路面长期性能预测方法及装置

摘要

本发明公开了一种路面长期性能预测方法及装置，该方法包括：预先根据采集的路网中各路段的基础数据确定性能预测模型及模型参数；所述基础数据包括静态数据和动态数据，所述动态数据至少包括：路况检测数据；获取当前待检测各路段的路况检测值；利用所述性能预测模型确定所述路况检测值对应的检测年份；根据所述性能预测模型，确定所述检测年份后所述路段的性能预测值。利用本发明，可以有效提高预测结果的准确性。

说明书

技术领域

本发明涉及路面长期性能预测领域，具体涉及一种路面长期性能预测方法及装置。

背景技术

在进行路网级的路面自动化检测、长期性能预测过程中，现有技术采用的路面长期性能预测模型形式单一、模型参数固定，模型标定的过程复杂，工作量大。随着路龄的增加，积累的路面静态数据和动态数据的增多，基于固定模型的长期性能预测模型预测的误差较大，而且无法自动更新模型参数。

发明内容

本发明提供一种路面长期性能预测方法及装置，可以有效提高预测结果的准确性。

为此，本发明提供如下技术方案：

一种路面长期性能预测方法，所述方法包括：

预先根据采集的路网中各路段的基础数据确定性能预测模型及模型参数；所述基础数据包括静态数据和动态数据，所述动态数据至少包括：路况检测数据；

获取当前待检测各路段的路况检测值；

利用所述性能预测模型确定所述路况检测值对应的检测年份；

根据所述性能预测模型，确定所述检测年份后所述路段的性能预测值。

可选地，所述根据采集的路网中各路段的基础数据确定性能预测模型及模型参数包括：

采集路网中各路段的基础数据；

对所述基础数据进行预处理；

选用确定型预测模型作为性能预测模型；

根据预处理后的基础数据对所述性能预测模型的参数进行拟合，得到模型参数。

可选地，所述确定型预测模型包括以下任意一种：线性模型、二次方模型、S型曲线模型、负指数曲线模型、折线形模型、同济模型。

可选地，所述对所述基础数据进行预处理包括：

设定误差门限，并根据所述误差门限对同一检测路段不同年份的路况检测数据进行筛选；

对同一性能预测主体同一年份的路况检测数据计算平均值和标准差，并根据所述标准差对所述路况检测数据进行筛选；所述同一性能预测主体是指路面外部因素和内部因素均相同的路段。

