摘要

路面损坏状况指数(PCI)是评价路面质量的重要指标,可以综合地量化公路路面状况的优劣。针对由于日常养护干预造成的国省干线公路PCI预测不准的问题,通过研究西南某省全省普通国省干线公路的路面检测等相关数据,构建了基于贝叶斯优化的LightGBM预测模型。深入挖掘日常养护干预模式下的PCI指标历年变化规律,实现对普通国省干线公路PCI的预测。首先,对原始路面检测数据、交通量数据以及养护历史数据等多源数据进行融合,并从中抽取有效信息进行新特征构建。其次,基于多表间时空信息关联进行异常值辨识与修复等多源异构数据处理工作。然后,建立了LightGBM预测模型与采用贝叶斯优化算法对该模型的重要超参数进行了优化。结果表明:贝叶斯优化后的LightGBM模型与优化前相比,PCI的预测精度提高4.6%,平均绝对误差降低15.1%,仅为1.902;与支持向量机、随机森林等机器学习模型相比,预测精度最高达到0.945,平均绝对误差和均方根误差均最低,分别为1.902和2.486。提出的Bayesian-LightGBM模型路面破损状况指数预测方法效果最优,可以基于多源历史数据实现对特定路段未来PCI指数的精确预测,为公路养护管理部门制订合理的养护方案,为降低道路养护成本提供一定的数据依据。