一种路面性能衰变的影响因素的确定方法及装置

摘要

本发明提供一种路面性能衰变的影响因素的确定方法，包括：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和其对应的性能数据；创建逐步回归模型，每个路段样本的若干个特征作为模型输入，性能数据的衰变速率作为模型输出；将路段样本的若干个特征逐个引入逐步回归模型，每引入一个特征后进行F检验，并对已引入的特征逐个进行t检验；根据F检验结果及t检验结果对特征值的显著性程度进行排序，以获取对路面的性能数据的衰变速率影响最显著的特征。本发明采用逐步回归分析确定影响路面性能衰变的关键影响因素，能够精确地获取影响路面性能衰变的关键影响因素，对路面性能预测、针对性的路面养护决策都具有较大意义。

说明书

技术领域

本发明涉及公路养护及管理技术领域，具体涉及一种路面性能衰变的影响因素的确定方法及装置。

背景技术

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，便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。

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。然而在考虑影响性能衰变规律的因素时，却多只考虑服役时间或轴载累计作用次数的影响，忽略路面结构材料、气候环境等因素的影响，也缺乏针对各种影响因素的筛选过程。而随着路面数据的不断积累，十分有必要提出一套方法从大数据角度对影响路面性能衰变的关键因素进行挖掘。

发明内容

针对现有技术的不足之处，本发明的目的在于提供一种沥青路面性能衰变的影响因素的确定方法及装置。

本发明的技术方案概述如下：

一方面，本发明提供一种路面性能衰变的影响因素的确定方法，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、其对应的性能数据及性能数据的衰变速率；

创建逐步回归模型，其中，每个路段样本的若干个特征作为模型输入，性能数据的衰变速率作为模型输出；

将路段样本的若干个特征逐个引入逐步回归模型，每引入一个特征后进行F检验，并对已引入的特征逐个进行t检验；

根据F检验结果及t检验结果对特征值的显著性程度进行排序，以获取对路面的性能数据的衰变速率影响最显著的特征。

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、横缝间距TCS中的至少之一。

进一步地，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。

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：

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。

进一步地，所述t检验中设定显著性水平p为0.05；

其中，p值<0.05表示该特征具有显著影响，且p值越小，影响越显著。

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。

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；

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；

所述养护信息包括养护时间、养护措施服役时间、养护技术、养护材料、养护添加剂类型的至少之一。

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的衰变速率之间关系的拟合曲线模型。

进一步地，所述根据F检验结果及t检验结果对特征值的显著性程度进行排序，以获取对路面的性能数据影响最显著的特征，包括：

根据t检验结果中的P值的大小进行排序，对于相同的P值按照F检验结果中F比对特征值的显著性程度进行排序，以获取对路面的性能数据的衰变速率的衰变速率影响最显著的特征。

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：

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、其对应的性能数据及性能数据的衰变速率；

创建模块，用于创建逐步回归模型，其中，每个路段样本的若干个特征作为模型输入，性能数据的衰变速率作为模型输出；

检验模块，用于将路段样本的若干个特征逐个引入逐步回归模型，每引入一个特征后进行F检验，并对已引入的特征逐个进行t检验；

排序模块，用于根据F检验结果及t检验结果对特征值的显著性程度进行排序，以获取对路面的性能数据的衰变速率影响最显著的特征。

相比现有技术，本发明的有益效果在于：

本发明提供一种路面性能衰变的影响因素的确定方法，

从大数据视角出发，基于多年实测路面数据，采用逐步回归分析在众多影响因素中确定影响路面性能衰变速率的关键影响因素，根据逐步回归分析的t检验和F检验结果对关键因素的显著程度进行排序，能够精确地获取影响路面性能衰变速率的关键影响因素，对路面性能预测、针对性的路面养护决策都具有较大意义。

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

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，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：

