一种基于微观单元性能预测的高速公路精准养护决策方法与流程

1.本发明涉及路基路面工程技术领域，具体是将人工智能方法应用到高速公路的微观单元性能监测，并利用遗传算法实现高速公路周期养护决策和规划。


背景技术：

2.随着我国基础设施建设的不断推进，中国已经成为世界上公路总里程最长的国家。然而其中大多数高速公路的很多路段达不到设计寿命，在使用10年-15年后甚至更短时间就需要频繁的大型维护来支撑正常运行，耗费了大量的人力物力，因此怎样科学地进行道路养护决策，有节奏地进行高速养护规划，成为发展绿色交通道路，提高公路路面管理系统服务水平的核心问题。传统的高速公路养护一般会选取间隔时间，定期对路面性能进行评估，根据评估结果选取差异养护方式(上海市公路管理处.公路沥青路面养护技术规范:jtj073.2-2001.陕西旅游出版社,2001.)。然而该方法对于路面性能恢复属于“先破坏，后养护”，对病害的检测，服务水平的提升具有滞后性，造成了高速公路整体的服务质量受损。同时传统养护方法缺乏对道路历史数据的深度挖掘，对路面性能的衰变规律没有深入的科学分析，造成养护决策的主观性。
3.张丽娟等(张丽娟,黄晟,梅诚等.基于k最邻近算法的沥青路面使用性能预测[j].公路工程,2020,45(03):73-78+85.)基于k最邻近算法预测沥青路面使用性能，输入变量包含自然分区、交通条件、道路结构和路龄，对pqi值进行预测并优化k值，得到精度较高的预测模型，该方法没有时间序列的历史数据参与训练，属于单纯的静态预测，很难得到实用的预测模型，且预测单元一般每一组数据单元均为1千米及以上，预测单元粗糙，养护区间由于实际工程需要设定较大，设置小的预测单元进行预测难度较大且如何将小预测单元进行整合也是一大难点，对实际养护指导意义有限。此外，该文献中的预测方法对于预测后性能没有规范的养护决策指导研究，无法建立预测方法与养护决策的联系，不能将预测模型反哺养护决策模型，无法应用实际的工程实践。
[0004]
李莉等(李莉,管婷婷.考虑多种损坏构成特征的沥青路面预防性养护决策方法[j].上海大学学报(自然科学版)：1-13.)划分有效养护路段，建立2个bp神经网络模型对具体养护措施进行预测，并对精度和泛化能力做出评估，提高养护对策选取的针对性。该类方法应用的数据来源完全为历史养护资料，将以往的性能和养护直接关联，养护方式设为目标值进行预测，该历史养护资料本身就属于主观资料，其养护对策仍具有主观性，模型为了降低误差去拟合历史养护对策变量，只会放大历史数据的主观性。同时对于养护对策的影响没有进行深入分析，无法从更长的时间维度进行道路全生命周期的养护决策优化。


技术实现要素：

[0005]
鉴于上述现状的不足，本发明拟解决的技术问题是，提供一种基于微观单元性能预测的高速公路精准养护决策方法，该方法根据高速公路各项历史数据建立高速公路精准养护决策，从而达到高速公路在养护规划期限内养护效益最优，并能够使高速公路持续保
持高服务水平的技术效果。该方法包括养护区间选择、路面特征预测和养护决策优化，能够根据道路现有状况选取需要养护的区间单元，深入挖掘路面特征的历史数据对包括路面使用性能和其他特征进行合理预测，并在养护期内搜索最优的养护策略，形成效益最优的高速公路智能养护体系，通过养护决策优化的养护策略去优化路面特征，路面特征预测的结果又能反哺养护决策优化，达到效益最优，更加客观。
[0006]
为了解决上述技术问题，本发明的技术方案为：
[0007]
一种基于微观单元性能预测的高速公路精准养护决策方法，该方法根据高速公路各项历史数据建立高速公路精准养护决策，从而达到高速公路在养护规划期限内养护效益最优，该方法包括养护单元选择模块、特征预测模块、性能预测模块和养护决策模块，
[0008]
养护单元选择模块根据道路现有状况选取需要养护的养护单元，
[0009]
特征预测模块对目标高速公路所有百米桩号单元进行交通特征和环境特征的独立预测；
[0010]
性能预测模块接收来自特征预测模块的预测值作为养护周期内的特征值进行使用性能的连续预测，性能预测模块的输入包括养护方式；
[0011]
养护决策模块收集需要养护方式的空缺值，利用迭代过程中的个体基因编码值填充养护方式，填补空缺，完成养护周期内使用性能的预测和适应度的计算，利用遗传算法逐步提升个体的适应度以达到增大养护效益、优化养护决策的目的，得到的个体解码对应的养护方式即是最优的养护对策。
[0012]
所述养护单元选择模块中养护单元的选取方式是：
[0013]
