張志斌

(廣東盛翔交通工程檢測(cè)有限公司，廣州 510000)

目前中國(guó)高速公路路網(wǎng)建設(shè)速度已放緩，隨著設(shè)計(jì)使用年限的到來(lái)，大規(guī)模路網(wǎng)開(kāi)始進(jìn)入養(yǎng)護(hù)維修階段，對(duì)高速公路的路面使用性能進(jìn)行準(zhǔn)確預(yù)測(cè)不僅是制定合理養(yǎng)護(hù)策劃及處置措施的前提，還是提高路用性能、延長(zhǎng)道路使用壽命、改善道路經(jīng)濟(jì)效益的關(guān)鍵[1-2]。近年來(lái)，很多學(xué)者針對(duì)道路技術(shù)狀況預(yù)測(cè)進(jìn)行了系統(tǒng)研究。楊博等[3]建立了道路性能預(yù)測(cè)指標(biāo)，并基于參數(shù)自跟蹤的路面使用性能預(yù)測(cè)模型，以準(zhǔn)確分析瀝青路面性能發(fā)展過(guò)程；蘇衛(wèi)國(guó)等[4]從力學(xué)機(jī)理出發(fā)，建立了瀝青路面性能衰變的預(yù)測(cè)模型，可指導(dǎo)預(yù)防性養(yǎng)護(hù)方案決策研究；于曉賀等[5]為確定合理的瀝青路面養(yǎng)護(hù)時(shí)機(jī)和養(yǎng)護(hù)方式，通過(guò)優(yōu)化灰色預(yù)測(cè)模型并依賴初始值的問(wèn)題，建立了修正灰色預(yù)測(cè)模型，并結(jié)合漢十高速公路養(yǎng)護(hù)數(shù)據(jù)進(jìn)行了試驗(yàn)驗(yàn)證；林利聰[6]采用灰色預(yù)測(cè)法、灰色馬爾可夫預(yù)測(cè)法對(duì)路面性能指標(biāo)進(jìn)行預(yù)測(cè)，以合理確定預(yù)防性養(yǎng)護(hù)修復(fù)的時(shí)機(jī)；嚴(yán)世濤等[7]分析了雙參數(shù)取值對(duì)應(yīng)的養(yǎng)護(hù)模式，并結(jié)合灰色理論，建立了路面性能衰變預(yù)測(cè)模型；張麗娟等[8]提出了基于K最鄰近非參數(shù)回歸的道路路面性能預(yù)測(cè)方法。以上這些傳統(tǒng)的路面性能預(yù)測(cè)需對(duì)具體路段進(jìn)行具體分析，不適用于大數(shù)據(jù)時(shí)代下的高效道路養(yǎng)護(hù)需求。

隨著人工神經(jīng)網(wǎng)絡(luò)等現(xiàn)代化AI技術(shù)的成熟，一些學(xué)者開(kāi)始將神經(jīng)網(wǎng)絡(luò)引入道路性能預(yù)測(cè)中，謝峰[9]使用BP神經(jīng)網(wǎng)絡(luò)建立了路面狀況指數(shù)(PCI)、結(jié)構(gòu)強(qiáng)度指數(shù)(PSSI)、行駛質(zhì)量指數(shù)(RQI)、抗滑性能指數(shù)(SRI)等4個(gè)路面性能評(píng)價(jià)指標(biāo)的預(yù)測(cè)模型；王笑風(fēng)等[10]基于循環(huán)神經(jīng)網(wǎng)絡(luò)單元(LSTM)對(duì)道路性能預(yù)測(cè)的參數(shù)進(jìn)行了優(yōu)化研究，但使用LSTM網(wǎng)絡(luò)較淺，并未對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)單元進(jìn)行深入的應(yīng)用分析。

綜上所述，神經(jīng)網(wǎng)絡(luò)算法的出現(xiàn)促進(jìn)了大數(shù)據(jù)公路養(yǎng)護(hù)管理的發(fā)展，但目前在該領(lǐng)域應(yīng)用較窄，無(wú)法解決神經(jīng)網(wǎng)絡(luò)泛化性能差的關(guān)鍵問(wèn)題，使得基于神經(jīng)網(wǎng)絡(luò)的養(yǎng)護(hù)方案決策遲遲得不到充分的推廣與運(yùn)用。