图1为本发明的一种路面性能衰变的影响因素的确定方法的流程示意图；

图2为本发明的一种路面性能衰变的影响因素的确定方法的另一流程示意图；

图3为本发明中路段进行划分的流程图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，本发明的前述和其它目的、特征、方面和优点将变得更加明显，以令本领域技术人员参照说明书文字能够据以实施。在附图中，为清晰起见，可对形状和尺寸进行放大，并将在所有图中使用相同的附图标记来指示相同或相似的部件。在下列描述中，诸如中心、厚度、高度、长度、前部、背部、后部、左边、右边、顶部、底部、上部、下部等用词为基于附图所示的方位或位置关系。特别地，“高度”相当于从顶部到底部的尺寸，“宽度”相当于从左边到右边的尺寸，“深度”相当于从前到后的尺寸。这些相对术语是为了说明方便起见并且通常并不旨在需要具体取向。涉及附接、联接等的术语(例如，“连接”和“附接”)是指这些结构通过中间结构彼此直接或间接固定或附接的关系、以及可动或刚性附接或关系，除非以其他方式明确地说明。

接下来，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。

实施例1：

如图1-2所示，本发明的一种路面性能衰变的影响因素的确定方法，包括：

S10、收集路面的性能数据和路面属性信息；

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。

根据路面属性信息对路段进行划分，得到路段样本，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。

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。

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；

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；

养护信息包括养护时间、养护措施服役时间、养护技术、养护材料、养护添加剂类型的至少之一。

具体的路面属性信息如表1所示：

表1

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、养护历史等，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。

S20、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、其对应的性能数据及性能数据的衰变速率。

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、ESAL15、平均客货比、通车至今最高温不小于30度天数比例、通车至今最低温不大于0度天数比例、下雨天数比例。

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。

性能数据的衰变速率为根据服役时间和性能数据得到的性能数据的衰变速率。其中，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。

具体地，本发明中为每一个路段匹配各项性能数据，并采用线性模型拟合车辙深度RD、国际平整度指数IRI、横向力系数SFC衰变方程为：

RD/IRI/SFC＝k·t+b

其中t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的服役时间，k的绝对值可表示衰变速率，b可表示新建路面的RD/IRI/SFC(初始值)。

或采用幂函数模型拟合横缝间距TCS衰变方程为：

TCS＝a·t

其中t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的服役时间，b的绝对值可表示衰变速率，a可表示服役时间为1年时的TCS。

其中k和b分别为性能数据(车辙深度RD、国际平整度指数IRI、横向力系数SFC和横缝间距TCS)衰变速率。

因此，根据服役时间和性能数据可以得到性能数据的衰变速率k和b。

S30、创建逐步回归模型，其中，每个路段样本的若干个特征作为模型输入，性能数据的衰变速率作为模型输出。

实际生活中，路面不同的属性信息会影响衰变速率k和b，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衰变速率，进而影响车辙深度RD、国际平整度指数IRI、横向力系数SFC等性能数据。

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、横缝间距TCS等性能数据的影响，执行S30将路段样本的若干个特征，例如路桥、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、ESAL15、平均客货比、通车至今最高温不小于30度天数比例、通车至今最低温不大于0度天数比例、下雨天数比例作为模型输入，将车辙深度RD、国际平整度指数IRI、横向力系数SFC等性能数据的衰变速率作为模型输出，基于逐步回归技术，本发明可通过调用Matlab工具包stepwise函数创建逐步回归模型，也可采用SPSS中的stepwise函数创建逐步回归模型。

S40、将路段样本的若干个特征逐个引入逐步回归模型，每引入一个特征后进行F检验，并对已引入的特征逐个进行t检验。

通过逐步回归建模的方法，寻找路段样本的若干个特征与性能数据的衰变速率之间的映射关系。逐步回归的基本思想是将变量逐个引入模型，每引入一个变量后都要进行F检验，并对选入的变量逐个进行t检验，当原来引入的变量由于后面变量的引入变得不再显著时，则将其删除，以确保每次引入新的变量之前回归方程只包含显著性变量。这是一个反复的过程，直到既没有显著的变量选入回归方程，也没有不显著的变量从回归方程中剔除为止，以保证最后所得到的变量都是最优的。

