极端气象下基于AI的道路损毁风险评估与应急养护决策研究

　　摘要

　　在过去几年极端性天气事件频发的时候，在我们的实际道路养护工作中，越发感受到传统的养护工作模式，很难应对这种复杂且可动态变化的多因素风险，对于道路基础设施的安全稳定运行非常严峻，有鉴于此，我们提出一个考虑多源的遥感信息、深度学习方法的智能评估系统模型，建立一个卷积神经网络(CNN)和长短期记忆网络(LSTM)相结合的模型(简称 CNN-LSTM)，利用 CNN 优势来处理空间信息，也能够使用 LSTM 来预测时间信息的变化，二者相结合来预测极端性天气出现时道路结构可能发生破坏并逐渐恶化的概率，在此模型中我们还结合提高了一种基于决策树的改进随机森林算法——随机森林是一种集成算法，基于若干个决策树分别给出建议，再根据一定策略综合判断,对待降雨、冻融、高温等等关键气象因子与路面响应参数进行非线性关系拟合，建立多因素联合的风险评估指标，然后我们设计一个深度强化学习的应急养护动态决策模型，实现在时间和空间上养护决策的优化，我们的工作对极端气象下的道路韧性提升提供了一种直接可行的技术思路，在实际推广应用上具有价值。

　　关键词：极端气象;道路损毁评估;深度学习;风险评估;应急养护决策;CNN-LSTM

　　引言

　　全球气候变化导致极端气象事件的频次与强度显著提升。根据中国气象局发布的《中国气候公报(2025年)》，2025年，我国暖湿气候特征明显。全国平均气温与2024年并列为历史最高;全国平均降水量较常年偏多，夏季暴雨过程多;华北雨季雨量和持续时间均列历史第一、华西秋雨雨量为历史最多;台风生成和登陆个数均偏多;气象干旱总体偏轻，但区域性和阶段性特征明显;冷空气过程次数接近常年、但寒潮过程偏多;大风日数为1991年以来最多;强对流天气过程次数偏少但局地致灾重;春季沙尘过程次数偏多[1]。全球气候变暖的大背景导致各类极端天气气候事件频发。极端气候事件直接导致路面结构的损坏和病害的大幅增加，降低路面的使用性能和服务寿命，经济效益和社会效益损失严重[2]。

　　1 极端气象下的情况研究

　　1.1 极端气象对道路结构的影响机理

　　路面在荷载作用以及雨雪侵蚀等外部环境的影响下，持续受到破坏，从而表现出不同程度的裂缝、龟裂和坑洼等常见的路面病害，导致路面使用寿命缩短以及对驾驶安全构成潜在的威胁。传统的路面病害检测依赖于人工现场调查，存在重复性和再现性低、检测效率不高以及主观性强的局限。随着路面建设的快速发展，现有检测方法难以满足城市路面的检测需求。因此，及时的路面病害检测被认为是限制路面进一步退化和保持高质量路面的关键步骤之一[4]。冻融循环对水泥混凝土路面和半刚性基层的影响更为突出，水分在孔隙内反复冻结膨胀，造成微观裂纹扩展，宏观表现为板块断裂与错台。然而，研究多停留在室内试验或有限元模拟水平，未能对不同的气象因素同时作用时道路响应进行定量描述，尤其是“暴雨+高温+冻融”型极端组合天气下道路响应机制研究少。

　　1.2 基于AI的道路损毁评估方法

　　基于探究LSTM神经网络与强化学习在路面性能预测与养护决策中的实际应用。首先，对我国农村公路发展状况展开分析，探讨农村公路的技术等级分类以及典型的路面结构，分析农村公路路面常见病害及其成因。参考规范中路面性能评价方法，在路面损坏状况指数PCI、路面行驶质量指数RQI指标基础上，引入裂缝率指数CRI指标建立适合于农村公路路面使用性能评价指标体系。选取广州市花都区农村公路作为实例，综合考虑交通量、路面结构等多种因素对使用性能的影响，对花都区农村公路的路面性能进行评价。其次，基于广东省公路养护大道班生产管理系统收集的路况检测数据建立时间序列，采用LSTM神经网络方法分别构建PCI、RQI、CRI三个指标的路面性能预测模型，使用GridSearchCV模块选取最优参数组合，与XGboost模型、BP神经网络模型、随机森林模型预测结果进行对比分析，通过实例验证PCI、RQI、CRI模型预测效果，并采用SHAP进行影响因素敏感性分析。研究表明，LSTM神经网络预测效果最优，对路面性能影响最大的因素为路龄，其次为交通量。最后，使用LSTM预测模型的预测结果[5]。

　　1.3 养护决策优化的研究现状

　　应急养护决策问题本质上是多约束条件下的资源调度优化问题。传统方法以线性规划、整数规划为主，但极端气象事件的突发性导致约束条件动态变化，静态优化模型易失效。半刚性基层作为道路结构的主要承重层，其良好的力学性能是实现“强基薄面”路面结构形式的基础。半刚性基层的使用寿命与工作状况决定了道路结构的使用年限与整体性能[6]。为提高路面养护决策的科学性，将道路节点重要度纳入路段重要性体系中，综合考虑道路等级、路面性能、道路连接节点重要度、交通量、路网通达性的影响，构建综合路段重要性评价指标体系[7]。然而，应用于道路养护领域的研究尚处于起步阶段，缺乏与实际业务系统的集成实证。