可选地，所述根据预处理后的基础数据对所述性能预测模型的参数进行拟合，得到模型参数包括：

基于模拟退火的粒子群算法拟合模型参数；

对拟合的模型参数进行F检验，得到有效的模型参数。

可选地，所述方法还包括：

根据各路段的性能预测值确定每个性能预测主体的性能预测值、每条路线的性能预测值、路网的性能预测值。

可选地，所述方法还包括：

获取最新路况检测数据；

根据所述最新路况检测数据与对应年份的预测数据，计算偏度系数；

判断所述偏度系数是否小于偏度系数阈值；

如果是，则根据所述最新路况检测数据更新所述性能预测模型；

如果不是，则将所述最新路况检测数据标记为无效数据。

一种路面长期性能预测装置，所述装置包括：

模型建立模块，用于预先根据采集的路网中各路段的基础数据确定性能预测模型及模型参数；所述基础数据包括静态数据和动态数据，所述动态数据至少包括：路况检测数据；

检测数据获取模块，用于获取当前待检测各路段的路况检测值；

年份确定模块，用于利用所述性能预测模型确定所述路况检测值对应的检测年份；

性能预测模块，用于根据所述性能预测模型，确定所述检测年份后所述路段的性能预测值。

可选地，所述模型建立模块包括：

数据采集单元，用于采集路网中各路段的基础数据；

数据预处理单元，用于对所述基础数据进行预处理；

模型选择单元，用于选用确定型预测模型作为性能预测模型；

参数拟合单元，用于根据预处理后的基础数据对所述性能预测模型的参数进行拟合，得到模型参数。

可选地，所述确定型预测模型包括以下任意一种：线性模型、二次方模型、S型曲线模型、负指数曲线模型、折线形模型、同济模型。

可选地，所述数据预处理单元包括：

第一处理单元，用于对同一检测路段不同年份的路况检测数据进行预处理；

第二处理单元，用于对同一性能预测主体同一年份的路况检测数据进行预处理；所述同一性能预测主体是指路面外部因素和内部因素均相同的路段；

所述第一处理单元包括：

门限设定单元，用于设定误差门限；

第一筛选单元，用于根据所述误差门限对同一检测路段不同年份的路况检测数据进行筛选；

所述第二处理单元包括：

计算单元，用于对同一性能预测主体同一年份的路况检测数据计算平均值和标准差；

第二筛选单元，用于根据所述标准差对所述路况检测数据进行筛选。

可选地，所述参数拟合单元包括：

拟合子单元，用于基于模拟退火的粒子群算法拟合模型参数；

检验子单元，用于对拟合的模型参数进行F检验，得到有效的模型参数。

可选地，所述装置还包括：

综合分析模块，用于根据各路段的性能预测值确定每个性能预测主体的性能预测值、每条路线的性能预测值、路网的性能预测值。

可选地，所述检测数据获取模块，还用于获取最新路况检测数据；

所述装置还包括：

校验模块，用于根据所述最新路况检测数据与对应年份的预测数据，计算偏度系数；

判断模块，用于判断所述偏度系数是否小于偏度系数阈值；如果是，则触发所述模型建立模块根据所述最新路况检测数据更新所述性能预测模型；否则，触发所述检测数据获取模块将所述最新路况检测数据标记为无效数据。

本发明实施例提供的路面长期性能预测方法及装置，预先根据采集的路网中各路段的基础数据确定性能预测模型及模型参数，所述基础数据中不但包括了静态数据，还包括动态数据，比如路况检测数据。针对当前待检测各路段，获取各路段的路况检测值，然后利用所述性能预测模型，得到所述路段的性能预测值。由于建立性能预测模型时加入了路面的动态数据，从而可以大大提高路面长期性预测结果的准确性。

进一步地，在得到各路段的性能预测值后，还可以根据这些预测值确定同一性能预测主体(即路面外部因素和内部因素均相同的路段)的性能预测值、路网中每条路线的性能预测值、路网的性能预测值。

进一步地，随着积累的动态数据的增加，还可以通过自学习的方式对模型参数进行调整，自动更新性能预测模型，提高了模型对各种路况的适应性。

附图说明

图1是本发明实施例中确定性能预测模型及其参数的流程图；

图2是本发明实施例中基于模拟退火的粒子群算法计算模型参数的流程图；

图3是本发明实施例路面长期性能预测方法的一种流程图；

图4是本发明实施例路面长期性能预测方法的另一种流程图；

图5是本发明实施例路面长期性能预测装置的一种结构框图；

图6是本发明实施例中模型建立模块的一种结构框图；

图7是本发明实施例路面长期性能预测装置的另一种结构框图。

具体实施方式

本发明实施例提供一种路面长期性能预测方法及装置，预先根据采集的路网中各路段的基础数据确定性能预测模型及模型参数，针对当前待检测各路段，获取各路段的路况检测值，然后利用所述性能预测模型，得到所述路段的性能预测值。在得到各路段的性能预测值后，还可以根据这些预测值确定同一性能预测主体(即路面外部因素和内部因素均相同的路段)的路面使用性能值、每条路线的使用性能预测值、路网路面使用性能值。

下面首先对本发明实施例中确定性能预测模型及其参数的过程进行详细说明。

如图1所示，是本发明实施例中确定性能预测模型及其参数的流程图，包括以下步骤：

步骤101，采集路网中各路段的基础数据，所述基础数据包括静态数据和动态数据。

其中，所述静态数据可以包括以下任意一种或多种：路网各路线技术等级、管养单位、区域、路面结构、建设年份、横断面、车道数量、桩号断链、重复路段、桥梁、隧道基本信息、基层类型、养护历史、环境参数；

