一种基于特征优化的路面性能衰变预测方法及装置

1.本发明涉及公路养护及管理技术领域，具体涉及一种基于特征优化的路面性能衰变预测方法及装置


背景技术：

2.路面性能直接体现了路面结构状况和服务水平，是高速公路管理部门制定养护计划的重要依据。然而在荷载和环境的综合作用下，路面性能随时间不断衰减，当性能衰减到一定程度时，当地政府就需要采取针对性的养护措施。因此，为达到最佳的养护效果,保证路面使用性能,延迟路面使用寿命,必须对路面性能的衰变规律进行准确描述，对影响各项路面性能的关键因素也需有较为准确的把握。
3.许多研究者对路面性能衰变方程进行过研究，提出了各种不同形式的衰变模型。然而，先前的预测模型在考虑影响路面性能衰变规律的因素时考虑的不够全面。大部分只考虑服役时间与轴载累计作用次数。更糟糕的是，路面衰变规律不是简单的线性关系，先前的大多数线性回归预测模型无法准确描述路面实际的性能衰变规律。随着路面数据的不断积累，人工智能模型在路面上的应用也越来越受到研究者的关注。因此十分有必要提出一套方法从大数据角度基于特征优化来对复杂的路面性能衰变规律进行精准预测。这种经过特征优化的路面性能预测的人工智能模型不仅有助于提高预测精度，也可以提高模型泛化性增加预测可信度。


技术实现要素：

4.针对现有技术的不足之处，本发明的目的在于提供一种基于特征优化的路面性能衰变预测方法及装置。
5.本发明的技术方案概述如下：
6.一方面，本发明提供一种基于特征优化的路面性能衰变预测方法，包括：建立路段样本数据库，所述路段样本数据库包括每个路段样本的若干个特征、其对应的性能数据；
7.创建xgboost模型，其中，每个路段样本的若干个特征作为模型输入，性能数据的数值作为模型输出；
8.将路段样本中的若干个特征引入xgboost模型，输出超参数优化后的xgboost五折交叉验证评分及各个特征的特征重要性评分；
9.剔除评分最低的特征，将新的特征集再次引入到xgboost模型中，重复上述步骤直至特征数为一；
10.根据每次xgboost模型五折交叉验证评分进行排序，最高评分对应的特征子集即为对路面的性能数据影响最显著的特征；
11.使用最优特征子集建立xgboost路面性能预测模型，使之达到最为精确的路面性能衰变预测效果。
12.进一步地，所述性能数据包括车辙深度rd、国际平整度指数iri、横向力系数sfc中
的至少之一。
13.进一步地，所述建立路段样本数据库，之前包括:
14.收集路面的性能数据和路面属性信息；
15.根据所述路面属性信息对路段进行划分，得到路段样本，所述路段样本的长度一致。
16.进一步地，根据所述路面属性信息对路段进行划分，得到路段样本，包括：
17.根据所述路面属性信息，采用逐层分级方法对路段进行划分，得到路段样本。
18.进一步地，所述路面属性信息包括路线几何信息、路面结构材料信息、养护信息、交通载荷数据中的至少之一。
19.进一步地，所述路线几何信息包括方向信息、车道信息、路桥特征信息、路面地区信息中的至少之一；
20.所述路面结构材料信息包括改性沥青层厚度、面层厚度、上面层厚度、中面层厚度、下面层厚度、上面层类型、中面层类型、下面层厚度、基层厚度、基层类型的至少之一；
21.所述气候环境信息包括年平均温度、年平均降水量、年平均湿度、年平均降雪量、年冻结指数的至少之一。
22.进一步地，对路段样本数据库中的数据进行拟合，确定反映路面属性信息与路面的性能数据之间关系的拟合模型。
23.相应地，本发明还提供一种路面性能衰变的影响因素的确定装置，包括：
24.建立模块，用于建立路段样本数据库，所述路段样本数据库包括每个路段样本的若干个特征、其对应的性能数据；
25.创建模块，用于创建xgboost模型，其中，每个路段样本的若干个特征作为模型输入，性能数据的数值作为模型输出；
26.检验模块，用于将路段样本中的训练样本引入xgboost模型，模型经超参数优化之后分别输出模型五折交叉验证评分及各个特征的重要性评分，剔除重要性评分最低的特征，将新的特征集重新输入xgboost模型，重复上述操作直至特征数为一；
27.排序模块，用于根据每次超参数优化过后的xgboost模型的5折交叉验证评分进行排序，排名最高的评分对应的特征子集即为影响路面性能衰变的最显著的特征子集。
