基于预测信息驱动的选择性路面检测决策支持框架——融合物理信息数据校正与空间语义学习
《Advanced Engineering Informatics》:A prediction-informed decision support framework for selective pavement inspection using physics-informed data correction and spatial-semantic learning
【字体:
大
中
小
】
时间:2026年09月28日
来源:Advanced Engineering Informatics 11.5
编辑推荐:
•物理信息校正提升路面管理系统数据一致性。
•空间-语义图增强提升路面状况指数预测。
•预测驱动的决策规则实现选择性检测规划。
•AI辅助检测策略提升全生命周期成本效益。
引言
路面基础设施在支撑国家出行能力、经济生产力和社会发展方面发挥着基础作用[1]。然而,沥青路面在
•物理信息校正提升路面管理系统数据一致性。
•空间-语义图增强提升路面状况指数预测。
•预测驱动的决策规则实现选择性检测规划。
•AI辅助检测策略提升全生命周期成本效益。
引言
路面基础设施在支撑国家出行能力、经济生产力和社会发展方面发挥着基础作用[1]。然而,沥青路面在交通荷载、环境应力和材料老化的共同影响下不可避免地会发生性能退化。重载卡车、冻融循环和极端天气加速了裂缝、车辙和松散等病害的 progression,缩短了道路设施的有效服役寿命[2]、[3]。这些病害不仅显著降低了路网的通行能力,还加剧了养护成本并带来严重的安全隐患[4]。尽管中国公路通常设计为15至20年的服役寿命,但大修往往在运营仅5至10年后便需进行。设计预期与实际退化速率之间的巨大差异显著加剧了养护负担[5]。随着退化的不断累积,及时且适当的养护与大修(M&R)干预已成为保持路网通行能力和安全性的关键,也是避免延迟或被动养护带来更高成本所必需的[6]。在不断增长的财务压力下,在整个生命周期内高效维护路面资产的能力已成为现代路面管理面临的关键挑战[7]、[8]、[9]。
路面检测为M&R决策和路面管理提供了基础。传统检测策略在整个路网上采用统一的检测频率[10]。现有研究表明,这种一刀切的检测程序会导致低效的监测和次优的M&R时机[11]。自适应优化研究指出,检测时机强烈影响性能不确定性和全生命周期通行能力[12]。实证分析表明,过于稀疏的检测会延迟病害发现,而过于频繁的检测则会在不产生相应收益的情况下推高监测成本[13]。进一步的研究表明,最佳检测间隔随交通量、退化速率和道路特性而变化,通常优于标准的一至两年周期[14]。然而,当前研究通常在有限的建模范围内优化检测时机。许多方法忽视了气候、交通和M&R历史的综合作用,或缺乏将预测结果转化为可操作的、路网级别的检测策略的机制。因此,快速退化路段上出现的病害可能在较长时间内未被发现,从而延迟必要的M&R行动。相反,状况良好的路段被反复检测,消耗了大量本可以分配到更关键位置的资源。检测力度与实际退化状况之间的不匹配导致了通行能力的损失,并带来了相当大的经济负担[15]。
这些局限性凸显了对一种能够适应路面状况而非遵循预定间隔的检测规划范式的迫切需求。尽管对检测调度和路面性能预测已有广泛研究,但现有研究很少将数据质量控制、上下文感知的退化建模和系统级策略评估整合到一个统一的决策支持框架中。因此,需要一种更智能的检测机制,根据预测的退化情况而非固定的时间间隔来确定何时进行检测。
然而,要在路面管理系统(PMS)中实现这种基于状况的检测策略,需要克服两个基本障碍。首先,实际PMS数据集本质上容易受到噪声和不一致性的影响,这些源于人为主观性、设备校准误差和环境干扰。虽然现有的数据处理方法可以进行一般的噪声过滤和缺失值插补,但它们难以保证基本的工程一致性,如退化单调性和处置响应一致性[16]。其次,大多数现有的路面性能预测模型将路段视为孤立且独立的数据点,忽视了其内在的空间-语义相关性[17]。这限制了它们捕捉路面退化如何在空间上聚集并在语义上与局部环境和荷载背景相关联的能力。高质量的数据输入和一个稳健的、上下文感知的预测模型都是制定智能检测策略不可或缺的前提条件。
尽管已有若干研究尝试提高PMS中的数据质量,但现有方法难以强制执行路面退化的物理逻辑。早期工作主要依赖统计诊断方法,如箱线图过滤、置信区间分类或线性校准[18]、[19]。然而,这些方法无法纠正领域特定的异常,如未进行M&R而性能却改善或处理后性能下降的情况。后续研究探索了插补技术,包括基于邻近的填充、基于回归的重建、多重插补、K近邻(KNN)插值和图神经网络模型[20]、[21]。虽然这些方法解决了数据缺失问题,但未能解决退化连续性和处置响应行为中的物理不一致性。这些局限性凸显了需要一致的状况轨迹,并为预测驱动的检测策略优化提供可靠输入。
