基于数据融合的路面性能评价及预测文献综述

1. 文献综述（或调研报告）：
2. 路面性能评价

路面使用性能的评价是根据获取的路面实际状态信息，然后对路面当前的使用机能满足实际车辆通行的需要的程度所作出的一种鉴定。一般路面使用性能评价有单个性能评价和综合性能评价组成，其中路面单个性能评价主要是针对路面性能的每一个具体方面进行分析评价，主要包括有以下几项：路面破损状况评价、路面行驶质量评价、路面车辙深度评价、路面抗滑能力评价等。而路面的综合性能评价是根据具体路段所有的单项性能评价所计算得出的一个关于路段性能的总体好坏状况判断，其主要目的是使得因各个单项评价指标有好有坏而不好进行比较的不同路段能够进行优劣状况的比较。一般地，我们将路面使用性能综合评价简称为路面使用性能或者路面评价。我国现行公路技术状况评价体系见下图，各个指标的值域均为0-100

1. 路面性能预测

路面性能预测是指运用不同模型，结合数据处理方法、时间维度对路面未来各项性能指标进行预测，进而更好的为养护决策做出贡献。由于参数、模型、数据处理方法、不同路段等因素，我国路面性能预测很好的秉持了“因地制宜”的宗旨。

荣建国[1]以西部某省(区)高速公路路网多年检测数据为基础，对4种因素影响下PCI和RQI的变化趋势进行分析，结合变异系数(%)均值的大小选出影响PCI和RQI衰变的主要因素。在此项研究中，荣建国并没有选择以往的线性模型，而是选择了二次多项式、幂指数曲线、负指数曲线、修正S曲线等4种曲线模型，在非线性模型的应用中做出了尝试，对沥青路面损坏状况指数PCI和路面行驶质量指数RQI的衰变规律进行研究，最后通过路网实际检测数据对模型进行验证。其结果表明:①交通量和区域对PCI衰变影响较大，交通量和基层厚度对RQI衰变影响较大;②PCI衰变趋势符合幂指数曲线，RQI衰变趋势符合修正S曲线;③经全路网检测数据验证，PCI、RQI预测的平均差值分别为-0.60和-0.74，预测误差分别为-0.30%和-0.78%，精度满足小于1%的规范要求。这是一次非常成功的非线性模型套用于路面性能预测的案例。

李海莲[2]针对传统定性法对高速公路沥青路面使用性能预测精度不高的问题，结合支持向量机理论和改进萤火虫算法，建立了一种基于IFA-SVM的预测模型。首先在预测模型中引入萤火虫领域搜索，克服了寻优过程中随着迭代次数的增加而发生萤火虫的随机移动。其次，在后续寻优过程中采用动态调整算法搜索步长来平衡全局搜索能力，加快了SVM模型性能参数的寻优选择。最后通过实例验证，并与标准FA-SVM预测方法进行对比分析，验证了IFA-SVM模型的有效性和预测精度的可行性。其研究表明:(1)采用标准FA-SVM对G6高速公路白银段路面使用性能各个指标进行预测，其相对误差最大达2.543 5%，最小为0.820 6%，而利用IFA-SVM模型预测结果的相对误差最值分别为1.085 8%和0.365 4%，且其均方根误差均小于标准FA-SVM方法。(2)IFA-SVM模型在高速公路沥青路面使用性能预测时，收敛速度更快，精度高于标准的FA-SVM，预测结果更接近实测值，而且有效地支持了高速公路沥青路面的养护决策。在此项研究中，优化了效率问题，即迭代次数、收敛时间等的同时，还对预测精度进行了提高.

