馬 子 媛， 李 海 蓮*,2， 藺 望 東

(1.蘭州交通大學(xué) 土木工程學(xué)院，甘肅 蘭州 730070；2.蘭州交通大學(xué) 甘肅省道路橋梁與地下工程重點(diǎn)實(shí)驗(yàn)室，甘肅 蘭州 730070 )

0 引 言

近年來(lái)，我國(guó)公路建設(shè)事業(yè)迅速發(fā)展，僅“十三五”期間公路建設(shè)就達(dá)4.2×105km，公路規(guī)模和運(yùn)輸量均位居世界前列．然而，隨著路面使用時(shí)間的增加和人們出行頻率的迅速增長(zhǎng)，瀝青路面出現(xiàn)大量的損毀和病害現(xiàn)象．當(dāng)路面發(fā)生損壞后，若沒(méi)能及時(shí)采取有效措施進(jìn)行養(yǎng)護(hù)和修復(fù)，嚴(yán)重時(shí)將影響路面結(jié)構(gòu)性能，進(jìn)而對(duì)路面行車(chē)安全產(chǎn)生嚴(yán)重威脅[1-2]．因此，建立精確合理的路面破損狀況預(yù)測(cè)模型可以有效避免由于路面破損造成的事故，同時(shí)還可以為養(yǎng)護(hù)決策的科學(xué)開(kāi)展與養(yǎng)護(hù)資金的合理分配提供理論基礎(chǔ)．

現(xiàn)有研究表明，神經(jīng)網(wǎng)絡(luò)模型可以對(duì)瀝青路面使用性能進(jìn)行評(píng)價(jià)和預(yù)測(cè)．常用的神經(jīng)網(wǎng)絡(luò)模型包括BP神經(jīng)網(wǎng)絡(luò)模型、灰色神經(jīng)網(wǎng)絡(luò)模型、模糊神經(jīng)網(wǎng)絡(luò)模型以及RBF神經(jīng)網(wǎng)絡(luò)模型．周鵬飛等[3]將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到路面使用性能評(píng)價(jià)中，該模型有較強(qiáng)的泛化能力，然而針對(duì)路面使用性能評(píng)價(jià)的復(fù)雜非線性問(wèn)題，其收斂速度較慢，難以推廣；陳仕周等[4]提出利用模糊神經(jīng)網(wǎng)絡(luò)模型耦合遺傳算法對(duì)路面使用性能進(jìn)行預(yù)測(cè)，其建模所需數(shù)據(jù)量少，且短期預(yù)測(cè)精度較高，但對(duì)中長(zhǎng)期的數(shù)據(jù)預(yù)測(cè)精度不佳，而且考慮的指標(biāo)較為單一；趙見(jiàn)龍等[5]采用小波模糊神經(jīng)網(wǎng)絡(luò)對(duì)路面性能進(jìn)行預(yù)測(cè)，由于模型數(shù)據(jù)積累量少，尚需進(jìn)一步修正和完善．

基于上述相關(guān)研究的不足，本研究采用改進(jìn)粒子群優(yōu)化算法對(duì)徑向基神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，通過(guò)主成分分析法建立考慮路面性能、路面使用狀況和路面環(huán)境狀況的多維瀝青路面破損狀況預(yù)測(cè)模型．

1 PCA、PSO、RBF神經(jīng)網(wǎng)絡(luò)基本原理

1.1 PCA

主成分分析(principal component analysis，PCA)法是將相互之間存在相關(guān)性的變量轉(zhuǎn)化為幾個(gè)少數(shù)線性無(wú)關(guān)變量的一種數(shù)據(jù)分析方法[6-8]．主成分分析以其強(qiáng)大的數(shù)據(jù)提取能力在保留主要信息的同時(shí)，將其轉(zhuǎn)化為少量線性無(wú)關(guān)、具有綜合性的指標(biāo)變量．通過(guò)減少神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)個(gè)數(shù)，縮小神經(jīng)網(wǎng)絡(luò)規(guī)模，提高神經(jīng)網(wǎng)絡(luò)的泛化能力．PCA既簡(jiǎn)潔、準(zhǔn)確又確保了信息的完整性，達(dá)到科學(xué)高效地解決研究問(wèn)題的目的．

