

行驶质量指数RQI

接受

尚允许不接受不接受不接受尚允许不接受接受不接受接受

交通量AADT

中重重特重重特重特重中重轻

养护方案

2310151146271

在所有的实验路段数据集上进行“3折交叉检验”。将30个实验数据集平均分为成三部分，每次挑选不同的一部分作为测试样本，其余数据作为训练数据集训练提出的BP神经网络模型。重复测试过程3次，直到每部分样本作为测试样本时为止。统计所有被正确决策的样本数，并计算正确率。上述实验重复10次，计算平均正确率，表2中给出了所有的实验结果。

表2Tab.2

实验路段BP网络模型决策正确率Decision accuracy ratio for experimentalhighwaywith BP network model

测试实验路段位置第一部分第二部分第三部分所有实验路段决策正确率/%

94.6

92.8

97.3

94.9

量指数RQI和交通量AADT等性能评价指标，建立了路面养护决策的神经网络模型。通过对30个实验路段数据的分析实验，证明了用该方法可以获取很好的路面养护决策。参考文献：

陈谦应，彭克刚，等.路面管理系统发展综述[J].[1]李明，

重庆交通学院学报，2005，24(3)：69-73.孙立军，胡东明，等.沥青路面评价与对策确定[2]姚祖康，

的专家系统[J].土木工程学报，1991，24(2)：28-36.王秉纲.应用人工神经网络预测路面使用性能[J].[3]王艳丽，

西安公路交通大学学报，2001，21(1)：42-45.杨增兴.改进优劣系数法在路面管理系统对策分[4]谭明鹤，

析中的应用[J].公路，2001 (4)：16-20.[5]黄文雄.高速公路沥青路面使用性能评价指标[J].中外公

路，2003，23(4)：74-76.

从表2中可以看出提出的方法取得了很好的决策效果。

4结论

根据性能评价指标的隶属函数，提取了依托工程中路面损坏状况指数PCI、结构强度指数SI、行驶质

（责任编辑：张亦静）