使用经常性神经网络考虑维护,以预测城市道路性能在北京,中国
Yutong Deng1, Feng Li1, Siqi Zhou1
1Beijing Key Laboratory for Cooperative Vehicle Infrastructure Systems and Safety Control, School of Transportation Science and Engineering, Beihang University, Beijing 100191, People's Republic of China.
概括
本研究开发了一种使用循环神经网络的路面性能预测模型. 该模型准确预测路面状况,使得更好的维护决策和高效的道路管理.
科学领域:
- 土木工程 土木工程是指土木工程.
- 运输工程 运输工程
- 基础设施中的人工智能
背景情况:
- 准确的路面性能预测对于有效的维护策略至关重要.
- 现有的模型可能无法完全捕捉持续的性能变化或整合维护成本.
- 城市道路维护数据为性能建模提供了宝贵的资源.
研究的目的:
- 开发一款包括维护成本并反映真实使用情况的路面性能预测模型.
- 通过使用先进的机器学习技术,提高路面性能预测的准确性.
- 评估循环神经网络在建模路面退化方面的有效性.
主要方法:
- 利用了北京城市道路五年维护工作和绩效指标的数据集.
- 开发和训练经常性神经网络模型,特别是长期短期记忆 (LSTM) 和门式经常性单元 (GRU) 网络.
- 在测试组中比较了LSTM和GRU模型的预测准确性和效率.
主要成果:
- 改进的循环神经网络模型实现了高预测准确性,其 R 平方值为 0.936.
- 门式反复单元 (GRU) 模型表现出卓越的效率,达到接近LSTM的精度,训练时间显著减少 (25秒).
- 该研究证实了开发的循环神经网络模型的令人满意的概括能力.
结论:
- 维护工作数据可以有效地用于路面性能预测.
- 循环神经网络,特别是GRU,为建模路面性能变化提供了强大而高效的方法.
- 开发的模型支持对路面维护的数据驱动决策,优化资源配置和道路寿命.