1)收集高速公路当前年份所有路段的使用性能数据，养护单元的选取中以百米单元为开始，整个路段的长度较长，使用性能数据长度单位设为百米，时间单位为一年，设目标高速公路共设有n个百米单元，数据按照不同使用性能为列索引存储在表格中，每一行为一个百米单元的性能数据；设置必须养护的上限阈值为第一阈值，设置临界养护阈值为第二阈值，设置不需要养护的下限阈值为第三阈值；
[0014]
2)百米初筛：对所有路段进行百米初筛，将至少一项性能小于第一阈值的百米单元直接设为百米备选养护单元，所有的百米备选养护单元形成百米备选养护单元集合；
[0015]
3)千米复筛：包括千米集成融合、单元长度折半；
[0016]
千米集成融合：设定养护单元的基本长度，百米初筛完成之后需要对所有的百米单元(包含之前已经设为百米备选养护单元的所有百米单元)性能按照养护单元的基本长度进行千米单元的集成，
[0017]
从目标高速公路第一个百米单元到第n个百米单元进行一次千米单元的集成，按照百米单元的顺序每往下滑动一个百米单元集成一次千米单元，共形成若干组有交叉区域的千米单元，根据公式(1)计算出每一组千米单元的使用性能集成值，对每一组千米单元进行千米复筛，将至少一项千米单元的使用性能集成值小于第二阈值的千米单元设为千米待选养护单元，
[0018][0019]
其中pk为使用性能集成值；p
h(i)
为第i个百米单元的使用性能，n为集成区间中包含
百米单元的个数，下标k表示集成、h表示未集成；
[0020]
根据破坏的连续性和交通状况同质性，千米待选养护单元出现集群现象，即多数千米待选养护单元会粘连在一起，将粘连和重叠部分直接进行融合，将千米集成时重叠的部分拿去，变为大于千米单元长度的待选养护单元，将大于千米单元长度的待选养护单元和未融合的千米待选养护单元直接进行单元长度折半过程进行进一步筛选；
[0021]
单元长度折半：以养护单元的基本长度的一半作为再次集成的长度，实现了单元对折的目的，将属于大于千米单元长度的待选养护单元或未融合的千米待选养护单元中的百米单元进行对折后长度的集成，按照百米单元的顺序每往下滑动一个百米单元集成一次新集成长度下的单元，根据公式(1)计算出每一组新集成长度下的单元的使用性能集成值；
[0022]
对于处在大于千米单元长度的待选养护单元或未融合的千米待选养护单元的边界且新集成长度下的单元的使用性能集成值高于第二阈值的新集成长度下的单元，直接进行剔除处理；对于处在大于千米单元长度的待选养护单元或未融合的千米待选养护单元中间且高于第二阈值的新集成长度下的单元，以该新集成长度下的单元左右两边长度是否小于1千米为依据分别处理；
[0023]
若左右两边长度均大于1千米，直接剔除该新集成长度下的单元，并将包含该剔除的新集成长度下的单元的大于千米单元长度的待选养护单元分割为两个新的大于1千米的待选养护单元；
[0024]
若左右两边有小于1千米的部分，仍保留该新集成长度下的单元，再对新集成长度进行对折，单元长度折半的过程是一个循环过程，折半遇到奇数，按照整数划分成两部分，取长度较小的为再次集成的长度，进行新集成长度下使用性能集成计算，直至单元长度不大于百米复检的两倍，循环过程终止；
[0025]
通过上述千米复筛的过程能够避免性能优秀且小于千米的路段被其他破坏严重的路段遮盖成为养护对象的情况出现，将性能优秀的且小于千米的路段找到进行剔除；
[0026]
经过上述千米复筛获得了新的复筛备选养护单元，若新的复筛备选养护单元中包含了属于百米备选养护单元集合中的百米单元，则直接以千米复筛所确定的区间为备选养护单元，在百米备选养护单元集合中将该百米单元剔除，剩余部分设置相同的养护方式；
[0027]
4)百米复检：最后对千米复筛获得的新的复筛备选养护单元进行百米复检，首先则是阈值检查，对所有使用性能均高于第三阈值的百米单元直接进行剔除，但不分割原有的复筛备选养护单元；其次要对所有复筛备选养护单元进行性能差异的检查，若复筛备选养护单元内存在因不同性能的第二阈值被筛选出来的百米单元或百米单元段，将由相同性能的第二阈值被筛选出的百米单元或百米单元段从复筛备选养护单元中独立出来按照性能的不同设为不同种类的新的养护单元；若没有因不同性能的第二阈值被筛选出来的百米单元或百米单元段，则保持原有复筛备选养护单元；
[0028]
最后，剔除高于第三阈值的百米单元的复筛备选养护单元和百米备选养护单元集合中剔除与千米复筛重叠的百米单元后的集合均转化为最终的养护单元，最终的养护单元具有多种类别的养护单元，同一种类别的养护单元的养护方式均一致。
[0029]
所述千米单元长度为不小于1千米的100的整数倍长度，优选千米单元长度为1千米或2千米。
[0030]
基于微观单元性能预测的高速公路精准养护决策方法的流程是：