其中，所述动态数据至少包括：路况检测数据，进一步还可包括交通量等动态数据。所述路况检测数据可以包括但不限于以下任意一种：路面损坏状况指数PCI、路面行驶质量指数RQI、路面车辙深度指数RDI等。

步骤102，对所述基础数据进行预处理。

确定型预测模型均有相应的模型参数，在本发明实施例中，需要利用采集的基础数据对模型的参数进行拟合。为了保证拟合数据的质量，先对所述基础数据进行预处理，以便去掉其中一些异常或错误的数据。

具体地，可以对所述基础数据中同一检测路段不同年份的路况检测数据、以及同一性能预测主体同一年份的路况检测数据进行预处理。下面详细说明对这两种路况检测数据的处理过程。

(1)同一检测路段不同年份的路况检测数据预处理

由于路面状况变化的随机性和采集时一些非常规因素的影响，使得采集的路况检测数据可能会存在着一定的误差。为此，通过下面的筛选过程，可以去除一些误差较大的数据，减少对后续预测结果的影响。

需要说明的是，在本发明实施例中，所述同一检测路段可为一百米或公里的路段。

考虑到未实施养护工程的同一检测路段的路面使用性能随时间的延续总是在一定的范围内变化，因此可对路面使用性能指标随路面使用年限的变化设置误差门限，并根据所述误差门限对同一检测路段不同年份的路况检测数据进行筛选。

具体地，可以设置两个门限，如下面表1所示，其中，上限主要是剔除那些因采取日常养护措施而使路面状况有所改善的路段的路况检测数据，下限主要是为了消除在数据处理中产生的人为错误。

表1剔除误差数据设置的限值

其中，RCI

其中，X、Y可以按照下面的公式1、2和3来确定：

X＝3×σ

其中，m为检测路段的个数，n为检测的年份，RCI

对于计算X，

对于计算Y，

若RCI选择路面损坏状况指数PCI，已知路面各类损坏的类型及数量，可计算X的最大值，计算思路为：已知路面的初始损坏状况指数PCI

X＝PCI

(2)同一性能预测主体同一年份路况检测数据预处理

所述同一性能预测主体是指路面外部因素和内部因素均相同的路段，一条路线可分为多个性能预测主体。

在本发明实施例中，对于同一性能预测主体同一年份的路况检测数据，可以计算其平均值和标准差，根据所述标准差对所述路况检测数据进行筛选，比如，剔除3倍标准差外的路况检测数据。平均值和标准差可按下面公式5、6计算：

其中，

步骤103，选用确定型预测模型作为性能预测模型。

所述确定型预测模型是指有确定的数学表达方式的模型。

在本发明实施例中，所述性能预测模型可表示为：RCI＝f(T)，其中，f(T)表示时间T的函数，RCI为反映道路使用性能的指标，包括但不限于以下几种指标：路面损坏状况指数PCI、路面行驶质量指数RQI、路面车辙深度指数RDI等。

需要说明的是，反映道路使用性能的指标有多种，比如上面提到的PCI、RQI、RDI，在实际应用中，可按需求选择。如果选择了某项指标或多项指标，则对于选择使用的指标，均需建立相应的性能预测模型。

在本发明实施例中，所述性能预测模型具体可以采用以下任意一种形式的模型：线性模型、二次方模型、S型曲线模型、负指数曲线模型、折线形模型、同济模型，具体可以根据各模型的优缺点及道路养护管理的需要选择相适应的模型，对此本发明实施例不做限定。

步骤104，根据预处理后的基础数据对所述性能预测模型的参数进行拟合，得到模型参数。

在本发明实施例中，可以利用基于模拟退火的粒子群算法计算出模型对应的模型参数，相关性系数r满足要求且能通过F检验(即联合假设检验、方差比率检验)的参数即为模型的有效参数。具体过程如下：

(1)基于模拟退火的粒子群算法拟合模型参数

模拟退火算法是在蒙特卡洛原理下迭代求解统计力学过程时提出来的一种随机寻优算法，其优点是具有全局最优，它将局部搜索算法扩展为全局搜索算法，与一般的局部搜索算法不同，模拟退火算法以一定的概率接受领域中目标值相对较差的状态，算法与初始值无关；缺点是收敛速度慢。

