高速公路“路网-项目-病害”多层级路面养护智能决策方法研究

摘要 在高速公路运营初期，由于缺乏检测及养护数据，导致可以借鉴的高速公路养护历史经验较少。为了适应高速公路沥青路面在全寿命周期过程中的不同养护需求，文章展开了高速公路“路网-项目-病害”多层级路面养护的智能决策方法研究。首先，基于人工神经网络算法（ANN），构建了沥青路面检测数据的清理框架，消除了原始道路检测数据的异常，提高了原始道路检测数据的准确性；然后，通过引入核函数进行概率密度估计，并利用核函数的理念设计了深度神经网络进行每个养护数据的异常评价，获得了正确合理的养护数据，以用于训练高性能的智能养护决策模型；最后，采纳了强化学习的思想，建立了一个沥青路面全生命周期中养护方案的决策模型，在未来的道路养护工程中具有较好的应用前景及实际工程价值。

关键词 高速公路；多层级；路面养护；智能决策

中图分类号 U416 文献标识码 A 文章编号 2096-8949（2025）02-0138-03

0 引言

随着使用年限的增长和交通流量的不断增加，高速公路路面病害问题日益凸显，对行车安全、道路使用寿命及养护成本都带来了极大挑战。传统的“一刀切”养护决策模式已经难以满足现代高速公路管理的需要。一方面，由于不同地区、不同路段的路面状况、交通流量、气候条件等因素存在显著差异，需要制定个性化的养护方案；另一方面，随着大数据、人工智能等技术的快速发展，为高速公路路面养护提供了新的思路和方法。基于此，该文展开高速公路“路网-项目-病害”多层级路面养护的智能决策方法研究，旨在构建一套科学、高效的高速公路路面养护智能决策体系，为高速公路管理部门提供有力的技术支持和决策参考。

1 基于ANN的高速公路沥青路面检测数据清洗框架构建

该文以人工神经网络算法为核心算法，建立检测数据的清理框架，其构建的总体过程如下：首先，对训练集数据进行标记和分析，以训练整个ANN网络（ANN_A）；然后，消除检测到的异常数据，并使用训练集中剩余的干净数据训练ANN网络（ANN_L）。图1展示了数据清洗框架的总体过程。

1.1 标注数据异常

沥青路面异常数据检测的关键理论基础为大数定律。根据大数定律，当一组数据在相似的条件下被观测时，其数据值会趋向于遵循一个特定的概率分布，即相似分布。相较于传统的手动去除异常值方法，基于大数定律的自动化清洗过程则通过统计分析和计算识别并处理异常值，具有更高的客观性和可靠性。为了有效应用大数定律进行异常检测，首先需要明确并界定检测点的相似状态。

在路面检测数据的多个影响因素中，其中的部分因素以连续变量的形式呈现；另外一部分因素则以离散变量的形态出现，其值通常固定且离散。对于连续性影响因素，如时间，由于其具有连续不断的特性，因此需设定一个明确的阈值或范围对其进行分类，以便在数据分析中识别出异常情况。然而，在处理诸如道路结构这样的离散变量时，可以直接根据已知、离散的取值对其进行分类，从而更精确地识别出检测数据中的异常情况。当面临样本不足的情况时，可以根据路基承受荷载和变形时的机械性能表现对道路结构进行分类，如刚性路基、柔性路基等。

设样本总数为（N），因子种类为（k），且每个因子（i）[其中（i）从（1）到（k）]具有不同的类别数ci（i=1，2，……，k）。通过考虑样本总数、因子种类及其类别数，计算这些因素的所有组合，即可计算得出检测数据点的所有状态类型。然后，采用高斯分布对不同状态下的检测数据进行拟合，根据置信区间确定数据的异常程度，具体异常程度水平如表1所示：

1.2 异常数据检测

该文基于深度人工神经网络（ANN_A）构建用于数据异常检测的高级模型。该模型采用多级特征融合结构，在特征输入层，ANN_A接收包含7个不同维度的特征张量（如图2所示）；在输出层，模型则采用四类别的One-Hot编码表示数据的异常级别。

1.3 插值缺失数据

针对丢失数据的处理，该文采用基于深度人工神经网络（ANN_L）构建的插值模型。区别于上文用于数据异常检测的ANN_A网络结构，ANN_L主要执行拟合任务，即根据给定的影响因素预测和生成相应的检测值，而ANN_A则主要完成异常类别的分类，且ANN_L的输出是一个数字。

1.4 整体清洗框架

整个数据清洗流程在原始数据训练的基础上进行。首先，通过运用前文所述预先训练好的ANN_A网络，对原始数据集中的每个数据点进行计算和评估，识别出潜在的离群点或异常值。根据数据点异常概率，消除或修正异常数据，如基于阈值进行筛选或直接替换为插值数据。接着，利用ANN_A对经过初步清理的数据集进行再次处理，通过识别并移除不符合数据整体分布或具有异常特征的数据点，从而实现数据清洗的深化和精细化。最后，为了验证数据清洗的效果和评估数据质量，再次运用ANN_A网络对清洗后的数据进行异常计算，确保在数据清洗过程中没有引入新的异常或遗漏原有的异常。数据集的清洁度表示为λs，其计算公式如下：

