基于编码器-解码器结构的路面平整度预测

作者：呙润华; 于向前^*

来源：同济大学学报(自然科学版), 2023, 51(08): 1182-1190.

• 路面平整度预测
• 编码器-解码器结构
• 长短期记忆(LSTM)网络
• 门控循环单元(GRU)
• 注意力机制

提出了基于编码器-解码器结构的路面平整度预测模型。对比分析了不同网络层的表现，并比较了网络层个数、隐藏节点数、数据时间窗口对模型精度的影响。在美国交通部公开的LTPP(long-term pavement performance)数据库的基础上构建了国际平整度指数（IRI）数据集，并对模型进行了训练和评估。结果表明：采用门控循环单元（GRU）网络层的编码器-解码器结构的预测性能最好，优于经典的机器学习模型XGBoost和单独长短期记忆（LSTM）网络。通过特征随机打乱的方式对不同输入特征的重要性进行了评估，结果显示路面结构和温度对于路面平整度预测比较重要，在数据库建设时应注意对这些数据的收集。

• 单位
  清华大学