文献类型：期刊文章

作　　者：张金喜[1] 郭旺达[1] 宋波[2] 禚永昌[1] 张阳光[1]

ZHANG Jinxi;GUO Wangda;SONG Bo;ZHUO Yongchang;ZHANG Yangguang(Beijing Key Laboratory of Traffic Engineering,College of Metropolitan Transportation,Beijing University of Technology,Beijing 100124,China;Beijing Board Engineering Quality Supervision Station,Beijing 100076,China)

机构地区：[1]北京工业大学城市交通学院交通工程北京市重点实验室,北京100124 [2]北京市道路工程质量监督站,北京100076

出　　处：《北京工业大学学报》

基　　金：国家自然科学基金资助项目(51778027);北京市交通行业科技项目(2018-kjc-01-213)。

年　　份：2021

卷　　号：47

期　　号：11

起止页码：1256-1263

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD_E2021_2022、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：为弥补路面性能预测问题中传统预测方法效率差、预测精度低等缺陷,针对普通公路沥青路面状况指数(pavement condition index,PCI)的预测问题,利用北京市9个县区包括路面性能指标、路面结构、交通参数及气象资料在内的1249组观测值,提出了一种基于随机森林算法的PCI预测模型,并与神经网络、支持向量机模型预测结果进行对比.研究结果表明:通过对比分析不同模型的3个定量评价指标(均方根误差、平均绝对误差和决定系数)以及可视化散点图,证明采用随机森林算法的PCI预测模型的鲁棒性、准确性要优于神经网络和支持向量机模型,验证了该模型的有效性和优越性,可以为后续公路养护预算申请和决策方案制定提供科学依据,对于提高公路养护的经济效益具有重要意义.

关 键 词：道路工程 沥青路面 路面性能预测 路面状况指数(PCI)  机器学习  随机森林(RF)  

分 类 号：U418.6]