28.预测模块，用于针对筛选出的最优特征集开发出最优的xgboost路面性能衰变预测模型。
29.相比现有技术，本发明的有益效果在于：
30.本发明提供一种基于特征优化的路面性能衰变预测的确定方法，
31.从大数据视角出发，基于多年实测路面数据，采用基于xgboost的递归特征消除法在众多影响因素中确定影响路面性能的关键影响因素，提高了xgboost路面性能预测模型的泛化性和预测精度、对针对性的路面养护决策具有较大意义。
32.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
33.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
34.图1为本发明的一种基于特征优化的路面性能衰变预测方法的流程示意图；
35.图2为本发明的一种基于特征优化的路面性能衰变预测方法的另一流程示意图；
36.图3为本发明中路段进行划分的流程图；
37.图4为本发明的实施案例中经过特征优化后的国际平整度指数性能预测结果。
具体实施方式
38.以下通过具体实施例对本发明或实用新型做进一步解释说明。
39.具体实施方式是通过通俗易通的语言结合附图对方案进行详细的描述，此部分记载的技术方案应当与权利要求书记载的技术方案保持一致。
40.如图2所示，本发明的一种基于特征优化的路面性能衰变预测方法，包括：
41.s1、收集路面的性能数据和路面属性信息；
42.根据路面属性信息对路段进行划分，得到路段样本，路段样本的长度一致。
43.根据路面属性信息对路段进行划分，得到路段样本，包括：
44.根据路面属性信息，采用逐层分级方法对路段进行划分，得到路段样本。
45.其中，路面属性信息包括路线几何信息、路面结构材料信息、养护信息、交通载荷数据中的至少之一。
46.进一步地，路线几何信息包括方向信息、车道信息、路桥特征信息、路面地区信息中的至少之一；
47.路面结构材料信息包括改性沥青层厚度、面层厚度、上面层厚度、中面层厚度、下面层厚度、上面层类型、中面层类型、下面层厚度、基层厚度、基层类型的至少之一；
48.气候环境信息包括年平均温度、年平均降水量、年平均湿度、年平均降雪量、年冻结指数的至少之一。
49.具体的路面属性信息如表1所示：
[0050][0051]
表1
[0052]
考虑常见的分段要素，如路线、方向、车道、路桥特征、路面结构、交通断面等，对路段进行初步划分，并进一步将100m以上的路段以100m为间隔进行等距划分，得到路段样本，路段样本的长度一致。具体的路段划分的流程参见图3。
[0053]
s2、建立路段样本数据库，路段样本数据库包括每个路段样本的若干个特征、其对应的性能数据数值。
[0054]
其中，每个路段样本的若干个特征为每个路段样本的路面属性信息，优选地，每个路段样本的若干个特征至少包括路桥、面层厚度、esal、年平均降雨量、年平均冻结指数、路面服役时间至少之一。
[0055]
性能数据包括车辙深度rd、国际平整度指数iri、横向力系数sfc中的至少之一。
[0056]
服役时间为根据道路通车时间和各性能指标的检测时间所计算得到。
[0057]
s3、创建extreme gradient boosting(xgboost)模型，每个路段样本的若干个特征作为模型输入，路面性能指标的数值作为模型输出
[0058]
实际生活中，路面不同的属性信息会影响路面性能的衰变，例如，面层改性沥青层厚度、上面层厚度、上面层类型、中面层类型、下面层类型、平均客货比等特征都会影响车辙深度rd、国际平整度指数iri、横向力系数sfc等性能数据。
[0059]
为获得路面不同的属性信息(即路段样本的若干个特征)对车辙深度rd、国际平整度指数iri、横向力系数sfc等性能数据的影响，执行s3将路段样本的若干个特征，例如路桥、面层厚度、esal、下雨天数、年平均降雨量、年平均冻结指数、路面服役时间作为模型输入，将车辙深度rd、国际平整度指数iri、横向力系数sfc等性能数据的数值作为模型输出，基于机器学习xgboost技术，本发明可通过调用python库中的sklearn创建xgboost模型。
[0060]
