.png){kind=icon}
返回
Optimizing Pavement Maintenance with AI: A Data-Driven Framework Integrating Optimization and Machine Learning
.png){kind=icon}
OA
AI
DOI：10.1007/s42947-026-00802-w.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在全球基础设施在财政约束下老化时，传统路面管理系统通常依赖顺序工作流程，忽略了干预措施对未来劣化的动态影响。本文介绍了一个数据驱动框架，集成了递归多年度预测引擎与网络级遗传算法（GA）优化。与静态模型不同，该方法建立了一个动态反馈循环，其中t年的维护决策更新预测模型在t+1年的路面状态输入。该框架结合了经贝叶斯优化（Optuna）调优的超参数的轻量梯度提升机（LightGBM），基于长期路面性能（LTPP）数据训练（R²=0.88，RMSE=0.19），并与GA优化模块耦合进行资源配置。采用基于路段的分割策略防止数据泄露，结果显示这种递归集成优于反应性策略，在提高网络质量3%的同时降低维护成本22%。该框架展示了递归数据驱动模型在优化现代路面管理生命周期成本和可靠性的潜力。
Keyword:
Pavement management systems
Machine learning
Artificial intelligence
Genetic algorithm
Ensemble models
Maintenance planning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.5
论文数:
986
被引数:
2.4K
机构
引用论文
.png){kind=icon}
Large-Scale Maintenance and Rehabilitation Optimization for Multi-Lane Highway Asphalt Pavement: A Reinforcement Learning Approach多车道高速公路沥青路面大规模养护与修复优化: 一种强化学习方法
PREAI
分享收藏Asphalt pavement maintenance plans intelligent decision model based on reinforcement learning algorithm基于强化学习算法的沥青路面养护计划智能决策模型
PREAI
分享收藏Recurrent Neural Networks for Pavement Performance Forecasting: Review and Model Performance Comparison用于路面性能预测的递归神经网络: 回顾和模型性能比较
PREAI
分享收藏Modelling of pavement performance evolution considering uncertainty and interpretability: a machine learning based framework考虑不确定性和可解释性的路面性能演化建模: 基于机器学习的框架
OAAI
OAAI分享收藏
查看更多内容