粒子群算法同遗传算法类似，是一种基于迭代的优化工具，其优点为计算速度快，可以较快地找到最优解，缺点是可能陷入局部最优。

在本发明实施例中，结合上述两种算法各自的优缺点，提出基于模拟退火的粒子群算法。基于模拟退火的粒子群算法的具体过程如图2所示，包括以下步骤：

①随机初始化种群中各微粒的位置x

②评价由被优化函数决定的每个微粒的适应值(fitness)，将当前各微粒的位置和适应值存储在各微粒的p

③确定初始温度t＝t0，随机产生初始状态s＝s0，令k＝0；

④根据下式确定当前温度下各p

⑤采用轮盘赌策略从所有pi中确定全局最优的某个替代值pg’，然后根据下式更新各微粒的速度和位置：

x

⑥计算各微粒新的目标值，更新各微粒的p

⑦进行退温操作

⑧若满足停止条件(通常为预设的运算精度和迭代次数)，搜索停止，输出结果，否则转至步骤④；

⑨初始温度和退温方式对算法有一定的影响，一般采用如下的初温和退火方式：

t

对于路面长期性能预测，优化的函数决策的适应值(fitness)为：

(2)F检验

利用基于模拟退火的粒子群算法对模型参数进行拟合后，进行F检验。

所述F检验即联合假设检验、方差比率检验，是一种在零假设之下，统计值服从F分布的检验。

相关系数是研究变量之间线性相关程度的量，一般用字母R表示。

F检验的具体公式如下：

其中，F为F检验值，R为相关系数，RCI检测是指路况检测指标(PCI、RQI、RDI等)的实际检测值，RCI预测是指路况检测指标(PCI、RQI、RDI等)的预测值，n表示经过数据预处理后的有效检测数据的个数。

需要说明的是，为了进一步保证性能预测模型的准确性，在实际应用中，还可以分别对多种形式的性能预测模型，比如线性模型、二次方模型、S型曲线模型、负指数曲线模型、折线形模型、同济模型等，进行模型参数的拟合，然后针对一个性能预测主体选择其中能通过F检验且R

另外，当有新增路况检测数据(比如新增一年的路况检测数据)时，可以重新拟合模型参数并选择能通过F检验且R

基于上述性能预测模型，在针对路面长期性能进行预测时，需要获取当前待检测的各路段的路况检测值，利用所述路况检测值及相应的性能预测模型，预测得到性能预测主体的性能预测值，再根据里程计算得到路线、路网(多条路线的情况)的性能预测值。

如图3所示，是本发明实施例路面长期性能预测方法的流程图，包括以下步骤：

步骤301，获取当前待检测路段的路况检测值。

需要说明的是，预测初始值(指反映道路使用性能指标的预测初始值)在养护工程实施完后开展道路检测，确定工程实施的效果，若不具备条件开展道路检测，可采用养护管理单位的管理经验来确定实施养护工程后的实施效果。

步骤302，利用性能预测模型确定所述路况检测值对应的检测年份。

具体地，将所述路况检测值代入性能预测模型中，反算出预测使用年份T。虽然理论上检测年份是已知的，但通常会存在以下问题：

1、道路在使用过程中会采取日常养护，如灌缝、修补等，路况使用性能指标值会提升；

2、检测的误差。

基于上述问题，将年份带到预测模型中得到的指标值与实际检测的值会不同。为此，用实际检测的值反算出一个跟路况检测值相匹配的年份(此年份与路况实际年份通常会有不同)，该年份与当前待检测路段的路况检测值更匹配，从而可使后续步骤303中的预测结果更准确。

