本文旨在向各位研究人员介绍一篇近期发表于《Journal of Traffic and Transportation Engineering (English Edition)》的原创性研究论文。该研究题为“Laboratory-on-IoT for predicting construction temperature of asphalt pavement”，由来自长安大学、西藏天路股份有限公司、西安建筑科技大学、中铁建大桥工程局集团、中南大学、华中科技大学等多个机构的科研团队共同完成，于2025年9月26日在线发表。本研究聚焦于道路工程与智能信息技术的交叉领域，通过融合物联网（Internet of Things, IoT）与机器学习（Machine Learning）技术，开发了一种用于实时预测沥青路面施工温度的新方法，对于提升路面施工质量管理的智能化水平具有重要价值。
一、 研究背景与目标
沥青是一种典型的温度敏感性材料。在施工过程中，摊铺与压实温度是影响沥青混合料压实效果、避免老化与离析、从而确保路面长期性能的关键因素。传统上，路面温度预测模型主要分为基于气象数据的解析模型、基于数值模拟（如有限元法）的数值模型以及基于统计回归的经验模型。然而，这些模型在预测施工期动态变化的温度场时，往往存在精度不足、计算效率低下或无法实时更新的局限。近年来，物联网技术的成熟使得在施工现场大规模、实时采集施工过程数据成为可能，而机器学习方法，特别是神经网络，在处理高维度、非线性关系数据方面展现出强大优势。尽管如此，现有研究多集中于路面服役期的温度预测，对施工期温度动态预测的关注较少，且鲜有模型具备基于实时数据更新的动态预测能力。
因此，本研究旨在填补这一空白。其核心目标是：利用物联网智能监控系统采集的施工现场多源数据，建立一个基于机器学习的神经网络模型，以实时、动态地预测沥青路面的摊铺温度和压实温度。研究希望通过特征重要性评估深入理解施工工艺参数对温度的影响，并通过优化模型框架与超参数，提升预测模型的精度与效率，最终为施工过程中的温度调控提供智能化指导。
二、 详细研究流程
本研究的工作流程系统而完整，主要包含以下几个关键步骤：
第一步：物联网数据采集与预处理。 研究团队在中国陕西省西安市某高速公路AC-25沥青混合料路面的施工过程中，部署了一套智能物联网监控系统。该系统覆盖了从拌和、运输到摊铺、压实的全过程。采集的数据指标非常全面，包括：拌和站的沥青与各档集料（0-4 mm, 4-7 mm等）的用量、出料温度；摊铺机的摊铺速度、摊铺温度；压路机的碾压速度、碾压温度；以及环境温度、湿度和风速等气象参数。原始数据总量达81,845条。针对传感器波动可能产生的异常值或空值，研究首先进行了数据清洗，采用“四分位数”准则剔除异常值，最终得到68,150条有效数据。随后，使用Z-score标准化方法对数据进行归一化处理，使各特征数据均值为0、方差为1，但不改变其原始分布结构，为后续建模做好准备。
第二步：基于随机森林的特征重要性评估与选择。 在建立预测模型前，为避免“维度灾难”和过拟合，需从众多特征中筛选出对施工温度影响显著的关键参数。本研究采用了随机森林（Random Forest, RF）算法进行特征重要性评估。其基本流程是：先建立摊铺温度和碾压温度的随机森林回归模型，然后对于每个特征，随机打乱其在数据集中的顺序（即破坏该特征与目标值之间的关联），并计算模型在“破坏”后数据上的性能下降程度，下降越多则说明该特征越重要。该过程重复多次取平均值以提高稳定性。评估结果显示，对于摊铺温度，出料温度和摊铺速度的重要性远高于其他特征；对于碾压温度，出料温度和碾压速度同样是最重要的影响因素。研究据此筛选出累积重要性达到95%的特征作为最终模型的输入变量（预测因子），剔除了冗余指标。例如，摊铺温度模型的预测因子包括：特定粒径集料质量、沥青质量、出料温度、摊铺速度、环境温度、风速和湿度。
第三步：基础神经网络模型的建立与初步评估。 研究基于TensorFlow平台的Keras高阶API，构建了一个初始的序贯（Sequential）神经网络模型作为基线。该模型包含三个全连接层，神经元数量分别为64、64和1，使用ReLU激活函数和随机梯度下降（SGD）优化器，学习率设为0.01，训练周期（epochs）为100。数据集按70%:15%:15%的比例划分为训练集、验证集和测试集。模型性能采用均方根误差（RMSE）和平均绝对百分比误差（MAPE）进行评价。初步结果显示，摊铺温度模型的RMSE为8.86°C，MAPE为4.92%；碾压温度模型的RMSE为8.62°C，MAPE为4.68%。这表明基础模型的预测性能有较大提升空间。
