在洲际高速公路上使用决策树算法分析混凝土路面的开裂

1、在洲际高速公路上使用决策树算法分析混凝土路面的缺陷摘要：本文描述了两种决策树算法，无偏选择的逻辑线性回归决策树算法和无偏估计和交互选择的分类准则，去定义缺陷类型来影响路面维护的决策。在威斯康辛州的I-90高速公路就已经有使用决策树的来维护的历史了。这个领域的缺陷数据类型包括数量，严重程度，地理位置和裂痕。本文的主要目的就是呈现的决策树算法,可以纳入决策过程和帮助州际高速公路上机构在路面管理的过程中做出理性决定。这篇文章探讨了这种模型的发展过程和使用决策树算法进行缺陷定义。在另一个州际高速公路I-43的研究中,已经对这两种算法的结果进行了分析对比研究。这些分析模型和研究结果将提供给州际公路机构和

2、实践者一个去鉴定缺陷模型的方法，对在特定地点和未来维修的实践中更容易做出决定提供帮助。关键字：路面管理系统(PMS)、维修决策支持、公路养护因素,缺陷、决策树算法前言路面养护是一个重要的实践去保护路面结构能力和恢复和保存路面良好、安全的状。最近,随着车辆的数量和他们的车轮荷载不断增加，路面养护的重要性在不断提高，特别是在美国州际公路上。因此,当这些进行交通拥挤和增多可能导致道路结构关键变化时，路面养护必须进行相应的调整。典型的维修包括预防和纠正行动放慢或恢复人行道上退化的结构。这些措施包括在表面重修、修复,复原与重建。就想拇指规则一样,预防性维护状态评估涉及一个准确而及时纠正性维修需要选择最好

3、的适合评估的条件的一种方法。一个通用的路面养护过程开始于一个状态评估。根据评估的结果将决定详细条件下维修计划及策略。一旦维护方法已经决定了,运输机构优先考虑这些方法是否受到制度和财政的限制。一份详细的计划优先按照预先确定的最大化效益与最小成本来实施。目前,大多数条件评估是通过集中地区的维修人员进行操作的。因此,它最有可能的是带有主观性和不一致性、使得评估缺乏水平与准确性。在观测的过程中,要确定调查的型号、数量、所在的位置,严重度和缺陷。在完成观察时,每个观测值都要被记录。这些观察将作为识别和选择维护的基础。在很多情况下,并不少见不止一个维护技术可以解决鉴定问题。与此同时,在整个决策过程中，根据

4、几个失效模式的考虑有许多因素影响维修的实践。这些失效模式是因为物理缺陷,不好的服务,用户的反作用和财政制约。详细的因素能够影响维修方法的选择过程,和随后的失败模式都有关联。最近,许多州立机构建立了他们自己的评价体系和评价标准,以判断缺陷和相应水平的处理方法。其中包括PASER（路面表面等级评价）由州威斯康辛的出版(沃克,2002年)、OPI（组织绩效指标）和美国的俄亥俄州和印第安那州的初的选维修质量调查手册(ODOT杂志,2001;INDOT,2006)。基于现有的路面交通载荷祸患预期、环境条件、处理的花费和性能制定不同的处理方法。 一般来说，缺陷类型和历史的维护地点特殊在它是必要去调查缺陷度

5、类型，在一段特定类型的州际高速公路上。这篇论文重点对威斯康辛州的混凝土路面和路面状况进行评估。根据联邦公路管理局(由数据管理技术,2003年)提供的缺陷识别手册,典型有四种缺陷混凝土路面：开裂、连接处缺陷,表面缺陷,和其他的缺陷。考虑到联邦指南,威斯康星州的用途七项指标是为混凝土路面缺陷。缺陷的指标包括粗糙,恶化的接头,路面损坏、打补丁,反倒表面如裂缝、断裂、和车辙。在研究中选定在州际高速公路段I-90进行建模和分析，提出基于决策树算法去探索在维修历史基础上的缺陷类型。这些分析将支持的国家机构在今后的维护实践做出决定。用这一案，我们在另一个州际高速公路I-43上进行进一步的对两种算法的结果深化

6、分析。2、对威斯康辛州州际高速公路的评估 威斯康辛州有两个公路管理系统：公路信息文件（PIF）和威斯康辛州当地的信息系统(WISLR)。PIF用来管理高速公路，而WISLR用来管理当地的道路。他们都在特殊地点存档路面使用性能数据。集中在州际公路系统,本研究对PIF作进一步讨论。早在20实际80年代，威斯康辛州交通部(WisDOT)使用国家公路系统对路面状况进行监测。每1.6-km(1英里)的部分被记录在PIF中。收集到的历史路面使用性能的数据类型包括缺陷类型，每个缺陷类型包括严重程度和受损长度，都在公路缺陷指引（PDI）中。此PDI检测是一种双位数的指标，代表整体的表面可见路面缺陷中严重程度和

