兰州大学学报·自然科学版杂志投稿格式参考范文：基于变权组合的沥青混凝土路面损坏状况指数预测

　　1、研究背景

　　高速公路沥青混凝土路面因外部环境综合作用常出现破坏，影响交通运输效益。预测路面使用性能衰变规律对道路建设、维护和管理意义重大，但路面损坏状况指数(PCI)受多种因素影响且现场检测变异性大，难以准确掌握。已有研究方法各有优劣，如挖掘道路路面大数据预测未考虑路面结构等因素;广义回归神经网络对数据质量要求高;基于灰色关联度分析支持向量机回归模型参数设置复杂、对噪声敏感;分数阶灰色模型结果不够直观。本研究运用灰色关联度分析法筛选影响因素，采用组合预测模型预测各指标并与传统模型对比。

　　2、原理与方法

　　原理：灰色关联度分析(GRA)是多因素分析方法，将因素与目标变量关联程度转化为灰色数值比较排序，关联度高则影响大。需确定因素数据序列并归一化处理，计算关联系数和灰色关联度，以此确定因素重要性，提高PCI预测精确度。GM(1,N)用于预测灰色特性序列数据，N表示序列长度，考虑多因素影响，通过建立累加数据序列与紧邻均值序列，运用最小二乘法计算参数，代入微分方程求解并累减还原得到预测值。BP 神经网络通过调整神经元连接权重和偏置值，利用梯度下降算法最小化预测误差，经初始化网络、信号前向传播、误差反向传播和训练预测等步骤进行预测。

　　组合预测模型：组合预测模型将多个预测模型结果组合，弥补单一模型不足，提高预测准确性和鲁棒性，分为定权组合和变权组合。本研究提出 3 种变权组合预测模型，以误差平方和最小为目标函数，根据不同逼近指标构建模型。

　　3 种变权组合预测模型：分别为加权算术比例平均组合、加权平方和平均组合、加权算术平均组合。通过实际值与预测值越逼近越好的原则，运用 Lingo 18.0 软件建立二次规划模型求解变权系数。以甘肃某高速公路路段为例，用均方根误差(RMSE)衡量模型性能。

　　3、结果与分析

　　数据处理和筛选：根据甘肃某高速公路 2014 - 2021 年若干路段沥青混凝土路面检测数据，归纳出 10 个常见影响因素并分为 4 类。运用 GRA 计算各因素与PCI的关联程度，不同路段影响因素作用效果有差异，选取关联度大于 0.5 的 9 个评价指标作为主要影响因素。

　　GM (1, N) 预测模型：以路段 1 为例构建 GM (1, 6) 预测模型，其他路段计算过程相同。该模型从第 2 个样本点开始模拟，预测效果较满意，预测下一样本点时可更新特征序列。BP 神经网络预测模型：将主要影响因素作为输入变量，PCI作为输出，确定网络结构，设置训练目标、最大训练次数和学习速率，以 RMSE 最小为训练目标，预测效果理想。为提高泛化性能，划分训练集和验证集，预测结果与实际值拟合程度较高。

　　组合预测模型：运用 Lingo 18.0 软件求解各组合模型变权系数，建立 3 种变权组合预测模型进行预测。结果表明组合预测模型能更好拟合预测PCI，不同路段适用的变权组合预测模型不同。通过 RMSE 综合评价，5 种预测模型均能较好预测原始数据，组合预测模型可大幅提高预测精确度。

　　4、结论

　　GM(1,N)模型和 BP 神经网络模型对原始PCI拟合预测效果较好。3 种变权组合预测模型能结合单一模型优点，大幅提高预测精度。不同路段 3 种变权组合模型预测能力不同，可根据误差分析选择最适合的模型，削弱定权方法的不利影响。

李海莲;周思汝;李清华;刘忠磊;贾卫东,兰州交通大学土木工程学院;中交一公局集团有限公司;中铁十四局集团有限公司,202501