第四步：模型框架优化。 为了提高模型性能，研究从两个方面对模型框架进行了优化。首先，对比了四种常用优化器（SGD、Adam、RMSprop、Adagrad）的性能。通过多次训练发现，Adagrad优化器所需训练周期过长，效率低下；而在SGD、Adam和RMSprop中，Adam优化器在损失函数收敛的平滑度和速度上均表现最佳，其对应的RMSE和MAPE值也最小。因此，研究选择Adam作为最终的优化器。其次，探讨了批标准化（Batch Normalization, BN）层的作用。虽然在本次研究的多次训练中，添加BN层并未显著降低最终的损失函数值，但公认的实践表明BN层能加速模型收敛、提高训练效率。因此，研究在模型中加入了BN层。
第五步：超参数优化。 这是本研究提升模型精度的关键环节。研究使用Keras Tuner超参数优化框架，采用贝叶斯优化算法，对三个核心超参数进行了系统性的搜索和优化：1) 隐藏层数量；2) 每层神经元数量；3) 优化器学习率。研究首先通过初步实验确定了各超参数的搜索范围（例如，隐藏层数1-10，神经元数128-256，学习率0.001-0.01），然后让优化器在该空间内自动寻找最优组合。每个超参数组合训练三次，取最小的RMSE作为该组合的误差。经过优化，得到了针对摊铺温度和碾压温度的两个最优模型结构。例如，摊铺温度最优模型具有8个隐藏层，各层神经元数在144到240之间不等，学习率为0.003。
第六步：最优模型训练与性能验证。 根据优化得到的超参数重新建立并训练模型。摊铺温度最优模型在89个训练周期后达到最佳，碾压温度最优模型则在76个周期后达到最佳。与基础模型相比，优化后的模型性能得到显著提升：摊铺温度模型的RMSE从8.86°C降至4.19°C，MAPE从4.92%降至2.01%；碾压温度模型的RMSE从8.62°C降至3.74°C，MAPE从4.68%降至1.94%。这证实了优化流程的有效性。
三、 主要研究结果
特征重要性分析结果：随机森林评估明确量化了各施工参数对温度的影响程度。出料温度和摊铺/碾压速度被确定为影响施工温度的最关键特征。这一结果为施工过程中的主动温度控制提供了明确的调控靶点，即通过监控和调整这些关键参数，可以有效管理施工温度。
模型框架优化结果：在四种优化器的比较中，Adam优化器展现出最快的收敛速度和最佳的最终预测精度。批标准化（BN）层的加入被证实有助于稳定训练过程、提高效率。这些发现为在类似工程数据上构建神经网络模型提供了实用的技术选型参考。
超参数优化与模型性能结果：通过系统性的超参数调优，模型的预测误差（RMSE和MAPE）降低了约50%以上，证明了针对具体数据集进行精细调参的必要性和巨大潜力。优化后的模型能够更准确地捕捉施工温度与各影响因素之间复杂的非线性关系。
预测结果与误差分析：对1000组测试数据的预测显示，模型预测的温度变化趋势与实际温度高度一致。研究进一步将预测结果按误差大小分为“精确”、“一般”和“不精确”三类进行分析。发现两个模型均具有良好的预测效果，大部分预测值落在“精确”和“一般”范围内。同时，研究也识别了模型存在的系统性误差模式：在低温区间，模型倾向于高估温度值；在高温区间，模型则倾向于低估温度值。 这一发现对于理解模型局限性和未来改进方向具有重要意义。
影响因素定量关系分析：基于模型预测结果，研究通过分段三次插值拟合，可视化了关键特征（出料温度、摊铺/碾压速度）与施工温度之间的定量关系。结果表明：摊铺温度与出料温度、摊铺速度均呈正相关；而碾压温度与出料温度正相关，但与碾压速度负相关（因为碾压速度越快，散热时间越短，温度下降越快）。这些定量关系图能够直观地指导施工人员，例如，在需要较高摊铺温度时，可考虑适当提高出料温度或（在保证摊铺质量的前提下）加快摊铺速度。
四、 研究结论与价值
本研究成功构建了一个基于“物联网-机器学习”（Laboratory-on-IoT）框架的沥青路面施工温度实时预测系统。主要结论如下：1) 物联网技术能够为施工温度预测提供实时、海量的数据支持；2) 机器学习方法，特别是经过优化的神经网络模型，能够有效学习施工过程中的复杂规律，实现较高精度的温度动态预测；3) 出料温度和摊铺/碾压速度是调控施工温度的关键工艺参数。
该研究的价值体现在：科学价值在于将物联网的实时数据采集能力与机器学习的强大建模能力深度融合，为基础设施施工过程的数字化、智能化管控提供了一个可借鉴的研究范式。应用价值在于所开发的模型能够为施工现场管理人员提供实时的温度预测预警，使其能够提前采取干预措施（如调整拌和温度、协调摊铺与碾压节奏），从而将施工温度控制在规范要求的合理范围内，从源头上保障沥青路面的压实质量与长期性能。此外，模型对于施工工艺和气候环境相似的工况具备一定的灵活性和可移植性。
五、 研究亮点
六、 其他有价值的讨论
研究在最后也坦诚指出了其局限性：由于运输阶段数据采集难度大、质量差，本次模型未包含该阶段数据，这在一定程度上限制了模型的准确性。未来需加强运输环节的数据监控。此外，当前模型基于特定地区（西安）的特定混合料（AC-25）和气象条件数据训练，若施工环境差异巨大，模型的普适性将面临挑战。因此，未来研究需考虑增强模型的泛化性、可迁移性和鲁棒性。这些讨论为后续研究指明了方向，即通过扩充数据集覆盖更多工况、探索迁移学习等先进模型，来进一步提升系统的实用范围和预测精度。