基于深层循环神经网络的高速公路沥青路面健康状况预测模型

张志斌

(广东盛翔交通工程检测有限公司，广州 510000)

目前中国高速公路路网建设速度已放缓，随着设计使用年限的到来，大规模路网开始进入养护维修阶段，对高速公路的路面使用性能进行准确预测不仅是制定合理养护策划及处置措施的前提，还是提高路用性能、延长道路使用寿命、改善道路经济效益的关键[1-2]。近年来，很多学者针对道路技术状况预测进行了系统研究。杨博等[3]建立了道路性能预测指标，并基于参数自跟踪的路面使用性能预测模型，以准确分析沥青路面性能发展过程；苏卫国等[4]从力学机理出发，建立了沥青路面性能衰变的预测模型，可指导预防性养护方案决策研究；于晓贺等[5]为确定合理的沥青路面养护时机和养护方式，通过优化灰色预测模型并依赖初始值的问题，建立了修正灰色预测模型，并结合汉十高速公路养护数据进行了试验验证；林利聪[6]采用灰色预测法、灰色马尔可夫预测法对路面性能指标进行预测，以合理确定预防性养护修复的时机；严世涛等[7]分析了双参数取值对应的养护模式，并结合灰色理论，建立了路面性能衰变预测模型；张丽娟等[8]提出了基于K最邻近非参数回归的道路路面性能预测方法。以上这些传统的路面性能预测需对具体路段进行具体分析，不适用于大数据时代下的高效道路养护需求。

随着人工神经网络等现代化AI技术的成熟，一些学者开始将神经网络引入道路性能预测中，谢峰[9]使用BP神经网络建立了路面状况指数(PCI)、结构强度指数(PSSI)、行驶质量指数(RQI)、抗滑性能指数(SRI)等4个路面性能评价指标的预测模型；王笑风等[10]基于循环神经网络单元(LSTM)对道路性能预测的参数进行了优化研究，但使用LSTM网络较浅，并未对循环神经网络单元进行深入的应用分析。

综上所述，神经网络算法的出现促进了大数据公路养护管理的发展，但目前在该领域应用较窄，无法解决神经网络泛化性能差的关键问题，使得基于神经网络的养护方案决策迟迟得不到充分的推广与运用。

本文基于循环神经网络单元，构建了深层循环神经网络结构的高速公路沥青路面的健康状况预测模型，比较了不同循环神经网络单元的应用效果，针对循环神经网络工程实用的限制进行了分析，并以广西省某高速公路养护数据为例进行工程应用分析，短期预测精度高达97%。

1 沥青路面健康状况评定标准

高速公路沥青路面的健康状况多采用道路的抗滑、车辙、破损、平整性等指标进行表征，并通过加权求和得到路面技术状况指数PQI(Pavement Quality Index)，作为衡量沥青路面健康状况的依据，以PQI评分划分为“优、良、中、次、差”级次，结合养护资金，确定路段养护方案的适宜等级，即大修、中修、小修、预防性养护和无需养护[11-13]。在养护等级确定后，再结合PQI的分项指标情况，细化道路养护方案的处治措施，因此，实现道路各项评价指标的准确预测是对道路健康状况进行准确判断以及合理制定具体养护方案的关键。

在《公路技术状况评定标准》(JTG 5210—2018)中，新增了衡量路面跳车状况的指标PBI以及衡量路面磨耗情况的指标PWI，更新后的PQI按公式(1)计算。

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

(1)

式中：PCI表示路面损坏状况指数；RQI表示路面行驶质量指数；RDI表示路面车辙状况指数；SRI表示路面抗滑性能指数。其中抗滑与磨耗二取一进行PQI计算。

2 深层人工神经网络

基于人工神经网络ANN (Artificial Neural Network)的路面检测指标预测是一种稳定、快速、可靠的现代人工智能算法。ANN网络分为输入层、隐藏层与输出层，输入层为离散、独立的影响因素变量“x”，输出层为待求的值“y”，ANN网络的目的即建立输入与输出之间的映射关系，这种映射关系是无法显示表达的复杂非线性映射，如式(2)表述。

(y1,y2…yj)=f(x1,x2…xi)

(2)

ANN网络通过隐藏层来建立映射关系，网络所能表征映射的非线性程度与复杂度由隐藏层所含神经元的个数和激活函数决定，神经元的参数包括权重w与偏置b，一个隐藏层所包含的可供训练的网络参数数量为(i+1)×n个，其中i为上一层的神经元数量，n为该隐藏层的神经元数量。信号从上一层向下一层传递时按照公式(3)计算。

Hn=g(Hn+bn)

(3)

式中：Hn为隐藏层第n个神经元；g(x)为激活函数，常用来为网络添加非线性的激活函数有“Tanh”、“ReLU”和“Sigmoid”等，如式(4)所示。

(4)

图1 人工神经网络工作流程Fig.1 Process of artificial neural network

深层人工神经网络DANN(DeepArtificial Neural Network)是在ANN的基础上不断添加隐藏层数量和隐藏层神经元的个数，增大网络的参数数量级来实现对更深度、更复杂的映射关系的挖掘。DANN网络所面临的问题是随着隐藏层数量的增大，误差传播的梯度消散及过拟合问题。因此，DANN网络常伴随着归一化操作和Dropout操作。

采用DANN进行道路健康状况预测时，根据养护监测的实际情况，监测间隔通常为1年，因此将多年的养护监测数据进行整理，输入数据x为[PCIt,RQIt,RDIt,SRIt]，输出数据y的真值为[PCIt+1,RQIt+1,RDIt+1,SRIt+1]，即前后2年的各项检测指标。为进一步提高DANN模型拟合的泛化能力，输入数据x通常会增加路龄、结构、交通荷载及温度等因素。