1.2 PSO

粒子群優(yōu)化(particle swarm optimization，PSO)算法是一種模擬鳥(niǎo)群捕食的仿生學(xué)算法[9]．在PSO算法中每一個(gè)粒子都代表待優(yōu)化問(wèn)題的一個(gè)可能解．粒子在迭代尋優(yōu)過(guò)程中，通過(guò)計(jì)算適應(yīng)度比較當(dāng)前位置是否為最優(yōu)位置，從而決定是否需要對(duì)粒子個(gè)體最優(yōu)解和全局最優(yōu)解進(jìn)行更新．同時(shí)粒子根據(jù)自身速度和位置信息，不斷調(diào)整運(yùn)動(dòng)方向與路徑，從而得到個(gè)體在空間中的最優(yōu)解，最終得到滿足終止條件的種群最優(yōu)解．

設(shè)尋優(yōu)問(wèn)題的空間維數(shù)為n(1≤d≤n)，空間中存在m個(gè)粒子，用向量Xi=(xi1xi2…xin)表示第i(1≤i≤m)個(gè)粒子當(dāng)前位置，用向量vi=(vi1vi2…vin)表示其當(dāng)前速度．在滿足終止條件內(nèi)，通過(guò)比較粒子個(gè)體所飛行的各個(gè)位置的適應(yīng)度確定第i個(gè)粒子的最優(yōu)位置為Pi=(pi1pi2…pin)，進(jìn)而確定整個(gè)粒子群的最優(yōu)位置Gi=(g1g2…gn)．按照式(1)、(2)分別計(jì)算第i個(gè)粒子的第d維速度和位置[10]：

(1)

(2)

1.3 RBF

徑向基函數(shù)(radical basic function，RBF)神經(jīng)網(wǎng)絡(luò)是一種3層前饋分析網(wǎng)絡(luò)，由輸入層、隱含層和輸出層構(gòu)成，是一種較理想的非線性計(jì)算工具．RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示，其通過(guò)徑向基函數(shù)[11]控制隱含層節(jié)點(diǎn)進(jìn)行高維非線性變換．

圖1 RBF神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.1 The structure of radical basic function neural network model

設(shè)RBF神經(jīng)網(wǎng)絡(luò)輸入層有a個(gè)節(jié)點(diǎn)，隱含層有l(wèi)個(gè)節(jié)點(diǎn)，輸入層用向量(x1x2…xa)T表示，隱含層徑向基函數(shù)選擇常用的高斯函數(shù)[12]，如式(3)所示，則RBF神經(jīng)網(wǎng)絡(luò)的第q個(gè)輸出節(jié)點(diǎn)表示為式(4)．

(3)

(4)

2 改進(jìn)PSO(IPSO)算法優(yōu)化RBF瀝青路面破損狀況預(yù)測(cè)模型

2.1 慣性權(quán)重因子的改進(jìn)

慣性權(quán)重因子在粒子全局尋優(yōu)過(guò)程中是一個(gè)重要的可調(diào)整參數(shù)[13]．傳統(tǒng)粒子群改進(jìn)算法中慣性權(quán)重因子的計(jì)算通常采用線性遞減的方式，具體計(jì)算公式為

(5)

式中：ωmax和ωmin分別表示權(quán)重最大值和最小值，k表示當(dāng)前迭代次數(shù)，kmax表示迭代次數(shù)的最大值．

對(duì)于一些復(fù)雜的問(wèn)題，采用線性遞減的慣性權(quán)重計(jì)算方式不能如實(shí)反映粒子的實(shí)際搜索過(guò)程，并且當(dāng)粒子位于局部極值點(diǎn)鄰近區(qū)域時(shí)，由于ω線性遞減，容易造成粒子陷入局部最優(yōu)解，使算法無(wú)法達(dá)到理想的尋優(yōu)能力．相關(guān)學(xué)者的研究表明，慣性權(quán)重采用凹函數(shù)的遞減方式時(shí)計(jì)算結(jié)果較為精確[14]．因此，為了更好地平衡粒子局部和全局的搜索能力，本文采用動(dòng)態(tài)調(diào)整的方式對(duì)慣性權(quán)重進(jìn)行改進(jìn)，即采用非線性遞減策略．改進(jìn)后的慣性權(quán)重計(jì)算公式如式(6)所示．在粒子迭代過(guò)程前期慣性權(quán)重因子采用加速遞減的方式，能夠使粒子跳出局部較差的區(qū)域，逐漸向最優(yōu)解方向移動(dòng)；而在迭代過(guò)程后期，粒子運(yùn)動(dòng)速度的減小逐漸放緩，并趨于最終權(quán)重，有利于粒子在最優(yōu)解鄰近區(qū)域內(nèi)進(jìn)行局部尋優(yōu)．

