1、研究背景

　　高速公路瀝青混凝土路面因外部環境綜合作用常出現破壞，影響交通運輸效益。預測路面使用性能衰變規律對道路建設、維護和管理意義重大，但路面損壞狀況指數(PCI)受多種因素影響且現場檢測變異性大，難以準確掌握。已有研究方法各有優劣，如挖掘道路路面大數據預測未考慮路面結構等因素;廣義回歸神經網絡對數據質量要求高;基于灰色關聯度分析支持向量機回歸模型參數設置復雜、對噪聲敏感;分數階灰色模型結果不夠直觀。本研究運用灰色關聯度分析法篩選影響因素，采用組合預測模型預測各指標并與傳統模型對比。

　　2、原理與方法

　　原理：灰色關聯度分析(GRA)是多因素分析方法，將因素與目標變量關聯程度轉化為灰色數值比較排序，關聯度高則影響大。需確定因素數據序列并歸一化處理，計算關聯系數和灰色關聯度，以此確定因素重要性，提高PCI預測精確度。GM(1,N)用于預測灰色特性序列數據，N表示序列長度，考慮多因素影響，通過建立累加數據序列與緊鄰均值序列，運用最小二乘法計算參數，代入微分方程求解并累減還原得到預測值。BP 神經網絡通過調整神經元連接權重和偏置值，利用梯度下降算法最小化預測誤差，經初始化網絡、信號前向傳播、誤差反向傳播和訓練預測等步驟進行預測。

　　組合預測模型：組合預測模型將多個預測模型結果組合，彌補單一模型不足，提高預測準確性和魯棒性，分為定權組合和變權組合。本研究提出 3 種變權組合預測模型，以誤差平方和最小為目標函數，根據不同逼近指標構建模型。

　　3 種變權組合預測模型：分別為加權算術比例平均組合、加權平方和平均組合、加權算術平均組合。通過實際值與預測值越逼近越好的原則，運用 Lingo 18.0 軟件建立二次規劃模型求解變權系數。以甘肅某高速公路路段為例，用均方根誤差(RMSE)衡量模型性能。

　　3、結果與分析

　　數據處理和篩選：根據甘肅某高速公路 2014 - 2021 年若干路段瀝青混凝土路面檢測數據，歸納出 10 個常見影響因素并分為 4 類。運用 GRA 計算各因素與PCI的關聯程度，不同路段影響因素作用效果有差異，選取關聯度大于 0.5 的 9 個評價指標作為主要影響因素。

　　GM (1, N) 預測模型：以路段 1 為例構建 GM (1, 6) 預測模型，其他路段計算過程相同。該模型從第 2 個樣本點開始模擬，預測效果較滿意，預測下一樣本點時可更新特征序列。BP 神經網絡預測模型：將主要影響因素作為輸入變量，PCI作為輸出，確定網絡結構，設置訓練目標、最大訓練次數和學習速率，以 RMSE 最小為訓練目標，預測效果理想。為提高泛化性能，劃分訓練集和驗證集，預測結果與實際值擬合程度較高。

　　組合預測模型：運用 Lingo 18.0 軟件求解各組合模型變權系數，建立 3 種變權組合預測模型進行預測。結果表明組合預測模型能更好擬合預測PCI，不同路段適用的變權組合預測模型不同。通過 RMSE 綜合評價，5 種預測模型均能較好預測原始數據，組合預測模型可大幅提高預測精確度。

　　4、結論

　　GM(1,N)模型和 BP 神經網絡模型對原始PCI擬合預測效果較好。3 種變權組合預測模型能結合單一模型優點，大幅提高預測精度。不同路段 3 種變權組合模型預測能力不同，可根據誤差分析選擇最適合的模型，削弱定權方法的不利影響。

李海蓮;周思汝;李清華;劉忠磊;賈衛東,蘭州交通大學土木工程學院;中交一公局集團有限公司;中鐵十四局集團有限公司,202501