[0031]
步骤1.设置养护周期z，并对高速公路数据进行收集，收集的数据包括高速公路历史数据和当前数据；历史数据含高速公路单元的交通特征资料、环境特征资料、养护资料和使用性能资料；当前数据含高速公路单元当前年份的交通特征数据、环境特征数据和使用性能数据，利用历史数据拟合各百米单元内无养护性能衰变曲线，为遗传算法适应度计算做准备；
[0032]
步骤2.基于指数平滑法构建特征预测模型，预测养护周期内的交通特征和环境特征；将历史数据和特征预测模型的预测数据投入性能预测模型中，训练性能预测模型并存储模型参数；同时为了统一养护单元，将养护方式相同的百米单元进行集成，由百米单元转化为大的养护单元，同时各项使用性能均参与考虑，最后与特征预测模型和性能预测模型一同参与养护周期循环；
[0033]
步骤3.设置遗传算法参数，将初始化后的种群投入性能预测模型、特征预测模型，并进行养护单元选择，判断是否达到养护周期年限，直至计算出养护周期内所有养护单元的路面使用性能；种群指的是很多个体的集合，一个个体是一种养护方案，利用无养护性能衰变曲线计算出适应度函数，根据适应度函数计算种群中每个个体的适应度值，再根据计算的适应度判断是否满足迭代停止条件，若不满足对种群进行选择操作、交叉操作和编译操作，直到满足遗传算法终止条件，遗传算法搜索结束，获取针对目标高速公路的最佳养护对策。
[0034]
与现有技术相比，本发明有益效果在于：
[0035]
1.本发明决策方法考虑了养护方式对性能的持续影响，深入挖掘历史数据资料。养护决策的形成是基于养护周期内所有路段的性能衰变情况，通过智能算法快速精准搜索，能够在时间维度和空间维度(空间维度就是尽可能全面地提高整条高速公路各个路段的服务水平)上最大程度的提高高速公路整体的服务水平，给出针对于目标高速公路最佳的养护对策。
[0036]
2.养护效益函数增加折减系数用于调节对不同远近年份养护效益的平衡，同时该体系将养护周期内的养护效益作为优化目标，增加养护成本约束。根据历史数据创建了特征预测模型和性能预测模型，能够预知病害，并以较小成本完成病害的提前防治。在整体上节省了大量的人力物力和养护成本，同时也杜绝了大规模维护对高速公路造成的各项不良影响。
[0037]
3.养护单元选择模块包含各项筛选机制，有层次地将需要养护的路段精准定位并合理划分。百米初筛能够避免破坏严重的小长度路段被大长度的养护单元消化隐藏，千米复筛和百米复检能够将性能优秀的小长度路段从养护单元中剥除，同时利用该小长度路段和性能差异对养护区间进行再分割。科学合理的养护单元选择会从根本上保证养护决策的有效性和针对性。
[0038]
4.本技术根据性能状况进行细致分段，同时将小单元的性能单元转化为可以施工的大养护单元，大养护单元即为养护单元选择模块所确定的最终的养护单元，这种大养护单元根据路面使用性能的不同设置不同的养护方式，且每种使用性能指标也对应了不同种类的病害，因此，养护单元选择模块既解决了何处进行养护的问题，又解决了不同路面性能使用何种养护方式的问题，各项性能进行控制选择保证了识别各类病害的全面性，多种路面使用新能的考量能够体现各类病害的性能。
[0039]
5.本发明中整个体系在特征预测模块和性能预测模块中采用小单元桩号(百米桩号)预测，而在养护单元选择模块利用小区间数据进行各层次筛选得到合适的相对大区间的养护单元，这种集成的大的养护单元既保证了整个养护体系基于小单元预测的精准性，又保证了在实际施工的可操作性；特征预测模块和性能预测模块能利用历史数据进行特征连续预测，并能够根据不同性能组合预测得到养护周期内各单元的使用性能预测，特征预测模块和性能预测模块解决了何时进行养护的问题，精确度高；根据正常衰变曲线，遗传算法在养护周期内对于不同的养护方式组合进行智能搜索，解决了选择什么养护方式的问题，给出最优养护对策，利用遗传算法进行养护决策，以达到养护周期内的目标道路养护效益最大化。
[0040]
总之，本发明用到的养护资料是作为特征值对性能进行预测，为客观预测，且以预防性养护路面性能预测作为参考依据，能够起到预防性养护的目的，减少经济效益损失；全程由智能算法对数据进行深入分析，具有预测、选择和决策一系列功能，完全杜绝养护决策中的主观性，完全实现了自动分析、精准决策、预防性养护的技术效果，是实现全生命周期的智能养护的重要环节。
附图说明
[0041]
图1为本发明各组成部分关系图；
[0042]
图2为本发明养护单元选择过程示意图；
[0043]
图3为本发明特征预测和性能预测结构示意图；
[0044]
图4为本发明中用到的遗传算法的流程图；
[0045]
图5为本发明智能决策流程图。