(6)

根據(jù)以往的研究結(jié)果[15]，ω的取值區(qū)間通常為[0.4，0.9]．

為了驗(yàn)證IPSO算法的尋優(yōu)能力，本文利用Sphere和Rosenbrock標(biāo)準(zhǔn)函數(shù)對(duì)慣性權(quán)重采用線性遞減方式的PSO算法和本文的IPSO算法進(jìn)行仿真驗(yàn)證測(cè)試．各個(gè)測(cè)試函數(shù)的表達(dá)式、維數(shù)、搜索空間以及目標(biāo)解如表1所示．

表1 兩個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)Tab.1 Two standard test functions

為了有效驗(yàn)證IPSO算法的改進(jìn)情況，將PSO和IPSO的相關(guān)參數(shù)取相同值，具體參數(shù)設(shè)置如下：種群數(shù)量n′=30，最大迭代次數(shù)為1 000，維數(shù)為30，c1=c2=2，ωmax=0.9，ωmin=0.3．分別用上述兩種算法對(duì)各個(gè)測(cè)試函數(shù)訓(xùn)練30次．圖2、3為各函數(shù)的圖像和適應(yīng)度變化過(guò)程．表2為兩種算法最優(yōu)解的均值和方差．

(a)函數(shù)圖像

(a)函數(shù)圖像

從圖2、3可以看出，通過(guò)IPSO算法計(jì)算兩種函數(shù)最優(yōu)解的尋優(yōu)速度明顯優(yōu)于PSO算法．從表2可以看出，IPSO算法最優(yōu)解均值更接近函數(shù)理想解，并且方差也均小于PSO算法．說(shuō)明改進(jìn)慣性權(quán)重因子的粒子群優(yōu)化算法相比于慣性權(quán)重線性遞減的粒子群優(yōu)化算法無(wú)論從精度還是收斂速度方面均表現(xiàn)出了更好的尋優(yōu)能力．

表2 標(biāo)準(zhǔn)函數(shù)的計(jì)算結(jié)果對(duì)比Tab.2 Comparison of calculation results of standard functions

2.2 RBF隱含層節(jié)點(diǎn)個(gè)數(shù)的計(jì)算

由式(3)可知，在RBF神經(jīng)網(wǎng)絡(luò)中隱含層基函數(shù)中心、寬度以及隱含層輸出權(quán)重均為待優(yōu)化參數(shù)，本研究通過(guò)PSO算法對(duì)上述3個(gè)參數(shù)進(jìn)行優(yōu)化．另一方面，隱含層節(jié)點(diǎn)個(gè)數(shù)對(duì)RBF預(yù)測(cè)結(jié)果也有十分重要的影響．研究表明，當(dāng)隱含層節(jié)點(diǎn)太少時(shí)，RBF神經(jīng)網(wǎng)絡(luò)欠缺學(xué)習(xí)能力和信息處理能力，無(wú)法有效逼近最優(yōu)結(jié)果，導(dǎo)致預(yù)測(cè)結(jié)果與實(shí)際偏差過(guò)大；反之，當(dāng)隱含層節(jié)點(diǎn)太多時(shí)，網(wǎng)絡(luò)結(jié)構(gòu)將變得復(fù)雜和耗時(shí)，網(wǎng)絡(luò)的泛化能力減弱，導(dǎo)致神經(jīng)網(wǎng)絡(luò)過(guò)度學(xué)習(xí)，容錯(cuò)能力下降[16]．因此，本研究通過(guò)試錯(cuò)法確定隱含層節(jié)點(diǎn)個(gè)數(shù)[17]．

首先根據(jù)式(7)得到RBF神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)個(gè)數(shù)的初始可行區(qū)間[e，f]，通過(guò)逐一計(jì)算比較區(qū)間內(nèi)的各點(diǎn)，在不斷縮小區(qū)間的過(guò)程中確定最佳的隱含層節(jié)點(diǎn)個(gè)數(shù)．

(7)