将清洁度阈值设置为0.96，当经过数据清洗后的λs＞0.96时，清洗结束；否则，将再次执行该过程。

2 基于ANN的高速公路养护历史数据的质量评价模型

标准维护历史数据结构如下：[t时的路面状态，Mamp;R计划，t+1时的路面状态]。该文将Mamp;R计划分为五类——大维修、中维修、小维修、预防性和非维修，对于Mamp;R计划类型较多的PMS数据库，可进一步细分为维修方式和材料。养护前的道路状态以各项性能的检测指标为特征，将每个指标归为一类，计算每个指标的置信水平，并计算所有指标的平均置信水平，即保护历史数据的置信水平。

将维修历史数据分类后，计算维修前后的指标差异，并拟合每类差异的概率分布函数。该文将引入核密度估计方法拟合概率密度分布，每个维修历史数据的异常程度（表示为xad）由置信区间确定。根据置信区间将数据点的异常程度分为五个级别，如式（4）所示：

式中：xi——维修历史数据中路面第i次评价指标的异常；xC——数据点的概率。维护历史数据集的质量表示为λs，其计算公式如下：

式中，S——维护历史数据集中的数据量。

每当有新数据出现时，对PMS的整个维修历史数据计算核密度估计的异常程度是低效的。因此，采用与之前提出的检测数据清洗框架相同的处理方法，即通过训练神经网络学习维护历史数据与异常程度之间的映射关系。

3 基于强化学习算法的项目级沥青路面养护方案智能决策模型

3.1 基于人工神经网络的马尔可夫状态概率转移模型

通过PCI、RDI、RQI、SRI、PBI、PWI和PSSI七项检测指标表征路面的健康状况，各指标的取值范围为（0，100）。该七项指标的数组Statet=（PCIt，RDIt，RQIt，SRIt，PBIt，PWIt，PSSIt）用于表示道路的当前状态。该文提出了一种基于深度人工神经网络（DANN）的方法，该方法速度更快，更适合大数据计算。其中，环境所需的DANN模型有两种，其输入和输出数据如表2所示：

3.2 RL中策略梯度法的环境构建

强化学习（RL）的环境模块不仅需要为智能体提供交互的场景，还负责计算智能体根据当前策略作出决策后所获得的奖励值。在构建与路面养护相关的强化学习环境时，奖励函数的设计尤为关键，奖励函数用于定量评估在当前路面综合状态下，智能体所采取的养护决策的适宜性。

该文提出了一个特定的环境运行假设，该假设将代理与环境之间的交互模拟为每年一次的维护计划决策过程。每当代理采取一个行动（即选择某段道路进行维护），则将该道路的状态更新为已维护状态，并且假定在接下来的一年里，该道路将不再需要维护。

在环境初始化阶段，设定道路的初始状态为新建道路状态，并假定上述七项关键性能检测指标均大于95，即道路在投入使用之初处于性能良好状态。此外，设定道路的生命周期为30年，以便在一个完整的生命周期内评估维护策略的效果。一个完整的循环周期包含道路与环境之间的多次交互，以及路面因自然因素导致的性能劣化。由于道路生命周期为30年，因此至少需要15个这样的循环周期以覆盖整个生命周期。在每个循环周期内，代理需要根据当前的路面状态作出维护决策，以优化长期的路面性能。

在环境模拟中，该文根据相关技术规范及室内性能试验，设置了一个明确的停止条件：当任何一段道路的性能指标下降到30以下时，视为达到停止状态，环境将不再继续模拟。另外，如果经过15个循环周期后，所有道路的性能指标均未达到停止条件，也将停止环境模拟和采样过程。评估策略好坏的标准是在15个循环周期结束后，路面的剩余性能（即性能指标的平均值）越大，则代表该策略越有效。

4 网级沥青路面养护方案决策模型扩展机制：模型决策权重的自适应分配

该文在基于样本敏感性加权的随机森林决策模型的基础上进行进一步拓展，对不同类型的决策模型自适应分配权重，以形成Mamp;R项目决策的大型决策者。当一个新的决策模型被创建并试图添加到PMS中时，需要对PMS中的样本数据进行分类。PMS中的数据包括四部分：道路状况、道路结构、服务时间和环境因素。每个零件分为g类，PMS样品分为g4类。然后，对每个类别分别取其总数量的10%检验决策模型的决策效果，得到PMS数据新决策模型的四维权重矩阵。权重矩阵和新模型被赋予相同的决策ID，然后与PMS的原始决策模型融合，形成一个决策组，共同负责守恒解的决策。

在决策过程中，PMS数据集的样本首先进行类别判断，获得维度坐标；然后根据维度坐标在每个决策模型的权重矩阵中获得权重，形成权重数组，以表示决策组中每个模型决策结果的置信水平；最后具有最高置信水平的解被作为最终的决策结果。

5 结语

该文主要建立了高速公路沥青路面双阶段养护的智能决策方法，其包含组件可以分为前端与后端。前端主要包括检测数据与养护数据质量的评价与清洗，用于数据合理性的评价；后端主要包括养护方案的综合效果评价、基于强化学习思想的养护决策模型建立，以及双阶段权重分配机制的建立，用于高速公路全生命周期不同阶段的养护决策支持。

参考文献

[1]韩诚嘉.沥青路面智能化养护管理关键技术研究[D].南京：东南大学， 2022.

[2]骆志元.基于性能预测的路面养护智能决策研究[D].重庆：西南大学， 2023.