s4、将路段样本中的若干个特征引入xgboost模型，输出超参数优化后的xgboost五折交叉验证评分及各个特征的特征重要性评分。
[0061]
s5、将得到的特征重要性分数进行排序并剔除得分最低的特征；将新的特征集再次输入到xgboost中，并重复之前的步骤直至特征数降为一。
[0062]
因此，本发明可通过调用python库中的sklearn创建xgboost模型。
[0063]
将样本路段样本的若干个特征作为输入导入sklearn，将车辙深度rd、国际平整度指数iri、横向力系数sfc的数值之一作为输出，在对搭建的xgboost模型进行超参数优化后，得到该模型五折交叉验证评分及各特征重要性评分。
[0064]
剔除评分最低的特征，将新的特征集再次引入到xgboost模型中，重复上述步骤直至特征数为一；
[0065]
s6、根据每次xgboost模型五折交叉验证评分进行排序，最高评分对应的特征子集即为对路面的性能数据影响最显著的特征，具体为：
[0066]
根据xgboost模型五折交叉验证评分中的绝对系数的大小进行排序，最高评分对应的特征子集对路面性能影响越显著。
[0067]
其中，绝对系数值越大，越大说明该评分对应的特征子集对路面性能影响最大。
[0068]
s7、利用筛选之后的最优特征集开发出最优的xgboost路面衰变预测模型。
[0069]
下面以国际平整度指数性能指标为例，具体说明本发明实施例中影响路面性能的关键因素的确定结果及模型预测结果。
[0070]
如表2所示，影响国际平整度指数性能数据的众多特征中存在冗余现象，它们的存在会降低xgboost模型预测精度，通过递归删除特征重要性评分最低的特征，xgboost模型预测效果呈现先升后降低的现象。由表2中的五折交叉验证评分结果可知，评分0.821对应的特征子集是影响效果最显著的特征集。
[0071]
五折交叉验证评分剔除的特征(特征重要性最低)0.628强降雨天数0.704面层厚度0.770年降雪量0.771年平均湿度
0.775基层厚度0.821年平均降水量0.537冻结指数0.456路面总厚度0.485路面服役时间0.324esal 0.238车辙深度
[0072]
表2
[0073]
如表3所示，xgboost模型五折交叉验证最高评分对应的特征子集，即影响国际平整度指数性能数据的关键因素是路面总厚度、车辙、路面服役时间、esal、冻结指数及降雨量。根据被剔除特征顺序来看，影响最显著的因素是车辙深度。
[0074][0075]
表3
[0076]
图4显示了基于特征优化的国际平整度指数性能预测结果，其模型绝对系数为0.95。
[0077]
相应地，本发明还提供一种路面性能衰变的影响因素的确定装置，包括：
[0078]
收集模块，用于收集路面的性能数据和路面属性信息；其中，路面属性信息包括路线几何信息、路面结构材料信息、气候环境信息、交通载荷数据中的至少之一。
[0079]
路线几何信息包括方向信息、车道信息、路桥特征信息、路面地区信息中的至少之一；
[0080]
路面结构材料信息包括改性沥青层厚度、面层厚度、上面层厚度、中面层厚度、下面层厚度、上面层类型、中面层类型、下面层厚度、基层厚度、基层类型的至少之一；
[0081]
气候环境信息包括年平均温度、年平均降水量、年平均湿度、年平均降雪量、年冻结指数的至少之一。
[0082]
划分模块，用于根据路面属性信息对路段进行划分，得到路段样本，路段样本的长度一致。
[0083]
具体包括：根据路面属性信息，采用逐层分级方法对路段进行划分，得到路段样本。
[0084]
考虑常见的分段要素，如路线、方向、车道、路桥特征、路面结构、交通断面等，对路段进行初步划分，并进一步将100m以上的路段以100m为间隔进行等距划分，得到路段样本，路段样本的长度一致。具体的路段划分的流程参见图3。
[0085]
建立模块，用于建立路段样本数据库，路段样本数据库包括每个路段样本的若干个特征、其对应的性能数据的数值。
[0086]
其中，每个路段样本的若干个特征为每个路段样本的路面属性信息，优选地，每个路段样本的若干个特征至少包括路桥、面层厚度、esal、年平均降雨量、年平均冻结指数、路面服役时间至少之一
[0087]