已有大量研究对沥青路面性能进行预测,并取得了丰富的研究成果[22]。这些研究可大致分为力学-经验(M-E)模型[23]、经验模型[24]、[25]、概率模型[26]、[27]和机器学习模型[28]、[29]。M-E模型首先利用力学原理计算结构响应,然后应用经验传递函数。路面状况指数(PCI)等性能指标被广泛用于评估路面状况并为M&R决策提供指导。M-E模型,如AASHTO力学-经验路面设计指南,可以准确模拟自然退化过程[30]。然而,其复杂性和大量的输入需求通常限制了其在快速路网级评估中的适用性。经验模型,如HDM-4中嵌入的模型[31],依赖于从实验数据中得出的回归方程,并通常假设预定义的功能形式[32]。虽然计算效率高,但其准确性受到数据采集时特定条件的限制。为应对路面退化和状况测量中固有的不确定性,研究人员应用马尔可夫链来计算从一个状态过渡到另一个状态的可能性[33]。然而,标准马尔可夫模型通常意味着未来状况仅取决于当前状态。在实际工程中,疲劳累积和M&R历史等关键历史因素在稳健决策中不可被忽视。
最近,学者们已证明人工智能(AI)方法在路面性能预测任务中获得了更高的精度和计算效率[34]。例如,人工神经网络(ANN)、多层感知器(MLP)和支持向量机(SVM)在不同输入因素之间展现了稳健的非线性映射能力[35]。然而,其缺乏透明性通常阻碍了其与现有PMS的整合,并妨碍了其实际应用。同样,虽然图卷积网络(GCN)的出现为捕捉空间依赖性提供了途径,但它们往往受到高计算复杂度、有限的可解释性和严格的数据完整性要求的制约[36]。虽然随机森林(RF)和极限梯度提升(XGBoost)等集成学习算法展现了卓越的预测能力,但其实际效果仍受限于模型可解释性和泛化能力[37]、[38]。
为解决上述问题,本研究提出了一种AI辅助的决策支持框架,该框架集成了数据工程、高级建模和全生命周期模拟以优化路面检测策略。本研究的整体研究框架如图1所示。本研究的主要贡献有三方面:
1. 引入了一种物理信息数据工程框架(PIDEF),将路面退化逻辑纳入原始PMS数据的清洗过程。该方法有效消除了工程不一致的异常,同时保留了最大数量的有效观测值。
2. 开发了一种空间-语义图增强的XGBoost(SSG-XGB)模型,通过同时引入基于邻近的空间上下文和特征空间语义相似度来增强短期PCI预测。空间组件捕捉邻近路段之间的局部地理依赖性,而语义组件则补充了结构相似和交通相似的邻域信息,从而相比仅考虑空间的XGBoost变体实现了适度但一致的性能提升。
3. 制定了一项长期检测与M&R策略,并通过十年的路网级模拟进行验证。该决策支持框架将AI预测转化为自动化的、响应状况的检测政策,以优化全生命周期预算利用。
本文其余部分的结构如下。第2节介绍方法论,描述了PIDEF、SSG-XGB以及基于模拟的养护决策优化框架的集成。第3节概述了案例研究的实施情况。第4节展示了实验结果,包括PIDEF的验证、所提出预测模型的性能评估以及检测策略的全生命周期成本分析。第5节对论文进行了总结,第6节概述了局限性和未来工作。
章节摘要
数据表征
路面性能量化是制定有效M&R策略的前提条件[39]。本研究中将PCI指定为目标变量y,因为它通过整合多种病害类型、严重程度和范围,提供了对路面表面状况的综合0-100分表示[40]。与其他主要描述行车质量或特定变形模式的性能指数不同,PCI与路网级状况评估更为直接相关,并且……
研究区域特征与数据集描述
本研究使用的数据来源于山西省PMS数据库,涵盖连续五年、33,641个离散100米路段的双向数据,共约336,410个年度观测值。数据库包含路段级路面状况、结构组成、历史M&R记录、交通量和局部气候属性。
作为一个大规模的真实世界工程数据集,原始PMS记录总体缺失率为……
工程一致性评估
本节提供的是PIDEF处理后数据集的规则一致性诊断,而非对PIDEF的独立验证。独立的下游评估在第4.1.2节中通过比较原始PMS数据和PIDEF处理数据上的预测性能来实现。
图7比较了PIDEF处理前后未记录M&R情况下年度PCI变化的分布。在原始PMS数据集中,显著的正尾部表明尽管存在……,但仍然经常出现明显的PCI改善。
结论
总之,本研究提出了一种AI辅助的决策支持框架,将预测状况知识形式化为可操作的检测决策,以用于路网级路面基础设施管理。通过结合物理信息数据工程、空间-语义图学习和全生命周期模拟,主要研究结论如下:
1) PIDEF系统性地调平了原始基础设施数据。通过识别和纠正违反……的观测值……
局限性与未来工作
尽管本研究做出了贡献,但仍存在若干局限性。首先,模拟依赖于从历史观测中校准的退化参数,并在特定区域的PMS背景下进行验证,这可能会引入区域依赖性并影响泛化能力。尽管核心框架本身并不与特定PMS绑定,但将其应用到其他区域需要重新训练预测模型并根据当地条件校准决策参数……
CRediT作者贡献声明
杨心怡:撰写—原始草稿,方法论,形式分析,概念构思。吴哲:调研,数据管理。潘媛媛:撰写—审阅与编辑。丁吉通:形式分析。张钟千:可视化。曾清威:概念构思。卢国阳:撰写—审阅与编辑,资金获取。
利益冲突声明
作者声明不存在任何已知的可能影响本文所报告工作的竞争性经济利益或个人关系。
致谢
本文所述工作完全由香港特别行政区研究资助局资助(项目编号:CityU 11217825)。数据来源于山西省路面管理系统,感谢收集数据的工程师们。
杨心怡 | 吴哲 | 潘媛媛 | 丁吉通 | 张钟千 | 曾清威 | 卢国阳
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号