步骤303，根据所述性能预测模型，确定所述检测年份后所述路段的性能预测值。

针对上述得到的预测使用年份T，如果预测在T之后1年(即T+1)所述路段的性能指标，则将T+1代入性能预测模型，计算出每个检测路段的性能预测值，即：

RCI

其中，RCI

考虑到影响路面性能预测的因素主要包含路面外部因素和路面内部因素，其中，路面外部因素主要包含交通荷载、环境因素；路面内部因素主要包含路面结构组成、路面材料、路面结构强度、道路技术等级、路面宽度、区域(政区)、路面类型(沥青路面、水泥路面)等。因此，可以将路面外部因素和内部因素均相同的路段称为一个性能预测主体。

相应地，还可以按里程取平均分别计算性能预测主体的性能预测值、每条路线的性能预测值、路网的性能预测值，即：

其中，RCI

本发明实施例提供的路面长期性能预测方法，预先根据采集的路网中各路段的基础数据确定性能预测模型及模型参数，所述基础数据中不但包括了静态数据，还包括动态数据，比如路况检测数据。针对当前待检测各路段，获取各路段的路况检测值，然后利用所述性能预测模型，得到所述路段的性能预测值。进一步地，在得到各路段的性能预测值后，还可以根据这些预测值确定同一性能预测主体(即路面外部因素和内部因素均相同的路段)的性能预测值、路网中每条路线的性能预测值、路网的性能预测值。由于建立性能预测模型时加入了路面的动态数据，从而可以大大提高路面长期性预测结果的准确性。

在本发明方法另一实施例中，还可基于最新采集的路况检测数据，采用自学习的方式对所述性能预测模型进行更新，进一步地提高模型预测结果的准确性。

如图4所示，是本发明实施例路面长期性能预测方法的另一种流程图，包括以下步骤：

步骤401，获取当前待检测路段的路况检测值。

步骤402，利用性能预测模型确定所述路况检测值对应的检测年份。

步骤403，根据所述性能预测模型，确定所述检测年份后所述路段的性能预测值。

步骤404，获取最新路况检测数据。

步骤405，根据所述最新路况检测数据与对应年份的预测数据，计算偏度系数。

步骤406，判断所述偏度系数是否小于偏度系数阈值；如果是，则执行步骤407；否则执行步骤408。

偏度系数是描述分布偏离对称性程度的一个特征值。当分布左右对称时，偏度系数为0；当偏度系数大于0时，即重尾在右侧时，该分布为右偏；当偏度系数小于0时，即重尾在左侧时，该分布左偏。使用标准差为单位计量偏度系数时，偏度系数记为SK，M

在本发明实施例中，可以采用偏度系数来反映性能预测结果的可接受程度，即建立RCI

基于maxRCI

具体地，对于前面提到的路线性能预测，将其预测值与检测值的差值记为RCI

同样地，对于前面提到的路网性能预测，将其预测值与检测值的差值记为RCI

步骤407，利用所述最新路况检测数据更新所述性能预测模型。

更新所述性通预测模型的过程与前面图1中所示的确定性能预测模型及其参数的过程相同，在此不再赘述。

步骤408，将所述最新路况检测数据标记为无效数据。

需要说明的是，在实际应用中，上述步骤404至步骤408，可以是在每次得到最新的路况检测数据后进行，也可以是在积累一定量的最新路况检测数据后进行，对此本发明实施例不做限定。对后面这种情况，可以是先对一定量的最新路况检测数据中的每个检测数据进行是否有效进行判断后，再利用其中有效的检测数据更新相应的性能预测模型。

本发明实施例提供的路面长期性能预测方法，不仅可以提高路面长期性预测结果的准确性，而且，还可以随着积累的动态数据的增加，通过自学习的方式对模型参数进行调整，自动更新性能预测模型，提高了模型对各种路况的适应性。