本文基于循環(huán)神經(jīng)網(wǎng)絡(luò)單元，構(gòu)建了深層循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的高速公路瀝青路面的健康狀況預(yù)測(cè)模型，比較了不同循環(huán)神經(jīng)網(wǎng)絡(luò)單元的應(yīng)用效果，針對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)工程實(shí)用的限制進(jìn)行了分析，并以廣西省某高速公路養(yǎng)護(hù)數(shù)據(jù)為例進(jìn)行工程應(yīng)用分析，短期預(yù)測(cè)精度高達(dá)97%。

1 瀝青路面健康狀況評(píng)定標(biāo)準(zhǔn)

高速公路瀝青路面的健康狀況多采用道路的抗滑、車轍、破損、平整性等指標(biāo)進(jìn)行表征，并通過(guò)加權(quán)求和得到路面技術(shù)狀況指數(shù)PQI(Pavement Quality Index)，作為衡量瀝青路面健康狀況的依據(jù)，以PQI評(píng)分劃分為“優(yōu)、良、中、次、差”級(jí)次，結(jié)合養(yǎng)護(hù)資金，確定路段養(yǎng)護(hù)方案的適宜等級(jí)，即大修、中修、小修、預(yù)防性養(yǎng)護(hù)和無(wú)需養(yǎng)護(hù)[11-13]。在養(yǎng)護(hù)等級(jí)確定后，再結(jié)合PQI的分項(xiàng)指標(biāo)情況，細(xì)化道路養(yǎng)護(hù)方案的處治措施，因此，實(shí)現(xiàn)道路各項(xiàng)評(píng)價(jià)指標(biāo)的準(zhǔn)確預(yù)測(cè)是對(duì)道路健康狀況進(jìn)行準(zhǔn)確判斷以及合理制定具體養(yǎng)護(hù)方案的關(guān)鍵。

在《公路技術(shù)狀況評(píng)定標(biāo)準(zhǔn)》(JTG 5210—2018)中，新增了衡量路面跳車狀況的指標(biāo)PBI以及衡量路面磨耗情況的指標(biāo)PWI，更新后的PQI按公式(1)計(jì)算。

PQI=0.35PCI+ 0.30RQI+ 0.15RDI+ 0.10PBI+ 0.10SRI( 或PWI)

(1)

式中：PCI表示路面損壞狀況指數(shù)；RQI表示路面行駛質(zhì)量指數(shù)；RDI表示路面車轍狀況指數(shù)；SRI表示路面抗滑性能指數(shù)。其中抗滑與磨耗二取一進(jìn)行PQI計(jì)算。

2 深層人工神經(jīng)網(wǎng)絡(luò)

基于人工神經(jīng)網(wǎng)絡(luò)ANN (Artificial Neural Network)的路面檢測(cè)指標(biāo)預(yù)測(cè)是一種穩(wěn)定、快速、可靠的現(xiàn)代人工智能算法。ANN網(wǎng)絡(luò)分為輸入層、隱藏層與輸出層，輸入層為離散、獨(dú)立的影響因素變量“x”，輸出層為待求的值“y”，ANN網(wǎng)絡(luò)的目的即建立輸入與輸出之間的映射關(guān)系，這種映射關(guān)系是無(wú)法顯示表達(dá)的復(fù)雜非線性映射，如式(2)表述。

(y1,y2…yj)=f(x1,x2…xi)

(2)

ANN網(wǎng)絡(luò)通過(guò)隱藏層來(lái)建立映射關(guān)系，網(wǎng)絡(luò)所能表征映射的非線性程度與復(fù)雜度由隱藏層所含神經(jīng)元的個(gè)數(shù)和激活函數(shù)決定，神經(jīng)元的參數(shù)包括權(quán)重w與偏置b，一個(gè)隱藏層所包含的可供訓(xùn)練的網(wǎng)絡(luò)參數(shù)數(shù)量為(i+1)×n個(gè)，其中i為上一層的神經(jīng)元數(shù)量，n為該隱藏層的神經(jīng)元數(shù)量。信號(hào)從上一層向下一層傳遞時(shí)按照公式(3)計(jì)算。

