同济大学学报(自然科学版)

作者：呙润华，于向前

单位：清华大学 土木水利学院，北京 100084

关键词：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

基金：交通基础设施全自动数据采集及智能分析平台建设项目（20203910013）；黑龙江省科技厅项目（2022ZXJ02A01）

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。

来源：2023年第8期

《同济大学学报(自然科学版)》期刊编辑部

查看同济大学学报(自然科学版)杂志2023年第8期