相应地，本发明实施例还提供一种路面长期性能预测装置，如图5所示，是该装置的一种结构框图。

在该实施例中，所述装置包括以下各模块：

模型建立模块501，用于预先根据采集的路网中各路段的基础数据确定性能预测模型及模型参数；所述基础数据包括静态数据和动态数据，所述动态数据至少包括：路况检测数据；

检测数据获取模块502，用于获取当前待检测各路段的路况检测值；

年份确定模块503，用于利用所述性能预测模型确定所述路况检测值对应的检测年份；

性能预测模块504，用于根据所述性能预测模型，确定所述检测年份后所述路段的性能预测值。

在实际应用中，其中，所述静态数据可以包括以下任意一种或多种：路网各路线技术等级、管养单位、区域、路面结构、建设年份、横断面、车道数量、桩号断链、重复路段、桥梁、隧道基本信息、基层类型、养护历史、环境参数；所述动态数据还可进一步包括交通量等动态数据。所述路况检测数据可以包括但不限于以下任意一种：路面损坏状况指数PCI、路面行驶质量指数RQI、路面车辙深度指数RDI等。

在本发明实施例中，所述性能预测模型可以选用确定型预测模型，即有确定的数学表达方式的模型。所述性能预测模型可针对道路不同的性能指标进行预测，所述性能指标具体可以是：路面损坏状况指数PCI、路面行驶质量指数RQI、路面车辙深度指数RDI等。需要说明的是，针对每种性能指标，都要建立相应的性能预测模型。

在本发明实施例中，所述性能预测模型具体可以采用以下任意一种形式的模型：线性模型、二次方模型、S型曲线模型、负指数曲线模型、折线形模型、同济模型，具体可以根据各模型的优缺点及道路养护管理的需要选择相适应的模型，对此本发明实施例不做限定。

如图6所示，是本发明实施例中模型建立模块的一种具体结构框图，包括以下各单元：

数据采集单元511，用于采集路网中各路段的基础数据；

数据预处理单元512，用于对所述基础数据进行预处理；

模型选择单元513，用于选用确定型预测模型作为性能预测模型；

参数拟合单元514，用于根据预处理后的基础数据对所述性能预测模型的参数进行拟合，得到模型参数。

所述数据预处理单元512需要针对所述基础数据中同一检测路段不同年份的路况检测数据、以及同一性能预测主体同一年份的路况检测数据进行预处理。相应地，所述数据预处理单元512的一种具体实现方式可以包括以下各单元：

第一处理单元，用于对同一检测路段不同年份的路况检测数据进行预处理；

第二处理单元，用于对同一性能预测主体同一年份的路况检测数据进行预处理；所述同一性能预测主体是指路面外部因素和内部因素均相同的路段。

其中，所述第一处理单元包括：

门限设定单元，用于设定误差门限；

第一筛选单元，用于根据所述误差门限对同一检测路段不同年份的路况检测数据进行筛选。

上述误差门限的确定、以及根据所述误差门限对同一检测路段不同年份的路况检测数据进行筛选的方式在前面本发明方法实施例中已有详细说明，在此不再赘述。

其中，所述第二处理单元包括：

计算单元，用于对同一性能预测主体同一年份的路况检测数据计算平均值和标准差；

第二筛选单元，用于根据所述标准差对所述路况检测数据进行筛选，比如，剔除3倍标准差外的检测数据。

在本发明实施例中，所述参数拟合单元514结合模拟退火算法和粒子群算法这两种算法的优缺点，基于模拟退火的粒子群算法对模型参数进行拟合并对拟合的模型参数进行F检验，得到最终有效的模型参数。

相应地，所述参数拟合单元514具体可以包括以下各子单元：

拟合子单元，用于基于模拟退火的粒子群算法拟合模型参数，具体的拟合过程可参照前面本发明方法实施例中的描述；

检验子单元，用于对拟合的模型参数进行F检验，得到有效的模型参数。

所述F检验即联合假设检验、方差比率检验，是一种在零假设之下，统计值服从F分布的检验。具体的校验过程可参照前面的描述。

需要说明的是，为了进一步保证性能预测模型的准确性，在实际应用中，所述模型建立模块501还可以分别选择上面提到的多种形式的性能预测模型，进行模型参数的拟合，然后针对一个性能预测主体选择其中能通过F检验且R

进一步地，在本发明路面长期性能预测装置另一实施例中，还可包括综合分析模块(未图示)，用于根据各路段的性能预测值确定每个性能预测主体的性能预测值、每条路线的性能预测值、路网的性能预测值。

