基于NAR-ARIMA组合模型的高速公路沥青路面破损状况预测

基于NAR神经网络模型和ARIMA传统时间序列预测模型,对高速公路沥青路面的破损状况进行预测,再分别通过最优加权法和残差优化法对两种预测模型进行组合,得到两种组合模型.对各单一模型和组合模型的精度和稳定性进行了比较分析.实例分析表明,组合模型相较于单一模型的精度和稳定性均有所提升,NAR-ARIMA最优加权组合模型预测效果最佳.该组合模型所需样本量较小,且基于时间序列.由于采用历史数据作为影响因素代替指标,该组合模型计算速度快、精度高,适用于日常的预测工作,为后续合理的道路养护决策提供了重要的理论依据.

基于PCA-IPSO-RBF神经网络的沥青路面破损状况预测

针对现有路面破损状况评价指数较为单一且无法准确预测路面实际破损发展趋势的问题,为探究路面使用指标、路面性能指标和路面环境指标对路面破损状况的影响,提出基于改进粒子群优化(IPSO)与径向基(RBF)神经网络耦合的沥青路面破损预测模型.首先,利用灰色关联分析和主成分分析(PCA)筛选出主要影响因子;然后,通过改进粒子群惯性权重因子,调整粒子全局和局部寻优能力,并利用IPSO算法训练RBF模型中的参数;最后,以主成分分析降维后数据为输入,建立路面破损状况的IPSO-RBF神经网络预测模型.实例研究表明,PCA-IPSO-RBF神经网络预测模型预测平均绝对误差为0.8416.因此,针对复杂非线性路面破损状况预测问题,该模型能够准确预测沥青路面破损状况,为路面养护决策提供有力支持.