具体实施方式
[0046]
下面给出本发明的具体实施例。具体实施例仅用于进一步详细说明本发明，不限制本技术的保护范围。
[0047]
本发明基于微观单元性能预测的高速公路精准养护决策方法，构建了一种智能养护决策体系。如图1所示，智能养护决策体系包含了养护单元选择模块、特征预测模块、性能预测模块和养护决策模块。图中各序号为各组成部分间的相互关系。养护单元选择模块将百米单元集成为大尺度可施工的养护单元，根据高速公路当前的性能分布，精准选择养护路段。特征预测模块和性能预测模块完成对养护周期内的性能状态的预测，凸显养护方式对性能发展的影响。养护决策模块利用遗传算法对在养护周期内不同的养护方式组合进行最优化搜索，以养护效益为适应度函数，为养护周期内规划养护效益最高并满足养护成本约束的最优养护对策。
[0048]
如图1所示，过程1为养护单元选择过程，养护单元选择模块在每一个养护时间节点上，提供养护区域的选择，既能根据现有的精确到百米的道路性能状况，进行个性化差异化的精准养护，又能兼顾实际工程情况，将同质同性的百米桩号单元集成为养护单元，统一的养护方式便于实际工程的便利。过程3是特征预测模块对目标高速公路所有百米桩号单元进行交通特征和环境特征的独立预测，能够保证性能预测模块顺利进行。过程4是性能预测模块接收来自特征预测模块的预测值作为养护周期内的特征值进行使用性能的连续预
测。每一年性能预测的结果又会作为下一周期性能预测的特征值参与使用性能预测，将性能预测的结果分配到高速公路各个百米桩号对应过程5，性能预测模块预测的结果是各个路段的性能，分配到高速公路中，又开始养护单元选择、特征值预测和性能预测的过程。过程6表明在每一个养护时间节点内，需要养护方式作为特征值才能完成性能的预测，对应目标高速公路的当前养护方式会输入到性能预测模块中。过程2和过程7是养护决策模块收集需要养护方式的空缺值，利用迭代过程中的个体基因编码值填充养护方式，填补空缺，完成养护周期内使用性能的预测和适应度的计算，以达到增大养护效益，优化养护决策的目的。得到养护方式即是最优的养护对策，作用于目标高速公路，对应过程8。
[0049]
1.养护单元选择模块
[0050]
养护单元选择模块是基于高速公路养护周期起点时间节点的路面使用性能状况，对目标高速公路的所有路段选择需要养护的路段，设为养护单元，养护单元所覆盖的区域为养护区域，即需要养护的路段认为是养护单元，该养护单元的长度较长。养护周期起点时间节点一般就是当前的时间设为养护周期起点时间节点，本实施方案的养护时间节点分割单位设为年。
[0051]
养护单元具体的选取方法如图2所示：首先收集高速公路当前年份所有路段的使用性能数据，包括：pci、rqi、rdi、sri和pssi等，养护单元的选取中以百米单元为开始，整个路段的长度较长，在本实施例中使用性能数据长度单位设为百米，时间单位为一年，设目标高速公路共设有n个百米单元，数据按照不同使用性能为列索引存储在表格中，每一行为一个百米单元的性能数据；设置必须养护的上限阈值为第一阈值，设置临界养护阈值为第二阈值，设置不需要养护的下限阈值为第三阈值，本实施例中第一阈值以及第二阈值和第三阈值的推荐取值都在表1中给出。
[0052]
表1
[0053][0054]
其次百米初筛：对所有路段进行百米初筛，作用为避免千米集成时将性能恶劣的百米单元消化，将至少一项性能小于第一阈值的百米单元直接设为百米备选养护单元，所有的百米备选养护单元形成百米备选养护单元集合；
[0055]
千米复筛：本实施方式中设定养护单元的基本长度为1千米。百米初筛完成之后需要对所有的百米单元(包含之前已经设为百米备选养护单元的所有百米单元)性能按照养护单元的基本长度进行千米单元的集成，
[0056]
从目标高速公路第一个百米单元到第n个百米单元进行一次千米单元的集成，按照百米单元的顺序每往下滑动一个百米单元集成一次千米单元，共形成(n-9)组有交叉区域的千米单元，因为最后9个百米单元再往下无法集成为一千米，因此千米单元的总数为(n-n+1)组或者是(n-9)组。根据公式(1)计算出每一组千米单元的使用性能集成值，对每一组千米单元进行千米复筛，将至少一项千米单元的使用性能集成值小于第二阈值的千米单
元设为千米待选养护单元，
[0057][0058]
其中pk为使用性能集成值；p
h(i)
为第i个百米单元的使用性能，n为集成区间中包含百米单元的个数，n即为单元长度，本步骤中进行千米单元的单元长度设置为1千米，因此所包含的百米单元的个数为10，下标k表示集成、h表示未集成。该公式(1)为性能集成公式，对一千米区间内不同的百米单元按照使用性能大小不同进行加权，适用于各项使用性能集成值的计算，能够凸显性能恶劣百米单元的养护需求。