Hn=g(Hn+bn)

(3)

式中：Hn為隱藏層第n個(gè)神經(jīng)元；g(x)為激活函數(shù)，常用來(lái)為網(wǎng)絡(luò)添加非線性的激活函數(shù)有“Tanh”、“ReLU”和“Sigmoid”等，如式(4)所示。

(4)

圖1 人工神經(jīng)網(wǎng)絡(luò)工作流程Fig.1 Process of artificial neural network

深層人工神經(jīng)網(wǎng)絡(luò)DANN(DeepArtificial Neural Network)是在ANN的基礎(chǔ)上不斷添加隱藏層數(shù)量和隱藏層神經(jīng)元的個(gè)數(shù)，增大網(wǎng)絡(luò)的參數(shù)數(shù)量級(jí)來(lái)實(shí)現(xiàn)對(duì)更深度、更復(fù)雜的映射關(guān)系的挖掘。DANN網(wǎng)絡(luò)所面臨的問(wèn)題是隨著隱藏層數(shù)量的增大，誤差傳播的梯度消散及過(guò)擬合問(wèn)題。因此，DANN網(wǎng)絡(luò)常伴隨著歸一化操作和Dropout操作。

采用DANN進(jìn)行道路健康狀況預(yù)測(cè)時(shí)，根據(jù)養(yǎng)護(hù)監(jiān)測(cè)的實(shí)際情況，監(jiān)測(cè)間隔通常為1年，因此將多年的養(yǎng)護(hù)監(jiān)測(cè)數(shù)據(jù)進(jìn)行整理，輸入數(shù)據(jù)x為[PCIt,RQIt,RDIt,SRIt]，輸出數(shù)據(jù)y的真值為[PCIt+1,RQIt+1,RDIt+1,SRIt+1]，即前后2年的各項(xiàng)檢測(cè)指標(biāo)。為進(jìn)一步提高DANN模型擬合的泛化能力，輸入數(shù)據(jù)x通常會(huì)增加路齡、結(jié)構(gòu)、交通荷載及溫度等因素。

3 深層循環(huán)神經(jīng)網(wǎng)絡(luò)

DANN網(wǎng)絡(luò)通常的訓(xùn)練樣本數(shù)據(jù)為前后2年的道路健康狀況監(jiān)測(cè)數(shù)據(jù)，無(wú)法在網(wǎng)絡(luò)中考慮道路多年的技術(shù)狀況變化情況。為了充分對(duì)道路的養(yǎng)護(hù)歷史進(jìn)行數(shù)據(jù)挖掘，本文提出將循環(huán)神經(jīng)網(wǎng)絡(luò)RNN[14-15](RecurrentNeural Network)結(jié)構(gòu)引入道路健康狀況預(yù)測(cè)中，構(gòu)建深層循環(huán)神經(jīng)網(wǎng)絡(luò)，以進(jìn)一步提高預(yù)測(cè)精度。

RNN網(wǎng)絡(luò)的輸入是一個(gè)時(shí)間序列，在一個(gè)RNN神經(jīng)元內(nèi)存在一個(gè)與輸入的時(shí)間序列Xt長(zhǎng)度相等的傳遞結(jié)構(gòu)Ht，每個(gè)隱藏單元接受的輸入除了它自身對(duì)應(yīng)時(shí)刻的x輸入外，還有上一時(shí)刻隱藏單元的輸出，如式(5)所示。

Ht=f(U·Xt+W·Ht-1)

Ot=g(V·Ht)

(5)

式中：U，W和V是可訓(xùn)練的權(quán)重；f(x)和g(x)是激活函數(shù)(可相同)。

RNN神經(jīng)元可以控制輸出序列的長(zhǎng)度，根據(jù)需求，可選擇不進(jìn)行Ot的輸出，得到最后一個(gè)隱藏單元Ht的輸出，也可將每個(gè)隱藏單元對(duì)應(yīng)的Ot輸出序列作為下一層網(wǎng)絡(luò)的輸入值。根據(jù)道路健康狀況的預(yù)測(cè)需求，通常選擇根據(jù)前n年的檢測(cè)指標(biāo)對(duì)第n+1年的指標(biāo)進(jìn)行預(yù)測(cè)，因此通常不輸出Ot序列，在經(jīng)過(guò)一層RNN層后拼接全連接層，即后接一個(gè)DANN網(wǎng)絡(luò)，構(gòu)成深度循環(huán)神經(jīng)網(wǎng)絡(luò)DRNN(Deep Recurrent Neural Network)。當(dāng)然，如果選擇使用多層RNN層增加對(duì)時(shí)間序列規(guī)律的擬合，多層RNN層之間需要輸出Ot序列進(jìn)行連接。

