基于Gradient Boosting Machine的沥青路面车辙深度预测
投稿时间：2021-01-06  修订日期：2021-09-19
关键词:机器学习  Gradient Boosting Machine  LTPP  车辙深度  部分依赖性
基金项目:国际项目：交通基础设施全自动数据采集及智能分析平台建设,项目编号：20203910013。
作者单位
王静怡 新疆大学建筑工程学院 
呙润华* 清华大学土木水利学院 
付东雷 新疆大学建筑工程学院 
摘要点击次数: 510
全文下载次数: 0
摘要:
      本文基于可解释的机器学习算法Gradient Boosting Machine(GBM),使用Long-Term Pavement Performance(LTPP)数据库,考虑多类型影响因素，包括环境因素、交通因素、结构因素和材料因素，对沥青路面车辙深度进行了预测。并与人工神经网络、支持向量机算法进行了比较，同时利用GBM对重要影响因素进行了部分依赖性解释。结果表明：在测试集中，GBM相较于前两者RMSE分别降低了0.75、0.25，MAE分别降低了0.54、0.07。影响车辙深度的重要因素有：初始测量车辙深度、初次测量经过时间、沥青路面总厚度、年累计当量轴载作用次数。通过部分依赖性分析，有助于路面养护部门理解车辙受影响因素的变化趋势，从而更好地进行路面养护管理。
  查看/发表评论  下载PDF阅读器
Copyright@ 2008 All Rights Reserved.