赵静[3]为了准确掌握沥青路面使用性能指标的变化趋势，以车辙指数(rutting depth index，RDI)为例提出了能够有效动态使用新数据的等维灰数递补模型。利用该模型对路面状况指数(pavement condition index，PCI)、行驶质量指数(riding quality index，RQI)和横向力指数(skidding resistance index，SRI)等指标进行了预测。本例表明，使用等维灰数递补模型对RDI、PCI、RQI和SRI预测在第3步时，最小误差概率均为1，后验方差比分别为0.1117、0.0654、0.2018和0.1130.证明了随着迭代次数的增加，其预测结果精度越高、误差越小，表明该方法能够准确地预测路面性能。此例也证明了等维灰数递补模型迭代后能进行较好效果的路面性能预测。

路明[4]研究了养护干预下路面使用性能的衰变状况和衰变模型。研究基于广肇高速公路路面性能检测数据，考虑养护干预对沥青路面性能衰变状况的影响，提出特定养护措施下沥青路面性能的双参数曲线和灰色系统理论 马尔可夫转移概率衰变模型，以评价不同养护条件下沥青路面性能的衰变规律。同样地，衰变是路面性能预测中一项很重要的考虑因素，以及将预测与养护干预结合起来考虑。

法鲁克·铁来克[5]建立ARIMA模型，提高了橡胶沥青路面使用性能，加强路面养护管理，对橡胶沥青路面使用性能衰变预测指标与影响因素进行分析，对橡胶沥青路面的使用性能破损状况指数PCI进行预测。他采用SPSS21.0软件，结合实体工程路面状况PCI监测数据，验证了ARIMA模型的可行性，并计算了沥青路面PCI的发展趋势。他的实验结果表明，利用ARIMA模型预测的橡胶沥青路面寿命比普通沥青混凝土路面延长了6年，ARIMA模型能够准确地预测沥青路面PCI衰变规律，对橡胶沥青路面采取养护措施的时间和养护决策提供了支持。

1. 数据融合以及卡尔曼滤波器在道路检测、交通流、定位方面的应用

美国德州交通运输与联邦公路管理局[11]认为，数据融合是一个通用术语，用于描述将来自不同设备的结果组合在一起的过程，目的是获得比各个设备自己获得的结果更可靠或更准确的结果。这些读数既可能是减少的结果，也可能是原始数据，具体取决于所应用的级别数据融合。数据融合的复杂性可以从简单的平均值到人工神经网络。如今，使用了多种数据融合方法，并且随着当前方法的变化和新方法的引入，该方法的数量持续增加。

数据融合的主要基础之一是任何事件都具有某种程度的“真相”。这个事实可以用概率，权重，分布或合理区间来表示。获得的权重可以用来组合来自多个设备的读数。任何数据融合方法的根本挑战是如何应用该方法获得权重，然后可以使用权重来获得复合值。此外，这些权重应描述特定事件或应识别潜在异常值，以便可以对其进行调整或消除。有些方法更有利于处理和修改数据，而另一些方法仅有助于识别潜在的麻烦数据点。一旦定义了用于数据处理和数据过滤的系统方法，便可以开发算法以去除试图做出决定的人的猜测工作负担。实验数据的数据融合非常相似，可能有来自多个来源的数据，每个来源各有优缺点，并且可以通过对该数据的系统综合来获得对现象或被测参数的更完整的了解。这也是本项目的出发点。

数据融合方法可以根据方法的主要特征分为不同的类别。数据融合方法已分为三类。第一类是用于数据融合的统计和概率方法。其中包含的方法是依赖于统计信息（例如平均值和标准偏差）的加权平均值。另一种方法是贝叶斯推断方法，该方法需要使用先验概率和后验概率来确定事件的可能性。下一类数据融合是证据推理。Dempster-Shafer证据推理方法可以根据不同意见在何处相交而组合来自不同来源的专家意见。Dempster-Shafer方法返回置信区间或给定事件可能发生的概率范围的结果。第三类是模糊逻辑。模糊逻辑方法允许创建规则，这些规则尝试以将主观决策变为数学规则的方式起作用。这些决定又可以用于合并或过滤数据。