性能数据包括车辙深度rd、国际平整度指数iri、横向力系数sfc中的至少之一。
[0088]
服役时间为根据道路通车时间和各性能指标的检测时间所计算得到。
[0089]
创建模块，用于创建xgboost模型，其中，每个路段样本的若干个特征作为模型输入，性能数据的数值作为模型输出。
[0090]
为获得路面不同的属性信息(即路段样本的若干个特征)对车辙深度rd、国际平整度指数iri、横向力系数sfc、等性能数据的衰变的影响，执行s3将路段样本的若干个特征，例如路桥、面层厚度、esal、下雨天数、年平均降雨量、年平均冻结指数、路面服役时间作为模型输入，将车辙深度rd、国际平整度指数iri、性能数据的数值之一作为模型输出，基于机器学习技术，创建xgboost模型。其中xgboost可在python语言环境中执行。
[0091]
检验模块，用于将路段样本中的训练样本引入xgboost模型，模型经超参数优化之后分别输出模型五折交叉验证评分及各个特征的重要性评分，剔除重要性评分最低的特征，将新的特征集重新输入xgboost模型，重复上述操作直至特征数为一；
[0092]
通过递归特征消除的方法，寻找路段样本的若干个特征与性能数据之间的显著关系。递归特征消除的基本思想是将依据特征重要性评分递归的剔除重要性评分最低的特征，每剔除一个变量后都要进行超参数优化的xgboost模型五折交叉验证的重新评分，这是一个反复的过程，直到特征数为一。
[0093]
因此，本发明可通过调用python库中的sklearn创建xgboost模型。
[0094]
排序模块，用于根据每次超参数优化过后的xgboost模型的五折交叉验证评分进行排序，排名最高的评分对应的特征子集即为影响路面性能衰变的最显著的特征子集。
[0095]
将样本路段样本的若干个特征作为输入导入sklearn，将车辙深度rd、国际平整度指数iri、横向力系数sfc的路面性能数值作为输出，在对搭建的xgboost模型进行超参数优化后，得到该模型五折交叉验证评分及各特征重要性评分。
[0096]
剔除评分最低的特征，将新的特征集再次引入到xgboost模型中，重复上述步骤直至特征数为一；
[0097]
根据每次xgboost模型五折交叉验证评分进行排序，最高评分对应的特征子集即为对路面的性能数据影响最显著的特征，具体为：
[0098]
根据xgboost模型五折交叉验证评分中的绝对系数的大小进行排序，最高评分对应的特征子集对路面性能影响越显著。
[0099]
其中，绝对系数值越大，越大说明该评分对应的特征子集对路面性能影响最大。
[0100]
本发明提供一种路面性能衰变的影响因素的确定方法及装置，从大数据视角出发，基于多年实测路面数据，采用基于xgboost的递归特征消除法在众多影响因素中确定影响路面性能的关键影响因素，提高了xgboost路面性能预测模型的泛化性和预测精度、对针对性的路面养护决策具有较大意义。
[0101]
对于本领域技术人员而言，显然本发明/实用新型不限于上述示范性实施例的细
节，而且在不背离本发明/实用新型的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明/实用新型的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明/实用新型内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
[0102]
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

技术特征：
