基于贝叶斯神经网络的一种用于路面管理工程的全方位性能预测模型

《ADVANCED ENGINEERING INFORMATICS》：An all-in-one performance prediction model for pavement management engineering based on Bayesian Neural Network

路面性能预测模型研究：本文提出贝叶斯神经网络BNN4Pav模型，整合路面性能预测、异常检测和维护决策任务，减少模型开发重复，在安徽、浙江和江苏四百六十公里路网数据验证中，预测任务节省66.7%时间，异常检测减少70%-90%人工工作量，维护决策有效性提升6%-17%。

　　

黑天青|童正|谢志伟|马涛

东南大学交通学院，中国南京九龙湖

摘要

维护历史数据包含了关于路面性能指标变化模式、这些变化模式的不确定性以及路面管理工程中正常路面性能指标边界的知识。这类知识通常通过路面性能预测模型进行挖掘，以获得可解释的表示形式。目前，由于模型是针对特定任务开发的，用于路面性能指标预测和维护计划决策的模型缺乏互操作性。这也意味着现有的路面性能预测模型几乎无法用于检测指标异常的任务，进一步增加了路面管理工程中方案开发和模型跨道路网络迁移的工作量。此外，当前的维护决策模型依赖于数据不确定性的固定表示方式。然而，现实世界中的数据不确定性并非固定不变的。因此，这些模型仍存在一定的局限性。为了解决这些问题，本研究利用贝叶斯神经网络的建模能力，开发了一个集成的上游模型——即贝叶斯神经网络路面性能预测模型（BNN4Pav）。该模型能够通过单一架构为三种不同的任务生成特定于任务的输出，从而将模型开发工作从三类减少到一类。针对每项任务，还构建了可扩展的下游模型，并使用来自中国安徽、浙江和江苏三省的460公里维护历史数据对上下游框架进行了验证。分析结果表明，在具有不确定性量化的多指标预测任务中，时间消耗减少了66.7%；在异常检测任务中，可以减少约70%-90%的手动工作量；在维护决策任务中，基于BNN4Pav的方法在维护效果上比现有方法提高了6%-17%，同时不牺牲决策要求。

引言

路面性能预测模型是一种数据模型，它将维护数据中收集到的抽象模式转化为路面管理工程师可以理解的知识[1]。长期以来，路面管理工程研究人员一直使用该模型进行路面性能指标预测[2]和维护计划决策[3]等任务，是路面管理工程中的关键模型[4],[5]。维护数据通常包括来自网络中所有道路单元的样本，每个样本表示为“维护前的路面性能指标 – 采用的维护计划 – 维护后的路面性能指标”。多个路面性能指标用于表征路面的服务状况，以下简称路面状况。

在路面性能指标预测任务中，研究人员专注于开发基于收集到的维护数据的预测模型，这些模型能够紧密逼近路面性能指标的真实值[6]。基于这一目标，路面性能预测模型通常建立在经验力学或数据驱动的基础上，并被设计为显式或隐式函数。这些函数通常基于道路单元的维护前性能指标，并结合额外的输入变量（如提议的维护计划或相关气候因素）来预测多个维护后的性能指标。通过这种方式，它们为路面管理的性能演变预测和决策提供了重要支持[7]。

在路面维护计划决策任务中，无论是采用分阶段维护决策方法还是端到端决策框架，研究人员都旨在在准确预测单一路面性能指标与量化与该预测值相关的风险之间取得平衡。他们选择机械或经验力学模型作为这项任务的原型，这些模型可以包含均值为0且标准差可确定的正态分布[8]。在这些模型中，输出包括单个维护后性能指标的预测值以及描述该预测值变化风险的标准差，这通常被定义为数据不确定性。这两组数据使维护人员能够定量评估维护计划的属性，从而支持决策任务。

这两种任务的核心目标不同，模型的开发仅限于挖掘维护数据中的一部分信息。这导致路面性能预测模型的开发与特定任务之间存在高度耦合，无论是采用端到端方法还是分阶段方法。因此，这些模型无法在统一的工程框架内跨不同任务重用。例如，当维护决策需要考虑多个指标时，为路面性能指标预测任务开发的多指标路面性能预测模型往往无法提供带有数据不确定性的输出。因此，为了满足维护任务中的多指标决策需求，除了已经开发的多指标路面性能指标预测模型外，还需要进一步开发能够输出不确定性信息的多个单指标预测模型，从而导致路面管理工程中路面性能预测模型的重复开发。这种重复的模型开发问题在端到端方法中尤为明显。在端到端框架内，路面性能预测模型不仅紧密绑定于特定任务，还依赖于前后模块的接口设计。当任务要求发生变化时，必须重新开发预测模型，并相应修改相应的接口。结果，总体开发成本显著高于分阶段方法。此外，路面管理工程还包括识别所有性能指标偏离维护数据分布模式的道路单元的任务，从而实现对特殊道路单元的针对性修复。这可以有效防止现有维护计划的效果不佳，并减少路面管理资源的浪费。然而，现有的路面性能预测模型难以解决这一任务。因此，还需要为这一任务开发相应的异常检测预测模型，这进一步加剧了路面管理工程中定量模型的冗余性，并导致在不同道路网络之间转移相关方法时的重复开发工作。

