基于神经网络算法的沥青路面使用性能组合预测模型研究学术报告
一、研究团队与发表信息
本研究由曹雪娟（重庆交通大学材料科学与工程学院）、卢治琳（重庆交通大学土木工程学院）、吴博文、黄莹及王民（重庆市智翔铺道技术工程有限公司）合作完成，发表于《重庆交通大学学报(自然科学版)》2023年3月第42卷第3期，DOI编号10.3969/j.issn.1674-0696.2023.03.10。
二、学术背景与研究目标
科学领域：本研究属于道路工程与人工智能交叉领域，聚焦沥青路面使用性能预测模型的优化。
研究背景：随着中国高速公路进入养护管理阶段，准确预测路面性能（如破损、平整度）对制定养护计划至关重要。传统预测模型（如概率型、确定型）存在局限性：灰色模型对随机因素敏感，神经网络（如RBF径向基函数模型）易陷入局部最优。
研究目标：提出一种结合主成分分析（PCA, Principal Component Analysis）、遗传算法（GA, Genetic Algorithm）和RBF神经网络的组合模型（PCA-GA-RBF），以提升预测精度与计算效率。
三、研究流程与方法
1. 数据收集与预处理
- 数据来源：四川省2014—2019年23条高速公路的施工、环境、交通及养护数据，涵盖15项影响因素（如路龄、年均气温、材料类型等）。
- 预处理：
- 异常值剔除：依据《公路技术状况评定标准》（JTG 5210—2018）剔除超出0—100范围的IRQ（路面行驶质量指数）数据。
- 缺失值处理：采用多重插补法（MI, Multiple Imputation）填补缺失字段。
- 数据量化：非数值变量（如材料类型）通过SQL Server平台量化为0/1编码。
2. 主成分分析（PCA）降维
- 方法：通过Karhunen-Loeve变换提取主成分，利用MATLAB的
princomp函数分析15项因素的贡献率。
- 结果：前8个主成分（如F1-F8）累计贡献率达90%，保留其作为模型输入变量，显著降低数据维度。
3. 遗传算法（GA）优化RBF参数
- 染色体编码：采用二进制编码，确定RBF隐藏层神经元数为48。
- 适应度函数：以均方误差（MSE）为目标函数，通过轮盘赌选择、交叉（概率1.0）和变异（概率0.01）优化参数λ（0.58）和α（0.997）。
4. PCA-GA-RBF模型构建
- 输入输出：8个主成分作为输入，IRQ为输出，数据集共5,000组（训练集3,500组，测试集1,500组）。
- 径向基函数：采用高斯函数，通过R语言平台实现模型训练。
5. 模型验证与对比
- 对比模型：单一RBF、BP神经网络及PCA-GA-BP组合模型。
- 评价指标：拟合优度（R²）、均方根误差（RMSE）及预测准确率。
四、主要研究结果
模型性能对比：
- PCA-GA-RBF的R²为0.820，RMSE为2.645，较单一RBF模型误差降低11.4%，平均预测准确率达84.13%。
- 训练迭代次数显著少于传统RBF（见图3），计算效率提升。
实例验证：
- 对四川省10条高速公路2,280组IRQ数据的预测显示，模型对路面平整度等级（优、良、中）的预测准确率分别为83.1%、84.3%、85.0%（见表6）。
算法优势：
- PCA降维减少了冗余信息，GA优化避免了局部最优，RBF非线性拟合能力增强了泛化性。
五、研究结论与价值
科学价值：
- 提出了一种融合PCA、GA与RBF的混合算法框架，为路面性能预测提供了高精度、高效率的解决方案。
- 验证了数据降维与参数优化在神经网络模型中的关键作用。
应用价值：
- 可为公路养护部门提供精准的路况退化预测，优化养护资源分配。
- 模型代码开源（基于R语言），便于工程实践复现与扩展。
六、研究亮点
- 方法创新：首次将PCA-GA联合优化应用于RBF神经网络，解决了传统模型收敛慢、易过拟合的问题。
- 工程实用性：基于真实道路数据构建模型，预测结果与《公路技术状况评定标准》高度吻合。
- 跨学科融合：结合道路工程、统计学与机器学习，推动了智能化养护技术的发展。
七、其他补充
- 局限性：模型依赖历史数据质量，未来需进一步验证其在极端气候或特殊交通荷载下的鲁棒性。
- 扩展方向：可尝试引入深度学习（如LSTM）处理时序数据，或结合遥感技术实现大范围路况监测。
（注：文中专业术语如IRQ（International Roughness Index, 国际平整度指数）、RBF（Radial Basis Function, 径向基函数）等均保留英文缩写并在首次出现时标注全称。）