基于CNN和LSTM的多损伤指标与道路施工史的路面性能建模
机器学习
2026-05-05 v1 应用统计
摘要
路面损伤是由材料、环境、设计以及其他不可观测变量决定的复杂动态过程。准确预测路面状态可帮助通过更好的协调保养和维修活动，最大化可用资源。本文使用卷积神经网络(CNN)和长短期记忆网络(LSTM)来建模路面退化过程。本文使用由德克萨斯州交通部收集的过去18年的路面状态数据和维修和 rehabilitation 历史。纳入21个柔性路面状态指标，包括裂纹、沟槽、碎屑和粗糙度，数据来自超过100,000个路面段。获得了有希望的初步结果。案例研究结果表明，所提出的CNN模型在预测路面状态值方面优于标准机器学习模型。
引用
@article{arxiv.2605.01914,
title = {Deep learning-based pavement performance modeling using multiple distress indicators and road work history},
author = {Lu Gao and Zhe Han and Yunshen Chen},
journal= {arXiv preprint arXiv:2605.01914},
year = {2026}
}