基于PSO-灰色BPNN模型的路面使用性能预测研究

摘要

为最大程度优化路面养护决策，解决现有沥青路面性能预测模型精度低和历史检测数据匮乏的问题，该文基于网级管理，提出一种结合粒子群优化算法（PSO）、灰色模型（GM）与反向传播神经网络（BPNN）的路面使用性能预测组合模型，并将该模型与传统常用的路面性能预测模型GM（1,1）模型、支持向量回归（SVR）模型、BPNN模型和PSO-BPNN模型进行对比，采用平均绝对值误差(E_MAE)、均方根误差(E_RMSE)和平均绝对百分比误差(E_MAPE)评价各模型的预测精度，以及采用决定系数（R²）评估PSO-灰色BPNN模型的拟合效果。结果表明：采用PSO算法优化BPNN模型参数，并结合GM模型的数据生成能力，PSO-灰色BPNN组合模型的精度得到了显著提高；基于14条高速公路路面性能数据，验证了模型预测值与现场实测值具有较高的吻合度，I_PCI指标的E_MAE、E_RMSE和E_MAPE降至1.721 8、2.296 8和1.897 1,I_SRI指标的R²最高可达0.919；与其他4个模型相比，组合模型对I_PCI、I_RQI、I_RDI和I_SRI的预测误差结果均最小，充分凸显了该模型的优越性。该文提出的PSO-灰色BPNN组合模型的预测准确性更高，预测结果更符合实际，可为网级路面性能预测提供精准可靠的技术支撑。

关键词

道路工程 / 路面使用性能 / 粒子群优化 / BP神经网络 / 灰色理论