7、范围（弗里德里希 ,1999年)。严重性代表如何严重的损害的程度，路面多少部分被影响。缺陷的范围和严重程度的加权和是一个计算公式，PDI的范围从0到100,0分代表了最优，100最糟糕。典型的情况是,PDI随着路面年龄逐渐增加而增加;当实施路面维护时就会马上下降。3.数据建模为了探索普遍缺陷类型进行维护活动,在PIF中提取了从1985年到2005年共有个112刚性路面板截面和1196检验数据进行了分析。表1显示收集到数据的详细信息和描述这些的变量。在这项研究中,这个水平的缺陷,例如无缺陷,中度缺陷和严重的缺陷,被认为是独立的变量。维护作为因变量,讲述的是在选定的部分是否进行维修。这是由特定点特

8、定时间的PDI突然下降决定的。所有7个可观测的缺陷指标都记录在PIF中。他们是路面破裂，接口缺陷，修补，表面缺陷，开裂长度，断层开裂和车辙。表2表示显示的范围,缺陷联合联系在一起相应的分类值作为一个例子。变量代表每个缺陷的程度,而这类型的范畴指的是严重的缺陷的类型。收集到的数据然后分析,以确定是否存在某些缺陷类型维护的事件之间的相关性。图1显示的数据分布中的每个变量在路面I-90上进行分析。IRI表示每千米的数值。传统的技术用来确定相互依赖的变量是一个回归分析。然而,一些技术问题而限制了利用传统的回归分析。首先,逐步回归技术一定会找到一个解决方法最重要的变量,它依赖与相互依赖的变量,而本研究需

9、要等级的独立变量，作者根据自己的依赖与相互依赖的变量的值进行分析。第二,逻辑回归分析是众所周知的强大的工具来处理数据和二进制响应变量。尽管如此,它是很难解释的结果,回归分析当它包含有一定数量的独立变量。众所周知,是低效的逻辑回归分析在处理数据时,如果考虑变量的倾向有共线、非线性或两者情况在大多数路面损坏状况的数据。由于这些技术的挑战,传统的回归分析是不真实的使用。另外,决策树算法用于确定从缺陷的显著性来进行路面维护活动。表一 从PIF中提取的数据变量类型变量变量描述变量等级因变量维护是否维护0（不维护）1（维护）自变量IRI粗糙度指标数值(m/km)Djt12缺陷点（1-2每处）0（无缺陷点）

10、1（51-103mm 宽）2（152-254mm宽）3（>254mm 宽）Djt4缺陷点（3-4每处）Djt5缺陷点（5每处）Ptch13修补（1-3 每处）0（完美修补）1（较好的修补）2（中等的修补）3（差的修补）Ptch46修补（4-6 每处）Ptch79修补（7-9 每处）Ptch10修补（10 每处）Sur19表面缺陷（1-9%每处）0（无缺陷）1（25mm深）2（>25mm深）Sur10表面缺陷（10 %每处）Ljt纵缝结合缺陷0（无缺陷）1（<51mm 宽）2（51mm-102mm宽）3（>100mm 宽）Flt1横断面缺陷（<1每处）0（无断层）1

11、（<6mm 宽）2（6-13mm宽）3（>13mm宽）Flt12横断面缺陷（1-2每处）Flt3横断面缺陷（1每处）Rut车辙凹槽0 (< 6 mm)1 (6 mm-13 mm)2 (13 mm-25 mm)地点=30.48米（100ft）表2受损点的严重程度和范围范围严重度变量描述等级描述-无损0无缺陷点Djt121-2个单位计数每处1轻度受损(51102 mm 宽)Djt43-4个单位计数每处2中度受损(152254mm宽)Djt55个单位计数每处3严重受损(> 254mm宽)4、决策树算法决策树算法是一种统计学方法基于条件概率来找到变量之间的关系。两种类型的决策树

12、算法应用到本研究:无偏选择的逻辑回归的决策树算法(LOTUS)和无偏交互作用分类规则的选择和评价(CRUISE)。由Chan和Loh开发(2004),LOTUS是一个逻辑回归树算法,通过最小化而形成的预测误差。结果所表达的分析提出了一个结合的分类和逻辑回归模型。CRUISE，由Kim和Loh开发(2001), CRUISE是一种分类树算法,该算法通过最小化的次决策树构建了分类树。这两种方法都是处理顺序和属性变量以及缺失变量在分析过程中的值。详细特征和这两种算法的规则中都可以在LOTUS用户手册(Chan,2005)和CRUISE用户手册(Kim和Loh,2008)。决策树节点组成的层次式一般由

13、三个一般的步骤证明。首先,一组原始数据进行建模和适合每一个节点。决策树算法本身的原始数据和定义的规则来建造那棵树。其次,按照预先设定的规则集第一名一步,每个变量的模型分析了在分裂的树。在这项研究中,运用单变量分裂两算法的方法在一个双向分裂的结果修剪树。第三,运用交叉验证的方法可完成树,运用收益率统计学意义的变量。在这项研究中,这些因素应该被认为最关键的缺陷类型来影响路面养护决策。4.1 LOTUS算法分析图2显示结果的分析使用的LOTUS。方形和圆形分别表示那棵树终端节点和分叉点。给出了分割规则在每个中间节点的规则。如果满足了这条规则,这棵树分给了左端节点;否则是正确的子节点。下面的数字每个终