贝叶斯神经网络（BNNs）能够根据输入生成预测值，量化与预测风险相关的数据不确定性，并评估模型不确定性以识别输入值中的异常[9]。它们已被验证在预测路面性能方面具有实际价值[10]。从模型的角度来看，它可以深入系统地挖掘维护数据中包含的信息。从应用的角度来看，它生成的样本特定数据不确定性比传统方法（用单一不确定性值近似所有预测风险的方法）更好地反映了现实世界的模式和维护逻辑。此外，该模型提供了衡量模型不确定性的方法，以量化输入值中的异常。如果直接应用于异常路面指标检测任务，它可以提高路面性能预测模型的重用效率。

受贝叶斯神经网络的启发，本文开发了一个用于三种类型任务的通用模型——贝叶斯神经网络路面模型（BNN4Pav），从而自然地将这三种任务表示为通过两个上下游阶段完成的。在这种开发框架下，路面管理工程只需构建一个上游的BNN4Pav预测模型，即可为数据中的内在信息模式提供可解释的表示形式，适用于各种任务。然后，可以在下游阶段为不同任务构建独立的应用模型来完成每个任务。与为三种类型任务分别开发三个独立预测模型的方法相比，所提出的BNN4Pav作为一个集成的上游预测模型，将模型开发工作从三类减少到一类，从而显著提高了跨不同道路网络的迁移效率。最后，使用来自中国浙江省（2014-2020年）、安徽省（2020-2022年）和江苏省（2019-2024年）的共计460公里道路路段的维护历史数据，验证了所提模型在每个任务中的有效性及其跨道路网络的迁移能力。

本文的其余结构组织如下：第2节介绍文献综述。第3节介绍所提出的BNN4Pav及其在各种任务中的应用方法。第4节讨论了BNN4Pav的应用前测试及其在每个任务中的有效性。最后，第5节提供了从本研究得出的结论。本文中使用的缩写及其解释和位置在附录A中提供。

章节片段

文献综述

路面性能预测模型常用于路面性能指标预测任务和维护计划决策任务[2],[3]。在路面性能指标预测的背景下[11]，这些模型的发展经历了三个阶段：经验方法[12]、机械-经验方法[13]和数据驱动方法[14]。经验模型选择适当的非线性函数来拟合性能指标的趋势[15]，而

BNN4Pav及其应用

如图1所示，本文将路面性能预测任务、路面异常性能检测任务和路面维护计划决策任务分解为两个阶段：上游阶段和下游阶段。上游阶段涉及开发贝叶斯神经网络路面性能预测模型（BNN4Pav），该模型将维护数据转换为可在下游阶段使用的可解释表示形式。下游阶段则专注于

数据集

本研究使用来自中国三个省份的共计460公里道路单元的维护历史数据构建了三个数据集，用于评估所提出的贝叶斯神经网络路面性能预测模型（BNN4Pav）在路面管理工程的三个类别任务中的有效性和可迁移性。具体来说，浙江省（2014-2020年）的地形以丘陵和山区为主，具有亚热带季风气候特征

结论

本文开发了贝叶斯神经网络路面性能预测模型（BNN4Pav），以实现预测模型在路面性能预测任务、异常路面性能检测任务和路面维护计划决策任务中的通用性。这些任务与预测模型自然解耦，采用两阶段解决方案，满足了每个任务的要求，同时减少了预测模型的开发工作量

CRediT作者贡献声明

黑天青：写作 – 审稿与编辑，撰写原始草案，可视化，验证，方法论，调查，资金获取，概念化。童正：写作 – 审稿与编辑，监督，调查，资金获取，数据管理。谢志伟：写作 – 审稿与编辑，调查，数据管理。马涛：写作 – 审稿与编辑，监督，资源获取，数据管理，概念化。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

本研究得到了国家重点研发项目（项目编号：2020YFA0714302）、国家自然科学基金（项目编号：52308447和52378445）以及江苏省研究生研究与实践创新计划（项目编号：KYCX24_0447）的支持。