[0059]
根据破坏的连续性和交通状况同质性，千米待选养护单元出现集群现象，即多数千米待选养护单元会粘连在一起，将粘连和重叠部分直接进行融合，将千米集成时重叠的部分拿去，直接变成实实在在的长度，即变为大于1千米的待选养护单元，将大于1千米的待选养护单元和未融合的千米待选养护单元直接进行单元长度折半过程进行进一步筛选。
[0060]
单元长度折半：以养护单元的基本长度的一半作为再次集成的长度，本实施例中再此集成的长度为五百米，即实现了单元对折的目的，将属于大于1千米的待选养护单元或未融合的千米待选养护单元中的百米单元进行五百米的集成，即从属于大于1千米的待选养护单元或未融合的千米待选养护单元中的第一个百米单元到第5个百米单元进行一次五百米的集成，形成一组五百米单元，按照百米单元的顺序每往下滑动一个百米单元集成一次五百米单元，根据公式(1)计算出每一组五百米单元的使用性能集成值，此时公式(1)中使用性能集成值代表五百米单元的使用性能集成值，n此时为5。
[0061]
对于处在大于1千米的待选养护单元或未融合的千米待选养护单元的边界且五百米单元的使用性能集成值高于第二阈值的五百米单元，直接进行剔除处理；对于处在大于1千米的待选养护单元或未融合的千米待选养护单元中间且高于第二阈值的五百米单元，以该五百米单元左右两边长度是否小于1千米为依据分别处理；
[0062]
若左右两边长度均大于1千米，直接剔除该五百米单元，并将包含该剔除的五百米单元的大于1千米的待选养护单元分割为两个新的大于1千米的待选养护单元；
[0063]
若左右两边有小于1千米的部分，仍保留该五百米单元，再以五百米折半，此时折半遇到奇数，按照整数划分为200米和300米，取长度较小的200米为再次集成的长度，将属于大于1千米的待选养护单元中的百米单元进行两百米的集成，即从属于大于1千米的待选养护单元中的第一个百米单元到第2个百米单元进行一次两百米的集成，形成一组两百米单元，按照百米单元的顺序每往下滑动一个百米单元集成一次两百米单元，根据公式(1)计算出每一组两百米单元的使用性能集成值，此时公式(1)中使用性能集成值代表两百米单元的使用性能集成值，n此时为2。本实施方式中设为两百米，停止该过程，千米复筛完成。
[0064]
对于处在大于1千米的待选养护单元的边界且两百米单元的使用性能集成值高于第二阈值的两百米单元，直接进行剔除处理；对于处在大于1千米的待选养护单元中间且高于第二阈值的两百米单元，以该两百米单元左右两边长度是否小于1千米为依据分别处理；
[0065]
若左右两边长度均大于1千米，直接剔除该两百米单元，并将包含该剔除的两百米单元的大于1千米的待选养护单元分割为两个新的大于1千米的待选养护单元；
[0066]
若左右两边有小于1千米的部分，仍保留该两百米单元，此时单元长度为两百米单
元长度是百米复检的两倍，完成千米复筛的过程。
[0067]
单元长度折半的过程是一个循环过程，折半遇到奇数，按照整数划分成两部分，取较长度小的为再次集成的长度，进行新集成长度下使用性能集成计算，直至单元长度为百米复检的两倍，循环过程终止。
[0068]
通过上述千米复筛的过程能够避免性能优秀且小于千米的路段被其他破坏严重的路段遮盖成为养护对象的情况出现，将性能优秀的且小于千米的路段找到进行剔除，即上述过程中五百米的剔除、两百米剔除等操作。
[0069]
经过上述千米复筛获得了新的复筛备选养护单元，若新的复筛备选养护单元中包含了属于百米备选养护单元集合中的百米单元，则直接以千米复筛所确定的区间为备选养护单元，在百米备选养护单元集合中将该百米单元剔除，剩余部分设置相同的养护方式。
[0070]
百米复检：最后对千米复筛获得的新的复筛备选养护单元进行百米复检。第一个百米初筛是性能极差的路段必须要进行养护，最后的百米复检是为了防止很好的一百米单元也被包含其中，需要剔除，其实养护单元选择过程就是将性能差的单元找到，并且将能够采用相同养护方式的部分进行粘连，划分不同种类的养护单元，对不同种类的养护单元给予不同的养护方案。首先则是阈值检查，对所有使用性能均高于第三阈值的百米单元直接进行剔除，但不分割原有的复筛备选养护单元；其次要对所有复筛备选养护单元进行性能差异的检查，若复筛备选养护单元内存在因不同性能的第二阈值被筛选出来的百米单元或百米单元段(一些百米单元粘连在一起的百米单元集合)，将由相同性能的第二阈值被筛选出的百米单元或百米单元段从复筛备选养护单元中独立出来按照性能的不同设为不同种类的新的养护单元。若没有因不同性能的第二阈值被筛选出来的百米单元或百米单元段，则保持原有复筛备选养护单元。最后，剔除高于第三阈值的百米单元的复筛备选养护单元和百米备选养护单元集合中剔除与千米复筛重叠的百米单元后的集合均转化为最终的养护单元，最终的养护单元具有多种类别的养护单元，同一种类别的养护单元的养护方式一样。