1.一种基于特征优化的路面性能衰变预测方法及装置，其特征在于：包括以下步骤：建立路段样本数据库，所述路段样本数据库包括每个路段样本的若干个特征和其对应的性能数据；创建xgboost模型，其中，每个路段样本的若干个特征作为模型输入，性能数据的数值作为模型输出；将路段样本中的若干个特征引入xgboost模型，输出经超参数优化的xgboost五折交叉验证评分及各个特征的特征重要性评分；剔除评分最低的特征，将新的特征集再次引入到xgboost模型中，重复上述步骤直至特征数为一；根据每次xgboost模型五折交叉验证评分进行排序，最高评分对应的特征子集即为对路面的性能数据影响最显著的特征；使用最优特征子集建立xgboost路面性能预测模型，使之达到最为精确的路面性能衰变预测效果。2.根据权利要求1所述的一种基于特征优化的路面性能衰变预测方法，其特征在于：所述性能数据包括车辙深度rd、国际平整度指数iri、横向力系数sfc、横缝间距tcs中的至少之一。3.根据权利要求1所述的一种基于特征优化的路面性能衰变预测方法，其特征在于，所述建立路段样本数据库，之前包括:收集路面的性能数据和路面属性信息；根据所述路面属性信息对路段进行划分，得到路段样本，所述路段样本的长度一致。4.如权利要求3所述的基于特征优化的路面性能衰变预测方法，其特征在于，根据所述路面属性信息对路段进行划分，得到路段样本，包括：根据所述路面属性信息，采用逐层分级方法对路段进行划分，得到路段样本。5.如权利要求1所述的路面性能衰变的影响因素的确定方法，其特征在于，所述五折交叉验证是将数据集分成五份，轮流将其中四份做训练集，剩余一份做测试集，五次模型评分的均值作为对模型精度的估计。6.如权利要求3所述的路面性能衰变的影响因素的确定方法，其特征在于，所述路面属性信息包括路线几何信息、路面结构材料信息、气候环境信息、交通荷载数据中的至少之一。7.如权利要求6所述的基于特征优化的路面性能衰变的预测方法，其特征在于，所述路线几何信息包括方向信息、车道信息、路桥特征信息、路面地区信息中的至少之一；所述路面结构材料信息包括改性沥青层厚度、面层厚度、上面层厚度、中面层厚度、下面层厚度、上面层类型、中面层类型、下面层厚度、基层厚度、基层类型的至少之一；所述气候环境信息包括年平均温度、年平均降水量、年平均湿度、年平均降雪量、年冻结指数的至少之一。8.如权利要求1所述的基于特征优化的路面性能衰变的预测方法，其特征在于，对路段样本数据库中的数据进行拟合，确定反映路面属性信息与路面的性能数据数值之间关系的拟合模型。
9.如权利要求1所述的基于特征优化的路面性能衰变的预测方法，其特征在于，所述根据每次xgboost模型五折交叉验证结果进行排序，以获取对路面的性能数据的衰变影响最显著的特征，包括：五折交叉验证使用的评分指标是绝对系数，即表征依变数y的变异中有多少百分比,可由控制的自变数x来解释；其取值范围为0到1，越接近1代表模型拟合的越好。10.一种基于特征优化的路面性能衰变的预测装置，其特征在于，包括：建立模块，用于建立路段样本数据库，所述路段样本数据库包括每个路段样本的若干个特征、其对应的性能数据；创建模块，用于创建xgboost模型，其中，每个路段样本的若干个特征作为模型输入，性能数据的数值作为模型输出；检验模块，用于将路段样本中的训练样本引入xgboost模型，模型经超参数优化之后分别输出模型五折交叉验证评分及各个特征的重要性评分，剔除重要性评分最低的特征，将新的特征集重新输入xgboost模型，重复上述操作直至特征数为一；排序模块，用于根据每次超参数优化过后的xgboost模型的五折交叉验证评分进行排序，排名最高的评分对应的特征即为影响路面性能衰变的最显著的特征。预测模块，用于对筛选出的最优特征子集开发出最优的xgboost路面性能衰变预测模型。

技术总结
本发明提供一种基于特征优化的路面性能衰变预测方法，包括：建立路段样本数据库；创建ExtremeGradientBoosting(XGBoost)模型；将路段样本输入XGBoost，经超参数优化，得出五折交叉验证评分及各特征的重要性分数；将各特征重要性分数进行排序并剔除得分最低的特征；将新的特征集再次输入到XGBoost中并重复之前的步骤直至特征数降为一；对历次的交叉验证分数进行排序，最高评分对应的特征即为对路面性能衰变影响最为显著的特征；基于优化后的特征开发XGBoost预测模型并验证模型精度。本发明采用优化的递归特征消除法分析确定影响路面性能衰变的关键影响因素，在进一步提高XGBoost路面性能预测模型效果的同时提高了该预测模型的泛化性。该预测方法对路面养护决策的制定具有较大意义。有较大意义。有较大意义。


技术研发人员：肖伟 王长柏 刘晨旭 吴剑杨 高蒙成
受保护的技术使用者：安徽理工大学
技术研发日：2023.03.10
技术公布日：2023/8/21