Detailergebnis zu DOK-Nr. 81768
Ensemble-Klassifizierungsmodelle des maschinellen Lernens zur Vorhersage des Fahrbahnzustands (Orig. engl.: Ensemble machine learning classification models for predicting pavement condition)
| Autoren |
F. Chung A. Doyle E. Robinson M. Li Y. Paik M. Baek B. Moore B. Ashuri |
|---|---|
| Sachgebiete |
11.1 Berechnung, Dimensionierung, Lebensdauer 12.0 Allgemeines, Management |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2678, H. 11, 2024, S. 216-224, 2 B, 3 T, 28 Q. - Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr
Die Vorhersage des Fahrbahnzustands ist im Rahmen des Pavement Management Systems (PMS) unerlässlich, um die Planung von Sanierungsprojekten zu optimieren. Datengesteuerte maschinelle Lernmodelle, die historische Daten nutzen, haben im Bereich des Asset Managements an Aufmerksamkeit gewonnen. Klassifizierungsmodelle eignen sich für die Vorhersage des Fahrbahnzustands und die Bestimmung der geeigneten Sanierungsmaßnahme. Die Forschungsarbeit betrachtet und erläutert fünf Klassifizierungsmodelle des maschinellen Lernens zur Vorhersage des Fahrbahnzustands. Diese fünf Einzel-Modelle sind: Random Forest (RF), Gradient Boost, Support Vector Machine (SVM), Nächste-Nachbarn-Klassifikation (K-Nearest Neighbors – KNN) und künstliches neuronales Netz (Artificial Neural Network – ANN). Um die Vorhersageleistung zu verbessern, werden diese Modelle mithilfe zweier Ensemble-Methoden, Voting und Stacking, verknüpft, die ebenso erläutert werden. Es werden die leistungsstärksten zwei, drei, vier und fünf Einzel-Modelle durch Voting oder Stacking verknüpft. Die Klassifizierungsmodelle werden anhand von Daten des Verkehrsministeriums von Georgia entwickelt. Dort ist der Zustand von Asphaltbelägen für vordefinierte Sanierungsabschnitte zwischen 2017 und 2021 über den Overall Condition Index (OCI) dokumentiert. Für die Einzel-Modelle werden Genauigkeiten zwischen 72 und 78 % erreicht. Ein aus den beiden leistungsstärksten Einzel-Modellen zusammengesetztes abgestimmtes Ensemblemodell erreicht mit 83 % die höchste Genauigkeitsrate. Daher werden für die Entwicklung von Modellen zur Vorhersage des Fahrbahnzustands Ensemble-Methoden empfohlen, um eine hohe Qualität der Vorhersagen zu erreichen.