3 深层循环神经网络

DANN网络通常的训练样本数据为前后2年的道路健康状况监测数据，无法在网络中考虑道路多年的技术状况变化情况。为了充分对道路的养护历史进行数据挖掘，本文提出将循环神经网络RNN[14-15](RecurrentNeural Network)结构引入道路健康状况预测中，构建深层循环神经网络，以进一步提高预测精度。

RNN网络的输入是一个时间序列，在一个RNN神经元内存在一个与输入的时间序列Xt长度相等的传递结构Ht，每个隐藏单元接受的输入除了它自身对应时刻的x输入外，还有上一时刻隐藏单元的输出，如式(5)所示。

Ht=f(U·Xt+W·Ht-1)

Ot=g(V·Ht)

(5)

式中：U，W和V是可训练的权重；f(x)和g(x)是激活函数(可相同)。

RNN神经元可以控制输出序列的长度，根据需求，可选择不进行Ot的输出，得到最后一个隐藏单元Ht的输出，也可将每个隐藏单元对应的Ot输出序列作为下一层网络的输入值。根据道路健康状况的预测需求，通常选择根据前n年的检测指标对第n+1年的指标进行预测，因此通常不输出Ot序列，在经过一层RNN层后拼接全连接层，即后接一个DANN网络，构成深度循环神经网络DRNN(Deep Recurrent Neural Network)。当然，如果选择使用多层RNN层增加对时间序列规律的拟合，多层RNN层之间需要输出Ot序列进行连接。

简单RNN单元中的隐藏层与普通ANN网络的隐藏层相同，只进行简单的乘法和加法运算即输出至下一隐藏单元，但当输入序列过长时，简单RNN单元在传递前信号的过程中会使早期的序列信息不断稀释，造成信息的丢失和反向传播过程中的梯度弥散。为了解决RNN网络的长期记忆和反向传播中的梯度等问题，有学者在简单RNN单元的基础上提出了长短期记忆网络LSTM (Long Short-Term Memory networks)，在一个隐藏单元内部添加了“遗忘门”“输入门”和“输出门”的复杂结构，实现在序列传递的同时不断增强对早期序列的记忆。但是LSTM网络的参数过多，受到计算能力的限制，在LSTM的基础上进行了简化，提出了与LSTM计算性能相似，但减少了大量计算参数的门控循环单元网络GRU(Gate Recurrent Unit)。3种网络的计算流程如图2所示。

(a) 简单RNN单元

在使用RNN网络进行道路健康状况预测时需要注意的是，输入序列x必须是未经过养护的自然衰减下的连续检测指标序列。道路养护工作会改变原本的路段特征，1次养护后，路段应被视为一个新的开始进行记录，因此道路养护时间序列必须是未经过养护修复的单调递减的指标序列，但在实际的养护工程中，连续数年不进行养护工作(包括预防性养护)路段的数据量较少，因此需对历史监测数据进行预处理方式，在数据的质量与数量之间进行平衡。本文推荐输入时间序列的长度在6年～10年之间。在6年～10年的养护历史中挑选未经过养护或仅进行过1次养护的路段数据，借鉴M J FANG等[16]的研究工作，将1次养护带来的曲线突变点视为噪声数据，通过小波去噪对时间序列进行重构，将得到6年～10年的单调递减时间序列作为训练数据集的输入数据训练RNN网络。

4 案例分析

以广西省某高速公路养护数据为例，使用10年的养护监测数据制作训练集，以前9年的道路各指标时间序列作为训练样本，预测第10年的健康状况，并同实际检测的健康状况进行对比分析及计算训练的精度。分别训练3种不同单元的RNN神经网络(简单RNN单元、LSTM单元和GRU单元)，训练集数据参数如表1所示。

表1 RNN网络养护样本数据Table 1 RNN network maintenance sample data

同时，训练ANN模型作为控制组进行对比试验，ANN模型的训练集参数如表2所示。

表2 ANN网络养护样本数据Table 2 ANN network maintenance sample data

使用Tensorflow 2.0框架构建ANN网络和3种不同单元的RNN网络，为了保持一致性，4种网络结构均搭建为深度神经网络，具有相同的层数与相同的过拟合等网络优化方式，4种网络的训练参数如表3所示，具体网络结构如图3所示。

表3 4种网络训练参数Table 3 Training parameters of four networks

图3 ANN网络和3种不同单元RNN网络的具体结构Fig.3 Specific structure of ANN network and three different unit RNN networks

(a) ANN

由图4可见，RNN网络的精度均优于ANN网络。ANN网络、SimpleRNN单元、LSTM单元、GRU单元的拟合精度分别为85%、92%、95%、97%。试验表明，RNN单元结合了多年历史信息，能有效提高基于神经网络的道路健康状况预测算法的精度。

5 结论

1) 循环神经网络可拟合道路多年检测历史，通过对时间序列数据进行数据挖掘得到更深层次的映射关系，使用循环神经网络RNN替代传统全连接神经网络ANN进行预测，精度可提升7%以上。

2) 使用门控循环单元GRU的循环神经网络的预测效果最优，在短期预测试验中，GRU单元网络的预测精度可高达97%，高于使用SimpleRNN单元和LSTM单元的循环网络。

3) 基于循环神经网络的道路健康状况预测对训练数据的质量要求很高，时间序列较短会导致预测精度不佳。养护工程中，由于很难获取多年未进行养护维修的路段数据，因此对现有数据进行预处理就尤为重要。本文借鉴已有研究，采用小波去噪的方式进行时间序列预处理，在进一步研究中，需对数据预处理方式进行进一步深入探讨，以提高预测模型的实用性。