[0071]
2.特征预测模块和性能预测模块
[0072]
数据收集：收集目标高速公路的历史数据。数据包括：高速公路的使用性能数据、环境特征数据和交通特征数据。在该实施方式中以上特征数据长度单位设为百米，时间单位为一年。路面使用性能数据包括自高速公路建成以来，每一年对于高速公路进行周期检测获取的时序数据。使用性能包括：pci、rqi、rdi、sri和pssi。所有检测过程均按照《公路技术状况评定标准》(jtgh20-2007)开展。以桩号为行索引，年份为列索引对数据进行统计整理并存储。环境特征数据包括温度数据、降雨量数据。交通特征数据为标准轴载次数。标准轴载次数依照《公路沥青路面设计规范》(jtgd50-2006)计算。
[0073]
建立特征预测模型：如图3所示，将环境特征和交通特征按照时间序列进行排布，行索引为百米桩号，列索引为年份，年份起点为高速公路开通时间节点，年份终点为高速公路养护周期的起点(养护周期起点即为当前年份，之前的数据为历史数据，用于建立指数平滑法模型)。由于环境特征和交通特征具有强烈的时序连续特点，对环境特征和交通特征的预测采用指数平滑法预测公式为：
[0074]y′
t+1
＝ay
t
+(1-a)y
′
t
,(t∈[0,t0))
ꢀꢀ
(2)
[0075][0076]
其中y
′
t+1
为第t+1期的预测值；y
′
t
为第t期的预测值；t0为养护周期起点年份；y
t
为第t期的真实值；y
′0为初始预测值；yi为第i个真实值；a为平滑系数；m为选取作为初始预测值的年份个数。本技术能够预测很多年的环境特征和交通特征数据，用模拟值代替真实值的过程。
[0077]
考虑到时序数据的连续性，避免数据预测的滞后性，本实施方式推荐取a为0.75，初始预测值y
′0设置为前三年的平均值，即m取3。为了性能预测模块能够顺利进行，需要对除养护周期起点外的其他时间节点的环境特征和交通特征进行预测，将多项式拟合的特征数值作为指数平滑法中的真实值，既能保证指数平滑法的单步预测向多步预测的顺利转变，又能考虑到所有历史数据，避免单一的多项式拟合造成误差累积。第t期的真实值的公式为公式(3)：
[0078]yt
＝fw(t),(t∈[t0,te))
ꢀꢀ
(3)
[0079]
其中y
t
为拟合第t期的真实值；fw()为模拟历史特征数据的对应多项式函数；te为养护周期终点年份。
[0080]
公式(2)和公式(3)为特征预测模型。
[0081]
构建性能预测模型结构：环境特征预测和交通特征预测完成后，对养护周期内的各项路面使用性能进行预测。预测框架如图3所示，采用连续预测的方式，将固定时长内的环境特征、交通特征、养护方式和对应的使用性能作为特征值，下一时间节点的使用性能作为目标值，构建人工神经网络模型。该固定时长过长会导致数据量折减和信息冗余易过拟合，本实施方式中推荐固定时长为2年(按照桩号记录数据，每个桩号有多个数据)。神经网络模型包含两个隐含层和一个丢弃层。其中隐含层神经元的个数和丢弃层的丢弃概率设为模型待优化的超参数。
[0082]
数据准备：为了能够表征养护对使用性能的影响并能作为特征值参与模型训练，需要将养护方式提前编码。利用浮点数编码的方式，对所有种类养护方式进行整数赋值。为了表示不同养护成本之间的具体关系，养护方式按照单位面积养护成本进行排序，其中也包括养护方式的组合，并按照从小到大依次赋值1,2,3,
…
，其中没有进行养护措施的情况设为0。将环境特征、交通特征、养护方式资料和使用性能历史数据进行时序化重组，即列索引为固定时长内的环境特征、交通特征、养护方式和使用性能的具体数值，最后一列为待预测的目标值数值；行索引为单个百米单元所对应的不同年份，主索引为百米单元的桩号，副索引为从高速公路通车时间节点到当前年份。
[0083]
训练和优化性能预测模型：准备完成的数据组按照7：2：1划分为训练集、验证集和测试集，划分方式为分层划分，分层依据为年份，划分结果为训练集、验证集和测试集中的各年份数据占比是相同的，保证性能预测模型的稳定性和全面性。训练集用于训练神经网络，首先随机初始化神经网络的超参数和权重阈值并设置精度限值，将训练集数据投入神经网络中得到初步结果。若没有达到精度要求，利用验证集数据进行性能预测模型的优化。采用控制变量法，每次控制其他超参数不变，梯度变化唯一超参数，得到多组预测结果，再次更换待调整的超参数，直至精度达到精度限值，停止优化过程。最后利用测试集数据对优