式中：nr、nc和ny分別表示RBF神經(jīng)網(wǎng)絡(luò)的輸入層、輸出層和隱含層節(jié)點(diǎn)個(gè)數(shù)．

2.3 IPSO-RBF算法模型

根據(jù)上述分析，建立基于IPSO-RBF的瀝青路面損壞狀況預(yù)測(cè)模型，具體預(yù)測(cè)流程如圖4所示．

圖4 基于IPSO-RBF的瀝青路面損壞狀況預(yù)測(cè)流程Fig.4 Prediction process of asphalt pavement damage condition based on IPSO-RBF

具體預(yù)測(cè)步驟如下：

(1)樣本數(shù)據(jù)歸一化．為了去除指標(biāo)間不同量綱的影響，按照式(8)對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理，使得樣本數(shù)據(jù)介于0、1之間．

(8)

式中：η為樣本容量，xi為樣本數(shù)據(jù)，xmin、xmax分別表示樣本數(shù)據(jù)中的最小值、最大值．

(2)篩選路面破損狀況主要影響指標(biāo)．考慮瀝青路面損壞狀況指數(shù)受到多種因素影響，為篩選出主要影響因素，對(duì)各影響指標(biāo)進(jìn)行灰色關(guān)聯(lián)度分析，通過(guò)式(9)計(jì)算各影響因素與路面損壞狀況指數(shù)之間的灰色關(guān)聯(lián)系數(shù)，并選取灰色關(guān)聯(lián)系數(shù)βij(k)>0.5的各相關(guān)指標(biāo)．

(9)

式中：βij(k)表示x′i(k)與x′j(k)的關(guān)聯(lián)系數(shù)；Δmin、Δmax分別表示數(shù)據(jù)中不同指標(biāo)間絕對(duì)差的最小值與最大值；μ為分辨系數(shù)，一般令μ=0.5[18]．

(3)利用主成分分析對(duì)主要影響因素進(jìn)行降維處理，以減少輸入層節(jié)點(diǎn)個(gè)數(shù)，實(shí)現(xiàn)降維的目的．

(4)確定RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)．RBF神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)個(gè)數(shù)與主成分個(gè)數(shù)一致，隱含層節(jié)點(diǎn)個(gè)數(shù)通過(guò)式(7)試錯(cuò)法確定．輸出層為路面損壞狀況指數(shù)(Ipc)，節(jié)點(diǎn)個(gè)數(shù)設(shè)置為1．

(5)優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)中的3個(gè)參數(shù)．將RBF神經(jīng)網(wǎng)絡(luò)中的參數(shù)隱含層中心ci、寬度σi和隱含層輸出權(quán)重ω以向量(ciσiωi)形式表示粒子群優(yōu)化算法中的粒子，然后設(shè)置IPSO算法中粒子群的種群規(guī)模m和最大迭代次數(shù)kmax．同時(shí)初始化各粒子的飛行速度v和位置x．根據(jù)式(6)計(jì)算慣性權(quán)重因子．

(6)根據(jù)式(10)計(jì)算粒子適應(yīng)度．將RBF神經(jīng)網(wǎng)絡(luò)的均方誤差作為粒子群優(yōu)化算法的適應(yīng)度函數(shù)計(jì)算公式，通過(guò)判斷粒子當(dāng)前位置適應(yīng)度，決定是否更新當(dāng)前粒子的最優(yōu)位置和整個(gè)粒子群的最優(yōu)位置．

(10)

式中：y′i表示粒子預(yù)測(cè)值，yi表示粒子實(shí)際值．

(7)根據(jù)式(1)、(2)更新粒子的速度和位置．若輸出結(jié)果滿足限制條件或者迭代次數(shù)超出限定值，則進(jìn)行步驟(8)；若輸出結(jié)果不滿足限制條件，則返回步驟(6)，重復(fù)迭代過(guò)程．

(8)將IPSO模型訓(xùn)練的最終結(jié)果作為RBF神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)，建立IPSO-RBF神經(jīng)網(wǎng)絡(luò)模型，得到瀝青路面破損狀況的預(yù)測(cè)結(jié)果．

2.4 預(yù)測(cè)精度評(píng)價(jià)

(11)

(12)

(13)

式中：p′i為模型預(yù)測(cè)值，pi為實(shí)際值．

3 實(shí)例預(yù)測(cè)及分析

3.1 原始數(shù)據(jù)