本发明实施例提供的路面长期性能预测装置，预先根据采集的路网中各路段的基础数据确定性能预测模型及模型参数，所述基础数据中不但包括了静态数据，还包括动态数据，比如路况检测数据。针对当前待检测各路段，获取各路段的路况检测值，然后利用所述性能预测模型，得到所述路段的性能预测值。进一步地，在得到各路段的性能预测值后，还可以根据这些预测值确定同一性能预测主体(即路面外部因素和内部因素均相同的路段)的性能预测值、路网中每条路线的性能预测值、路网的性能预测值。由于建立性能预测模型时加入了路面的动态数据，从而可以大大提高路面长期性预测结果的准确性。

如图7所示，是本发明实施例路面长期性能预测装置的另一种结构框图。

与图5所示实施例的区别在于，在该实施例中，所述装置还包括：校验模块701和判断模块702。

该实施例中，所述检测数据获取模块502，还用于获取最新路况检测数据。

相应地，所述校验模块701用于根据所述最新路况检测数据与对应年份的预测数据，计算偏度系数。所述判断模块702，用于判断所述偏度系数是否小于偏度系数阈值；如果是，则触发所述模型建立模块501根据所述最新路况检测数据更新所述性能预测模型；否则，触发所述检测数据获取模块502将所述最新路况检测数据标记为无效数据。

所述偏度系数的计算、偏度系数阈值的确定等均可参照前面本发明方法实施例中的描述，在此不再赘述。

该实施例的路面长期性能预测装置，不仅可以提高路面长期性预测结果的准确性，而且，还可基于最新采集的路况检测数据，采用自学习的方式对所述性能预测模型进行更新，进一步地提高模型预测结果的准确性。

下面通过举例进一步详细说明利用本发明方案对路面长期性能预测的过程。

1、性能预测基础数据的准备及性能预测主体的确定

某高速公路A1，桩号范围K100+000～K251+000，全长151km，建设年份2003年，对于桩号范围K190+850～K195+793，最近一次养护年份2013年，采取的养护措施为铣刨加罩4cmSMA-13，原路面结构为4cm SMA-13+4cm AK-16+5cm AC-20+6cm AC-30+33cm石灰粉煤灰稳定碎石+18cm水泥稳定土，交能量AADT为4144辆/d。K190+850～K195+793范围内无桥梁、隧道，横断面尺寸、建设年份、车道数量、管养单位、区域、路线技术等级、路面结构、基层类型、养护历史均相同，无桩号断链，无重复路段，故K190+850～K195+793为一个性能预测主体。采集的数据如下表2所示。

表2

2、性能预测模型的确定

1)模型的选择

性能预测模型选择10种模型比较分析，最终确定最优模型，模型形式如下表3所示：

表3

2)数据预处理

检测路段长度为1km，利用公式1～公式3计算得到X＝2，Y＝5。

依据本发明前文提到的数据预处理方法对数据进行剔除处理。

采用基于模拟退火的粒子群算法参数拟合结果见下表4所示：

表4

从拟合结果来看，10种模型的显著性水平sig均为0，均能通过F检验，R

3、路面长期性能预测

预测初始值取100，利用公式15～公式17开展整条路线的性能预测，得到检测路段和该性能预测主体2020年的性能预测值，预测结果如下表5所示：

表5

4、数据校验

建立路线A从2014年到2019年的PCI预测值与当时检测值的差值Rd与偏度系数SK的关系：SK＝0.033+0.39×Rd+0.334×Rd

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。而且，以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的模块和单元可以是或者也可以不是物理上分开的，即可以位于一个网络单元上，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称的存储介质，如：ROM/RAM、磁碟、光盘等。

相应地，本发明实施例还提供一种用于路面长期性能预测方法的装置，该装置是一种电子设备，比如，可以是移动终端、计算机、平板设备、个人数字助理等。所述电子设备可以包括一个或多个处理器、存储器；其中，所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，以实现前面各实施例所述的方法。

以上对本发明实施例进行了详细介绍，本文中应用了具体实施方式对本发明进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及装置，其仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围，本说明书内容不应理解为对本发明的限制。因此，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。