化后的性能预测模型进行泛化能力的测试，评估模型的最终预测能力，得到要求为止。
[0084]
连续多步预测：如图3所示，由历史数据训练完成的性能预测模型的网络参数固定，完成对养护周期内的使用性能的预测。将当前特征(包括环境特征、使用性能、交通特征和养护方式)和前一步特征(包括环境特征、使用性能、交通特征和养护方式)作为特征值，即将两个相邻年份的特征值都输入神经网络，直接预测养护周期第一年的使用性能。将预测结果(使用性能)作为养护周期第二年性能预测的一个特征值继续性能预测，以此类推，完成养护周期内所有使用性能的连续多步预测。养护周期内性能预测所用到的特征之一养护方式，是暂时空缺的，需要遗传算法提供个体基因进行填充，才能够进行持续预测。性能多步预测模型也是作为遗传算法种群的环境，提供适应度函数的计算材料。
[0085]
性能预测模型的特征值包括步长范围(步长范围即为时间单元的个数，一般设为2-4个时间单元最佳，过少预测难度大，过多数据大幅减少且特征值冗余。例如时间单元为1年，步长可定为3年。)内的交通特征、水文特征、养护资料和使用性能历史数据。目标值为目标年份的路面使用性能，包括：pci、rqi、rdi、sri、pbi和pssi。建立连续多步的预测模式，将每一时间单元内的使用性能预测值作为下一时间单元内的特征值进行循环连续。其中的交通特征和水文特征则是通过一次指数平滑法的方式进行单独预测，保证连续多步预测的特征值齐全。养护资料为步长范围内的对应路段所采用的养护方式。
[0086]
3.养护决策模块
[0087]
采用遗传算法对养护周期内的养护方案进行搜索，目的是让养护对策组合按照养护效益增多的方向优化，遗传算法能够快速提供有效优化路径，以达到获取最优养护对策的目标。
[0088]
建立基于遗传算法的养护方式特征搜索方法。方法包括构建养护效益函数、养护方式基因编码和智能搜索最优养护方式组合。根据养护效益曲线对各种养护方式产生的效益进行评价并作为遗传算法的适应度函数。根据各种养护方式不同类别进行编码并初始化作为第一代种群。将最高成本作为算法的约束条件，将养护方式朝着效益最优的方向迭代，最终达到终止条件，结束搜索，获取养护周期内所有路段的最佳养护对策。
[0089]
染色体编码：该遗传算法进行智能搜索的过程属于特征值优化，特征值之一的养护方式作为待优化的对象，因此个体设置为养护周期内的养护方式组合。养护方式本身已经经过编码，因此需要对遗传算法的个体的染色体进行编码。染色体编码的方式是浮点数编码，染色体的基因数为养护周期内所有养护单元的总和。由于每次的养护方式的差异造成养护单元选择模块选择结果的不同，每一个养护周期内的时间节点的养护单元数是变化的，因此采取变染色体长度的编码对策，即设定远远大于养护单元的数量作为染色体中基因个数，如公式所示：
[0090][0091]
其中r为染色体的基因数目；z为养护周期；ri为养护周期内第i年的养护单元数。按照经验总结的养护单元数量约为第一年养护单元数量与养护周期年份数之积的1.5倍。
[0092]
被用作参与迭代的部分基因为“有效基因”，其余称为“无效基因”，随着种群交叉变异时采取，会自动学习到无效基因的微小影响，而将进化的重点归于有效基因。对各个位
置的基因进行浮点数编码，每一个基因代表一种养护方式，编码的浮点数范围为养护方式的编码范围，最小值为0，最大值为单位面积成本最高的养护方式的编码值。
[0093]
适应度函数定义：遗传算法的适应度函数应该选取能够表现养护优劣的效益函数，并能够平衡长期效益和短期效益。路面使用性能的衰变是随着时间推移不断加深，不是简单的线性增长。对高速公路的养护工作体现在使用性能的提升上，然而随着时间推移，养护工作的正面效果不能仅仅通过使用性能的提升来衡量，应该利用对时刻的积分，配合各项使用性能的系数加以计算，具体公式如下：
[0094][0095][0096][0097]
其中s、s为参与养护的百米单元和百米单元集合；j、u为特定使用性能和适应性能集合，包括pci、rqi、rdi、sri和pssi；wj为各项使用性能(使用性能预测模块的预测结果)贡献的权重系数，本实施方式中推荐取值为：0.25，0.3，0.1，0.1，0.25；g为特定养护方式组合；b(g)为养护效果；e(g)为养护效益；fi(t)为养护周期内真实使用性能分段函数的拟合多次函数；m为该分段函数的分段数目；f0(t)为养护单元无养护措施使用性能衰变函数；t0为养护周期起点年份；te为养护周期终点年份；d为年份折减系数，本实施方式中推荐取值为0.05；n(g)为采取养护措施的次数；c(g)为单位面积养护方式所消耗成本函数；f(g)为所有百米单元在养护周期内的养护效益，即遗传算法的适应度函数。