簡(jiǎn)單RNN單元中的隱藏層與普通ANN網(wǎng)絡(luò)的隱藏層相同，只進(jìn)行簡(jiǎn)單的乘法和加法運(yùn)算即輸出至下一隱藏單元，但當(dāng)輸入序列過(guò)長(zhǎng)時(shí)，簡(jiǎn)單RNN單元在傳遞前信號(hào)的過(guò)程中會(huì)使早期的序列信息不斷稀釋，造成信息的丟失和反向傳播過(guò)程中的梯度彌散。為了解決RNN網(wǎng)絡(luò)的長(zhǎng)期記憶和反向傳播中的梯度等問(wèn)題，有學(xué)者在簡(jiǎn)單RNN單元的基礎(chǔ)上提出了長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM (Long Short-Term Memory networks)，在一個(gè)隱藏單元內(nèi)部添加了“遺忘門”“輸入門”和“輸出門”的復(fù)雜結(jié)構(gòu)，實(shí)現(xiàn)在序列傳遞的同時(shí)不斷增強(qiáng)對(duì)早期序列的記憶。但是LSTM網(wǎng)絡(luò)的參數(shù)過(guò)多，受到計(jì)算能力的限制，在LSTM的基礎(chǔ)上進(jìn)行了簡(jiǎn)化，提出了與LSTM計(jì)算性能相似，但減少了大量計(jì)算參數(shù)的門控循環(huán)單元網(wǎng)絡(luò)GRU(Gate Recurrent Unit)。3種網(wǎng)絡(luò)的計(jì)算流程如圖2所示。

(a) 簡(jiǎn)單RNN單元

在使用RNN網(wǎng)絡(luò)進(jìn)行道路健康狀況預(yù)測(cè)時(shí)需要注意的是，輸入序列x必須是未經(jīng)過(guò)養(yǎng)護(hù)的自然衰減下的連續(xù)檢測(cè)指標(biāo)序列。道路養(yǎng)護(hù)工作會(huì)改變?cè)镜穆范翁卣鳎?次養(yǎng)護(hù)后，路段應(yīng)被視為一個(gè)新的開(kāi)始進(jìn)行記錄，因此道路養(yǎng)護(hù)時(shí)間序列必須是未經(jīng)過(guò)養(yǎng)護(hù)修復(fù)的單調(diào)遞減的指標(biāo)序列，但在實(shí)際的養(yǎng)護(hù)工程中，連續(xù)數(shù)年不進(jìn)行養(yǎng)護(hù)工作(包括預(yù)防性養(yǎng)護(hù))路段的數(shù)據(jù)量較少，因此需對(duì)歷史監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)處理方式，在數(shù)據(jù)的質(zhì)量與數(shù)量之間進(jìn)行平衡。本文推薦輸入時(shí)間序列的長(zhǎng)度在6年～10年之間。在6年～10年的養(yǎng)護(hù)歷史中挑選未經(jīng)過(guò)養(yǎng)護(hù)或僅進(jìn)行過(guò)1次養(yǎng)護(hù)的路段數(shù)據(jù)，借鑒M J FANG等[16]的研究工作，將1次養(yǎng)護(hù)帶來(lái)的曲線突變點(diǎn)視為噪聲數(shù)據(jù)，通過(guò)小波去噪對(duì)時(shí)間序列進(jìn)行重構(gòu)，將得到6年～10年的單調(diào)遞減時(shí)間序列作為訓(xùn)練數(shù)據(jù)集的輸入數(shù)據(jù)訓(xùn)練RNN網(wǎng)絡(luò)。