因此，本发明可通过调用Matlab工具包stepwise函数创建逐步回归模型，也可采用SPSS中的stepwise函数创建逐步回归模型。

S50、根据F检验结果及t检验结果对特征值的显著性程度进行排序，以获取对路面的性能数据的衰变速率影响最显著的特征。

将样本路段样本的若干个特征作为输入导入Matlab，将车辙深度RD、国际平整度指数IRI、横向力系数SFC、横缝间距TCS的衰变速率k和/或b作为输出，每引入一个新的变量都要进行F检验，并对之前引入的变量进行t检验，最终得到F检验结果、t检验结果及各显著变量的系数，根据各显著变量的系数，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的衰变速率之间关系的拟合曲线模型；其中，拟合曲线模型为线性或幂函数拟合曲线模型。

根据F检验结果及t检验结果对特征值的显著性程度进行排序，具体为：

根据t检验结果中的P值的大小进行排序，对于相同的“P值”按照F检验结果中“F比”对特征值的显著性程度进行排序，以获取对路面的性能数据的衰变速率影响最显著的特征。

其中，P值越小，F值越大说明该特征对路面性能影响最大。

优选地，t检验中设定显著性水平p为0.05；

其中，p值<0.05表示该特征具有显著影响，且p值越小，影响越显著。

下面以不同性能指标为例，具体说明本发明实施例中影响路面性能衰变速率的关键因素的确定结果。

如表2所示，影响车辙增长的衰变速率的关键因素包括路桥、面层改性沥青层厚度、上面层厚度、上面层类型、下面层类型、ESAL15、平均客货比、通车至今最高温度不小于30度的天数比例、通车至今最低温度不大于0度的天数比例、下雨天数比例。由表2中的显著性检验结果可知，P值最小的为面层改性沥青层厚度，因此影响最显著的因素是面层改性沥青层厚度。

表2

如表3所示，影响平整度增长的的衰变速率关键因素包括路桥、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、ESAL15、平均客货比、通车至今最高温度不小于35度的天数比例。由表3中的显著性检验结果可知，P值最小的有路桥、面层改性沥青层厚度、上面层厚度、中面层类型、下面层类型、通车至今最高温不小于30度天数比例，其中F比最高的为路桥，因此影响最显著的因素是路桥。

表3

如表4所示，影响抗滑性能衰变速率的关键因素包括路桥、面层改性沥青层厚度、上面层类型、上面层厚度、中面层类型、中面层厚度、下面层类型、下面层厚度、基层类型、ESAL15、通车至今最高温度不小于30度的天数比例、通车至今最低温度不大于0度的天数比例、下雨天数比例。由表4中的显著性检验结果可知，P值最小的有路桥、面层改性沥青层厚度、上面层厚度、上面层类型、中面层厚度、中面层类型、通车至今最高温不小于30度天数比例、通车至今最低温不大于0度天数比例，其中F比最高的为面层改性沥青层厚度，因此，影响最显著的因素是面层改性沥青层厚度。

表4

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：

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、养护信息、交通载荷数据中的至少之一。

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；

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；

养护信息包括养护时间、养护措施服役时间、养护技术、养护材料、养护添加剂类型的至少之一。

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。

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。

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、养护历史等，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。

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、其对应的性能数据及性能数据的衰变速率。

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、ESAL15、平均客货比、通车至今最高温不小于30度天数比例、通车至今最低温不大于0度天数比例、下雨天数比例。

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。

性能数据的衰变速率为根据服役时间和性能数据得到的性能数据的衰变速率。其中，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。

具体地，本发明中为每一个路段匹配各项性能数据，并采用线性模型拟合车辙深度RD、国际平整度指数IRI、横向力系数SFC衰变方程为：

RD/IRI/SFC＝k·t+b

其中t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的服役时间，k的绝对值可表示衰变速率，b可表示新建路面的RD/IRI/SFC(初始值)。

或采用幂函数模型拟合横缝间距TCS衰变方程为：

TCS＝a·t

其中t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的服役时间，b的绝对值可表示衰变速率，a可表示服役时间为1年时的TCS。

