Active Probabilistic Fast Kernel Extreme-Learning Machine for Data-Efficient Bridge Condition Prediction

Mahmoudi, Negin

doi:10.1061/JPCFEV.CFENG-5322

Active Probabilistic Fast Kernel Extreme-Learning Machine for Data-Efficient Bridge Condition Prediction

2026-04-01

1

PRE

AI

DOI：10.1061/JPCFEV.CFENG-5322

原文链接

原文求助

摘要

En 中文

许多国家（包括美国）的桥梁状况评估依赖于所有桥梁在预定间隔内的常规检查，每年耗资数百万美元。这种方法的高昂成本以及桥梁劣化和状况评估历史数据的可用性，促使研究人员开发基于劣化可能性的桥梁状况预测模型，以制定定制化的检查计划。用基于预测的规划方法取代常规检查政策将产生显著更少的数据，因为并非所有桥梁都会进行常规检查。因此，实用的预测模型必须具备高效的训练机制，能够使用相当有限的观测数据保持其预测能力。此外，预测模型必须配备内置机制，以选择性地选择最具有信息量的数据点进行模型重训练和更新，以保持其预测能力并防止偏差预测。现有的桥梁状况预测模型均不具备此类能力。因此，本研究通过创建基于主动概率快速核极限学习机模型的方法，引入了一种数据高效的桥梁状况预测方法。我们使用纽约州公路桥梁的国家桥梁库存（NBI）数据（共13,274座桥梁）实现了并经验性地评估了所提出方法的表现。结果表明，所提出的方法使用仅包含70座桥梁信息的小型训练数据集，实现了非常高的预测能力，其排序概率得分（RPS）为0.01。

Keyword:

Bridge condition

Prediction

Active learning

Fast kernel

Extreme-learning machine

Active Probabilistic Fast Kernel Extreme-Learning Machine for Data-Efficient Bridge Condition Prediction

摘要

期刊

机构

引用论文