14、端节点代表在有多少路面维护或者不是。如图1.2、节点树节点分裂成2和3,Djt12=0.00。如果Djt12在这个部分不存在,树就到树节点2;否则节点3。在112部分评价, 83部分没有Djt12。这节点编号低于2告诉多少路面部分在维护，当Djt12保持不存在;也就是说,20部分在维护儿其他63部分没有。同样的规则在那棵树节点分裂成3 ，次节点6、7有相同的逻辑规律。Djt12存在29部分中存在,11节没有Ljt而其他18个部分都Djt12和Ljt。应用同样的逻辑到其余的树,LOTUS三个主要缺陷类型、产量、Djt12,Ljt IRI,影响路面养护决策。在分析过程中,LOTUS开发一个简单的逻

15、辑回归模型,确定了每个终端节点的预测因子，当P-value小于0.05。 这意味着这些预测因子与因变量,维护、免维护,以95%可信限制。表3显示在逻辑回归的输出。第一个两列显示在每一个预测终端节点。输出公式和概率的维修(P)在下列栏目,然后计算LOTUS将数据模型在图1。值得注意的是,节点2是唯一维护所代表的功能概率节点的地方;那些在其他国际平整度指数的节点是恒定的百分比。图3在一个图形显示这个函数。维护节点的概率2指数随著国际平整度指数的增加而增加。图3中,人们注意到的概率低于50%的维护,直到IRI而成近百分之二点六或更高,在大多数州际公路是一种罕见的缺陷。表4显示数据的比较的基础上维护用

16、历史数据预测的要做的决定未来。第6列显示组合的决定变量和维护的数据在每个终端节点。决定在最后一栏是基于假设路面养护最有可能的情况下进行的维护(P)的概率大于50%。分析结果发现,在每个终端节点有一些错误分类错误。括号内的数字显示的数量错误分类的路面产生。总之,LOTUS返回全部31节段112路面的整体,它的结果的预测误差为27.7%。4.2 CRUISE分析图4显示了LOTUS所产生的决策树输出。和LOTUS一样，被用来圆形和方形代表终点和节点。给出了分裂的统治下对每一个中间节点。下面的数字每个终端部分节点代表多少路面维护摘要根据历史数据。然而,不像LOTUS,返回一个预测模型类CRUISE在

17、每个终端节点。预测的课程都是带括号,座落在每一终端节点。4.3两类决策树对比两个决策树方法用来分析的重要的缺陷能够影响决定在州际高速公路I-90维护的。表6的分析结果进行了比较对两种设计方法进行对比。LOTUS挑选了三个缺陷，最小缺陷点(1-2个每处),纵向缺陷和IRI。CRUISE也选择了三个缺陷,最小节点缺陷(1-2每处)、表面缺陷(超过10%部分),和最小表面缺陷(1-9%缺陷每处)。这不同的输出的原因是由这两种算法修剪树模型的差异来选择，具有很重要的意义。表5使用CRUISE算法基于I-90模型分析的决策矩阵终端节点决定变量维护决策Djt12Sur10Sur19不维护2不存在-63【2

18、0】*不维护7存在存在-【0】7维护12存在不存在不存在4【0】不维护13存在不存在存在【7】11维护4.4案例研究为了进一步证明适用性,在威斯康辛州州际高速公路I-43进行另一个案例的研究。威斯康辛州东部总107部分进行数学建模结果进行分析。图5显示数据中的每个变量的分布这I-43模型。LOTUS返回一个简单的树在图6,那里是唯一三大缺陷选为节点和分开因数Djt12和Ljt。 表7显示逻辑回归模型的输出。像输出从I-90切片分析,第一个两列显示一个预测在每个终端节点。输出公式和概率维修(P)在下列栏目,然后计算了结合数据模型由LOTUS算法在图6。 表8的决策变量和维护数据显示在每个终端节点

19、。总之,错误分类LOTUS返回总38错误分类区域107路面段部分,它的结果整体35.5%的预测误差。表6 I-90模型结果分析对比方法终端节点数决策变量预测错误率LOTUS4Djt12, Ljt, IRI27.7%CRUISE4Djt12, Sur10, Sur1924.1%5、结论决策树算法已被广泛地用作在许多学科统计基础数据分类方法。在这篇文章中,我们使用了LOTUS和CRUISE两种决策树算法，并进行了比较以确定缺陷类型是影响路面养护决策来提供理论依据的。在分析模型,结果被提供在州际高速公路上公路机构和实践者的一个手段，用于在特地地点识别缺陷类型,并便于决策未来维修实践。 本文首先解决及时维修实践的重要性,通过引入关键方面的决策维修的影响因素。而且,使用了在威斯康星州一典型的路面评价过程以及如何档案历史数据得到路面在主要的讨论包括,I-90模型算法开发出的“至关重要的”缺陷类型的保养决定和他们的依赖性通过比较这两种不同的方法。深入回顾了数据采集过程中建模进行描述,以帮助用户理解的详细的程序。在分