[0098]
养护效果为不考虑养护成本，直接衡量养护收益的计算指标，按照百米单元分别计算，将百米单元的性能曲线与正常衰变曲线对时间积分，得到具体收益数值。其中性能曲线利用性能预测模型配合遗传算法的各种群的染色体计算得出，将预测数值按照多次函数拟合，拟合次数为参与拟合的时间节点个数，得到了性能曲线函数。由于养护次数可能多于一次，因此该函数为分段函数。而正常衰变曲线则是各特定(指的是所有百米单元独有的，每个百米单元单独计算正常衰变曲线)百米单元根据历史数据不参与养护年份的使用性能拟合得到，拟合次数仍为参与拟合的时间节点个数，得到了无养护使用性能正常衰变曲线函数。由于随着养护周期的拉长，性能预测模型的误差会累计增加，因此年份折减系数d用来增大近期养护效益所占权值，削弱远期效益的占比。而养护效益和养护成本均需乘以养护面积进行计算，然而分别作为分子和分母，直接抵消了养护面积数值，因此在原式中没有体现。最后的适应度函数为了全面衡量养护效果的综合情况，对各项系数产生效益进行加权叠加，不会过于片面地关注某一种破坏形式和某一种病害类型。
[0099]
遗传算法操作流程：如图4所示，遗传算法开始前首先设置优化参数，包括：最大迭代次数、养护成本最大限值、变异率、种群个体数、继承率。随后对养护周期内的所有养护方式进行编码染色体步骤。接着遗传算法首先需要初始化种群，采用随机初始化方式，即个体染色体的每一位置基因随机取编码范围内的随机值。种群所处环境为性能预测模型，此处的性能预测模型为由历史数据训练得到的性能预测模型，此时的模型已经完成训练，为固定的模型结构。将种群个体投入性能预测模型中作为特征值的一部分参与训练，得到预测值参与适应度函数的计算以计算适应度。迭代停止判断的第一条件为是否满足养护成本的限制，第二条件为是否到达最大迭代次数，只有满足第一条件才可参与第二条件的判断。若不满足上述条件对种群实施选择操作、交叉操作和变异操作，返回进行适应度计算。选择操作采用赌轮盘方法，即个体被选择概率与适应度大小成正比。交叉之前将种群中适应度靠前的个体直接保留，保留比例为继承率。采用变交叉率对种群个体进行交叉，即个体基因靠前的部分交叉概率更大，对应于有效基因参与交叉的几率更高。遗传算法的交叉方式采用两点交叉，即基因随机的两个位置间互换染色体片段。遗传算法的变异方式采用随机变异，即基因每一个位置都有相等于变异率的概率发生变异。直至满足停止条件，结束优化过程，获取最佳养护对策。
[0100]
对于具体的高速公路养护决策时，本发明工作流程如图5所示：
[0101]
步骤1.设置养护周期z，并对高速公路数据进行收集，收集的数据包括高速公路历史数据和当前数据。历史数据含高速公路单元的交通特征资料、环境特征资料、养护资料和使用性能资料。当前数据含高速公路单元当前年份的交通特征数据、环境特征数据和使用性能数据。利用历史数据拟合各百米单元内无养护性能衰变曲线，为遗传算法适应度计算做准备。
[0102]
步骤2.利用历史数据训练性能预测模型和特征预测模型。基于指数平滑法构建特征预测模型，预测养护周期内的交通特征和环境特征。将历史数据投入结构固定的性能预测模型中，训练得到性能预测模型并存储模型参数。利用上述特征预测模型和性能预测模型直接在编程环境中编译特征预测模块和使用性能预测模块。同时为了统一养护单元，编译养护单元选择模块，统一指的是将养护方式相同的百米单元进行集成，也就是养护单元选择模块的功能。本发明中的养护单元选择方式由百米单元转化为大的养护单元，同时各项使用性能均参与考虑。最后与特征预测模块和性能预测模块一同参与养护周期循环。这些集成模块(特征预测模块、性能预测模块和养护单元选择模块)投入养护周期内的真实数据即可进行运算。
[0103]
步骤3.设置遗传算法参数，将初始化后的种群投入性能预测模块、特征预测模块和养护单元选择模块(种群指的是很多个体的集合，一个个体是一种养护方案。因此投入的是养护方案)，判断是否达到养护周期年限，直至计算出养护周期内所有养护单元的路面使用性能。利用无养护性能衰变曲线计算出适应度函数，根据适应度函数计算种群中每个个体的适应度值，需要反复计算种群中所有个体的适应度，直到种群中所有个体适应度均计算出，再根据计算的适应度判断是否满足迭代停止条件，若不满足对种群进行选择操作、交叉操作和编译操作，直到满足遗传算法终止条件，遗传算法搜索结束。获取针对目标高速公路的最佳养护对策。
[0104]
本发明未述及之处适用于现有技术。