本研究選取G30連霍高速公路甘肅省內(nèi)某路段作為研究對(duì)象．根據(jù)西部地區(qū)高海拔的地域特點(diǎn)和寒冷干旱的特殊氣候條件，路面性能狀況、路面使用狀況和路面環(huán)境狀況對(duì)瀝青路面破損狀況均有一定影響．根據(jù)相關(guān)公路養(yǎng)護(hù)管理部門(mén)調(diào)查，常見(jiàn)的路面病害主要以車(chē)轍、裂縫、龜裂和坑槽為主，占路面全部破損量的89%以上，因此，裂縫率、修補(bǔ)率、龜裂面積率和坑槽率可以在一定程度上反映路面性能狀況．路面使用時(shí)間的延長(zhǎng)、交通量的增加和養(yǎng)護(hù)資金不充足，將會(huì)對(duì)路面破損造成影響，因此，采用路齡、交通量和養(yǎng)護(hù)資金作為路面使用狀況的評(píng)價(jià)指標(biāo)．同時(shí)，針對(duì)甘肅省日照時(shí)間長(zhǎng)、降雨量少的特殊氣候條件，將降雨量和日照時(shí)間作為路面環(huán)境評(píng)價(jià)指標(biāo)．本研究調(diào)查和搜集了該路段近11年來(lái)的路面損壞狀況指數(shù)(Ipc)x1、路齡x2、交通量x3、裂縫率(rc)x4、修補(bǔ)率(rp)x5、龜裂面積率(rm)x6、坑槽率(rt)x7、降雨量x8、日照時(shí)間x9和養(yǎng)護(hù)資金x10，調(diào)查結(jié)果如表3所示．

3.2 影響因素關(guān)聯(lián)度分析

運(yùn)用Matlab 2016a軟件對(duì)原始數(shù)據(jù)計(jì)算各個(gè)影響因素與路面損壞狀況指數(shù)間的灰色關(guān)聯(lián)度，對(duì)表3中Ipc指標(biāo)與初選的10個(gè)相關(guān)指標(biāo)做灰色關(guān)聯(lián)分析，灰色關(guān)聯(lián)度計(jì)算結(jié)果如表4所示．結(jié)果顯示，路面損壞狀況指數(shù)與各影響因素間的灰色關(guān)聯(lián)度排序?yàn)閤6>x2>x5>x7>x8>x4>x10>x9>x3．本次研究中選取與Ipc關(guān)聯(lián)度大于0.5的7個(gè)評(píng)價(jià)指標(biāo)作為主要影響因素．

表3 路面損壞狀況指數(shù)與各影響因素的調(diào)查結(jié)果Tab.3 Investigation results of road surface pavement condition index and its influencing factors

3.3 主成分分析建模

應(yīng)用SPSS26軟件中的因子分析功能對(duì)選取的7個(gè)影響因素進(jìn)行主成分分析．最終選取方差累計(jì)貢獻(xiàn)率達(dá)99.87%的4個(gè)主成分，既能夠達(dá)到降維的目的，又能較為完整地包含影響因素的信息，從而準(zhǔn)確反映Ipc與各影響因素之間的關(guān)系．根據(jù)表4，分別記為p1、p2、p3和p4，則各主成分表達(dá)式為

表4 各影響因素的方差貢獻(xiàn)率及特征向量Tab.4 Variance contribution rate and corresponding eigenvector of each influencing factor

xIpc=fr1gr1+fr2gr2+…+frngrn

(14)

式中：r為評(píng)價(jià)要素的個(gè)數(shù)，frn為各主成分的特征向量值，grn為各主成分的評(píng)價(jià)要素．

3.4 訓(xùn)練模型

選取2009～2018年歸一化后的綜合指標(biāo)數(shù)據(jù)作為訓(xùn)練樣本，2019年的為測(cè)試樣本．針對(duì)本文的研究問(wèn)題，將IPSO算法具體參數(shù)設(shè)置如下：粒子種群數(shù)n′=100，迭代次數(shù)為500，c1=c2=1.7，ωmax=0.9，ωmin=0.4．IPSO-RBF神經(jīng)網(wǎng)絡(luò)模型輸入層以提取4個(gè)主成分值作為輸入樣本，輸入層節(jié)點(diǎn)個(gè)數(shù)為4；以路面損壞狀況指數(shù)作為輸出樣本，輸出層節(jié)點(diǎn)個(gè)數(shù)為1．經(jīng)過(guò)反復(fù)實(shí)驗(yàn)可得，當(dāng)隱含層節(jié)點(diǎn)個(gè)數(shù)為8時(shí)，模型預(yù)測(cè)結(jié)果較為精確，逼近效果最優(yōu)．

