面向路段级路面性能预测的多任务深度学习方法——基于段位数据

精细化的路面性能预测是实施预防性维护的重要前提。我们的调查发现，实际中路面性能通常在段位水平上进行测量，即对每段1公里长度内的所有车道获得唯一的性能值。由于数据采集成本高昂且预测建模困难，目前仍缺乏针对车道级的更精细化的性能分析。因此，本文开发了一种基于大量历史段位性能测量数据的多任务深度学习方法，用于预测车道级路面性能。该统一的预测框架能够有效处理不同车道间的内在相关性和差异性。具体而言，预测框架首先采用长短期记忆（LSTM）层捕获段位路面退化模式。随后，根据车道数量设计了多个任务特定的LSTM层，以捕获车道级路面性能的差异性。最后，将多个任务特定的LSTM输出与辅助特征拼接进行进一步训练，并在全连接层之后获得车道级预测。我们通过中国的一个实际案例验证了该预测框架，结果表明该方法在单向2车道、3车道和4车道场景中均表现良好，平均绝对百分比误差均低于10%。该提出的预测框架在几乎所有车道上都优于其他集成学习和浅层机器学习方法。