其中k和b分别为性能数据(车辙深度RD、国际平整度指数IRI、横向力系数SFC和横缝间距TCS)衰变速率。

因此，根据服役时间和性能数据可以得到性能数据的衰变速率k和b。

创建模块，用于创建逐步回归模型，其中，每个路段样本的若干个特征作为模型输入，性能数据的衰变速率作为模型输出。

实际生活中，路面不同的属性信息会影响衰变速率，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衰变速率，进而影响车辙深度RD、国际平整度指数IRI、横向力系数SFC等性能数据。

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、横缝间距TCS等性能数据的的衰变速率的影响，执行S30将路段样本的若干个特征，例如路桥、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、ESAL15、平均客货比、通车至今最高温不小于30度天数比例、通车至今最低温不大于0度天数比例、下雨天数比例作为模型输入，将车辙深度RD、国际平整度指数IRI、横向力系数SFC等性能数据的衰变速率作为模型输出，基于逐步回归技术，创建逐步回归模型。其中逐步回归可在SPSS或MATLAB中执行。

检验模块，用于将路段样本的若干个特征逐个引入逐步回归模型，每引入一个特征后进行F检验，并对已引入的特征逐个进行t检验。

通过逐步回归建模的方法，寻找路段样本的若干个特征与性能数据的衰变速率之间的映射关系。逐步回归的基本思想是将变量逐个引入模型，每引入一个变量后都要进行F检验，并对选入的变量逐个进行t检验，当原来引入的变量由于后面变量的引入变得不再显著时，则将其删除，以确保每次引入新的变量之前回归方程只包含显著性变量。这是一个反复的过程，直到既没有显著的变量选入回归方程，也没有不显著的变量从回归方程中剔除为止，以保证最后所得到的变量都是最优的。

因此，本发明可通过调用Matlab工具包stepwise函数创建逐步回归模型，也可采用SPSS中的stepwise函数创建逐步回归模型。

排序模块，用于根据F检验结果及t检验结果对特征值的显著性程度进行排序，以获取对路面的性能数据的衰变速率影响最显著的特征。

将样本路段样本的若干个特征作为输入导入Matlab，将车辙深度RD、国际平整度指数IRI、横向力系数SFC、横缝间距TCS的衰变速率作为输出，每引入一个新的变量都要进行F检验，并对之前引入的变量进行t检验，最终得到F检验结果、t检验结果及各显著变量的系数，根据各显著变量的系数，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的衰变速率之间关系的拟合曲线模型；其中，拟合曲线模型为线性或幂函数拟合曲线模型。

根据F检验结果及t检验结果对特征值的显著性程度进行排序，具体为：

根据t检验结果中的P值的大小进行排序，对于相同的“P值”按照F检验结果中“F比”对特征值的显著性程度进行排序，以获取对路面的性能数据的衰变速率影响最显著的特征。

其中，P值越小，F值越大说明该特征对路面性能影响最大。

优选地，t检验中设定显著性水平p为0.05；

其中，p值<0.05表示该特征具有显著影响，且p值越小，影响越显著。

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，采用逐步回归分析在众多影响因素中确定影响路面性能衰变的关键影响因素，根据逐步回归分析的t检验和F检验结果对关键因素的显著程度进行排序，能够精确地获取影响路面性能衰变的关键影响因素，对路面性能预测、针对性的路面养护决策都具有较大意义。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。

此外，装置实施例中的装置与方法实施例基于同样地发明构思，其执行过程参考上述方法。在此不累赘。

本发明实施例还提供了一种存储介质，该存储介质包括存储器和处理器，该存储器中存储有至少一条指令和至少一段程序，该至少一条指令和至少一段程序由该处理器加载并执行以实现上述方法实施例提供的路面性能衰变的影响因素的确定方法。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置和电子设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述说明已经充分揭露了本发明的具体实施方式。需要指出的是，熟悉该领域的技术人员对本发明的具体实施方式所做的任何改动均不脱离本发明的权利要求书的范围。相应地，本发明的权利要求的范围也并不仅仅局限于前述具体实施方式。