4 案例分析

以廣西省某高速公路養(yǎng)護(hù)數(shù)據(jù)為例，使用10年的養(yǎng)護(hù)監(jiān)測(cè)數(shù)據(jù)制作訓(xùn)練集，以前9年的道路各指標(biāo)時(shí)間序列作為訓(xùn)練樣本，預(yù)測(cè)第10年的健康狀況，并同實(shí)際檢測(cè)的健康狀況進(jìn)行對(duì)比分析及計(jì)算訓(xùn)練的精度。分別訓(xùn)練3種不同單元的RNN神經(jīng)網(wǎng)絡(luò)(簡(jiǎn)單RNN單元、LSTM單元和GRU單元)，訓(xùn)練集數(shù)據(jù)參數(shù)如表1所示。

表1 RNN網(wǎng)絡(luò)養(yǎng)護(hù)樣本數(shù)據(jù)Table 1 RNN network maintenance sample data

同時(shí)，訓(xùn)練ANN模型作為控制組進(jìn)行對(duì)比試驗(yàn)，ANN模型的訓(xùn)練集參數(shù)如表2所示。

表2 ANN網(wǎng)絡(luò)養(yǎng)護(hù)樣本數(shù)據(jù)Table 2 ANN network maintenance sample data

使用Tensorflow 2.0框架構(gòu)建ANN網(wǎng)絡(luò)和3種不同單元的RNN網(wǎng)絡(luò)，為了保持一致性，4種網(wǎng)絡(luò)結(jié)構(gòu)均搭建為深度神經(jīng)網(wǎng)絡(luò)，具有相同的層數(shù)與相同的過(guò)擬合等網(wǎng)絡(luò)優(yōu)化方式，4種網(wǎng)絡(luò)的訓(xùn)練參數(shù)如表3所示，具體網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

表3 4種網(wǎng)絡(luò)訓(xùn)練參數(shù)Table 3 Training parameters of four networks

圖3 ANN網(wǎng)絡(luò)和3種不同單元RNN網(wǎng)絡(luò)的具體結(jié)構(gòu)Fig.3 Specific structure of ANN network and three different unit RNN networks

(a) ANN

由圖4可見(jiàn)，RNN網(wǎng)絡(luò)的精度均優(yōu)于ANN網(wǎng)絡(luò)。ANN網(wǎng)絡(luò)、SimpleRNN單元、LSTM單元、GRU單元的擬合精度分別為85%、92%、95%、97%。試驗(yàn)表明，RNN單元結(jié)合了多年歷史信息，能有效提高基于神經(jīng)網(wǎng)絡(luò)的道路健康狀況預(yù)測(cè)算法的精度。

5 結(jié)論

1) 循環(huán)神經(jīng)網(wǎng)絡(luò)可擬合道路多年檢測(cè)歷史，通過(guò)對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘得到更深層次的映射關(guān)系，使用循環(huán)神經(jīng)網(wǎng)絡(luò)RNN替代傳統(tǒng)全連接神經(jīng)網(wǎng)絡(luò)ANN進(jìn)行預(yù)測(cè)，精度可提升7%以上。

2) 使用門控循環(huán)單元GRU的循環(huán)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果最優(yōu)，在短期預(yù)測(cè)試驗(yàn)中，GRU單元網(wǎng)絡(luò)的預(yù)測(cè)精度可高達(dá)97%，高于使用SimpleRNN單元和LSTM單元的循環(huán)網(wǎng)絡(luò)。

3) 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的道路健康狀況預(yù)測(cè)對(duì)訓(xùn)練數(shù)據(jù)的質(zhì)量要求很高，時(shí)間序列較短會(huì)導(dǎo)致預(yù)測(cè)精度不佳。養(yǎng)護(hù)工程中，由于很難獲取多年未進(jìn)行養(yǎng)護(hù)維修的路段數(shù)據(jù)，因此對(duì)現(xiàn)有數(shù)據(jù)進(jìn)行預(yù)處理就尤為重要。本文借鑒已有研究，采用小波去噪的方式進(jìn)行時(shí)間序列預(yù)處理，在進(jìn)一步研究中，需對(duì)數(shù)據(jù)預(yù)處理方式進(jìn)行進(jìn)一步深入探討，以提高預(yù)測(cè)模型的實(shí)用性。