基于先进机器学习的智能道路检测；面向智能移动与交通养护系统的混合预测模型
信号处理
2020-01-24 v1 机器学习
机器学习
摘要
通过采用机器学习方法，移动与交通养护系统中的预测模型得到了显著改进。本文提出了用于智能道路检测的新型机器学习模型。基于路面状况指数（PCI）的传统道路检测系统通常伴随关键的安全、能源和成本问题。作为替代，所提出的模型利用落锤式弯沉仪（FWD）测试的表面弯沉数据来预测PCI。机器学习方法包括单一多层感知器（MLP）和径向基函数（RBF）神经网络及其混合模型，即Levenberg-Marquardt（MLP-LM）、缩放共轭梯度（MLP-SCG）、帝国主义竞争算法（RBF-ICA）和遗传算法（RBF-GA）。此外，采用委员会机智能系统（CMIS）方法来组合结果并提高建模精度。分析结果通过使用平均百分比相对误差（APRE）、平均绝对百分比相对误差（AAPRE）、均方根误差（RMSE）和标准差（SD）四项准则进行了验证。CMIS模型以APRE=2.3303、AAPRE=11.6768、RMSE=12.0056和SD=0.0210的 promising 结果优于其他模型。
引用
@article{arxiv.2001.08583,
title = {Intelligent Road Inspection with Advanced Machine Learning; Hybrid Prediction Models for Smart Mobility and Transportation Maintenance Systems},
author = {Nader Karballaeezadeh and Farah Zaremotekhases and Shahaboddin Shamshirband and Amir Mosavi and Narjes Nabipour and Peter Csiba and Annamaria R. Varkonyi-Koczy},
journal= {arXiv preprint arXiv:2001.08583},
year = {2020}
}
备注
23 pages, 10 figures