3.5 預(yù)測(cè)結(jié)果與分析

IPSO-RBF神經(jīng)網(wǎng)絡(luò)模型的均方誤差曲線如圖5所示，將該模型的預(yù)測(cè)結(jié)果與傳統(tǒng)PSO-RBF神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果進(jìn)行比較，如表5所示．

圖5 IPSO-RBF預(yù)測(cè)模型均方誤差學(xué)習(xí)曲線Fig.5 The mean square error learning curve of IPSO-RBF prediction model

綜合表5數(shù)據(jù)可知，IPSO-RBF模型的平均絕對(duì)誤差為0.841 6，低于PSO-RBF模型的平均絕對(duì)誤差(1.386 0)，也遠(yuǎn)低于RBF模型的平均絕對(duì)誤差(2.271 1)．在相對(duì)誤差方面，IPSO-RBF模型的相對(duì)誤差低于2%的有10個(gè)，占總樣本的90.9%；PSO-RBF模型的相對(duì)誤差低于2%的有5個(gè)，占總樣本的45.5%；RBF模型的相對(duì)誤差低于2%的有4個(gè)，占總樣本的36.4%．

表5 模型預(yù)測(cè)結(jié)果與分析Tab.5 Model prediction results and analysis

圖6為3種模型Ipc預(yù)測(cè)值與實(shí)際值變化趨勢(shì)圖．從中可以看出，IPSO-RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)曲線與實(shí)際值曲線最為接近，且IPSO-RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)精度波動(dòng)較小，而PSO-RBF和RBF模型預(yù)測(cè)精度隨著預(yù)測(cè)時(shí)間的增加波動(dòng)范圍變大，因此，IPSO-RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型是一種有效的路面破損狀況預(yù)測(cè)方法．

圖6 不同模型路面損壞狀況指標(biāo)預(yù)測(cè)值與實(shí)際值變化趨勢(shì)圖Fig.6 Pavement condition index predicted value and actual value change trend chart of different models

4 結(jié) 論

(1)利用主成分分析法建立了多維非線性的瀝青路面破損狀況預(yù)測(cè)模型．以往學(xué)者對(duì)路面破損狀況預(yù)測(cè)的研究只針對(duì)單一指數(shù)，沒(méi)有充分考慮相關(guān)評(píng)價(jià)指標(biāo)對(duì)路面破損狀況的影響．因此，本研究從路面性能、路面使用狀況和路面環(huán)境狀況3個(gè)方面，綜合考慮路面損壞狀況指數(shù)、路齡、交通量、裂縫率、修補(bǔ)率、龜裂面積率、坑槽率、降雨量、日照時(shí)間和養(yǎng)護(hù)資金等對(duì)路面損壞狀況指數(shù)的影響，使路面破損狀況的預(yù)測(cè)模型更加準(zhǔn)確．

(2)通過(guò)對(duì)粒子群優(yōu)化算法中慣性權(quán)重因子進(jìn)行改進(jìn)，將IPSO-RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型運(yùn)用在瀝青路面破損狀況預(yù)測(cè)中，所得預(yù)測(cè)結(jié)果的平均絕對(duì)誤差相較PSO-RBF和RBF預(yù)測(cè)模型分別降低了40.28%和62.94%；預(yù)測(cè)精度順序?yàn)镮PSO-RBF>PSO-RBF>RBF，說(shuō)明IPSO-RBF神經(jīng)網(wǎng)絡(luò)模型是路面破損狀況預(yù)測(cè)的有效方法之一，預(yù)測(cè)精度更高．

(3)通過(guò)實(shí)例對(duì)優(yōu)化模型進(jìn)行驗(yàn)證．IPSO-RBF神經(jīng)網(wǎng)絡(luò)模型在瀝青路面使用性能預(yù)測(cè)中獲得了較為滿意的結(jié)果．然而本實(shí)例中樣本數(shù)量不夠充足，且路面損壞狀況指數(shù)變動(dòng)幅度不是很大，因此，在對(duì)個(gè)別指標(biāo)發(fā)生較大突變的路段進(jìn)行路面破損狀況預(yù)測(cè)時(shí)，該模型預(yù)測(cè)結(jié)果的精確度還有待進(jìn)一步探討．