　　2 研究方法

　　2.1 数据采集与预处理

　　随着极端天气频发、重载运输日益增加，我们发现已有的维护决策的优劣大多是单一因素决定而忽略多种因素耦合造成损坏的风险，所以重点研究如何利用气象、道路结构、交通荷载数据进行多因素融合预测;具体来说，气象数据来自中国气象数据网，每日逐小时降水量、气温、风速、湿度、冻融指数(即气温穿过0℃的次数)，道路结构状态数据来自车载探地雷达和落锤弯沉仪，其数据包括路基水饱度、沥青层厚度、弯沉值和裂缝率，交通荷载数据来自收费站传感器系统，统计每个断面的日平均标准轴载作用次数，数据采集的一段路的长度是50 km;面对原始数据的空缺和异常值，我们对空缺的气象数据进行多重插补方法的处理数据，采用3σ准则去除弯沉值异常点，对于各数据集内的所有连续变量都进行Z-score方法标准化处理，将时序数据按天作为窗口取滑动窗口的输入序列，窗口长度取7天，用于预测未来24 h的损毁程度等级，最后将整个数据集按天的时间序列顺序划分为训练集、验证集、测试集，比例占数据集70%、15%、15%，保持时间序列性。

　　2.2 基于CNN-LSTM的损毁概率预测模型

　　极端的天气对于路的损伤，在时间和空间上是捆绑在一起的。时空两个维度上分别表现为，相邻路段相互牵连;连续时间和气象因子的影响相互累加，也往往会相互滞后。因此，我们设计了一个混合卷积神经网络和长短期记忆网络的网络架构(CNN-LSTM)。做法是：把每段路多维的时间序列——天气、荷载、路的结构参数等——重新排成二维张量。其中，空间维度取当前路段左边右边每一段路，各5段(共11段)，时间维度取当前时间段前7段，维度数是18个特征变量。首先用3×3的二维卷积提取局部的时空信息，步长也是3，输出32个通道，接一个ReLU层以后接一个2×2的池化层，池化也是最大池化。然后把池化出来的特征维压成一条多维向量，送入双层的LSTM。LSTM 的隐藏神经元个数为 64、32，dropout 系数设为 0.2，避免过拟合。LSTM 输出的时序神经元映射为损毁概率的全连接层。LSTM 的输出层使用 Sigmoid 激活函数。损失函数选用交叉熵损失函数(binary cross-entropy)，优化器用 Adam，初始学习率为 0.001，批处理大小为 32，迭代最大轮数 100，再实行早停法：10 轮若尚未降低验证损失就终止迭代。模型用 PyTorch 框架开发，训练时还加入了 L2 正则化(取正则系数 1e−4)，以压降泛化误差。

　　2.3 多因素耦合风险评估模型

　　单纯预测损毁概率无法给出养护排序的优先级别，需要引入风险的概念，即损毁概率与后果的乘积，后果程度由路的结构功能损失、交通中断损失、修养成本三方面量化。本文建立考虑路的多种情形的综合风险评价指标，多因素风险评价指标可以分为四类的主要指标：气象触发因素(降雨强度、冻融次数、高温之积)、结构脆弱性因素(面层厚度、基层类型、路龄)、交通荷载因素(轴载作用次数、超载率)、环境损伤因素(排水条件、边坡状况)，各个指标的权重用改进的随机森林确定，袋子以外的误差最小选择指标，采用排列重要性方法求各个指标对预测的影响程度。改进的随机森林同一般随机森林的不同之处在于，本文加入气象因子与结构因子之间的交互。模型7天更新1次风险等级，与未来天气预报一起进行灵活动态预报。

　　2.4 基于深度强化学习的应急养护决策优化

　　应急养护决策的核心是在有限资源(养护队伍、机械、材料)约束下，选择最优路段组合与养护时机，使得总体风险降低最大化。将该问题建模为马尔可夫决策过程(MDP)：状态空间s_t包括当前各路段风险等级、已养护路段剩余寿命、资源剩余量(以工时计量);动作空间a_t为选择一组路段进行应急养护(每个路段对应是否执行养护)，动作数量与路段数相同，但受制于资源约束;状态转移函数由养护措施效果决定，假设养护后该路段风险等级降为零，且未来风险以指数衰减恢复;奖励函数r_t定义为所有路段风险降低量之和减去养护成本(单位风险降低成本)。深度强化学习采用深度Q网络(DQN)进行求解，经验回放池容量10000，目标网络更新频率为200步，探索策略采用ε-贪婪(初始ε=0.9，以0.99衰减至0.01)。为适应大规模路网，设计双网络架构：主网络用于动作选择，目标网络用于Q值计算，降低过估计偏差。训练使用GPU加速，每轮迭代从经验池中随机采样64个转移样本。经过5000轮训练后，模型收敛。实际应用中，将气象预报数据输入CNN-LSTM模型得到预测风险，再传递给DQN决策器，输出最优养护方案。

　　3 实验与分析

　　3.1 数据集与实验设置

　　为了验证提出的处理方法的有效性，以一段公路为对象得到每小时的天气数据、每月路面观测数据、每况下的交通荷载数据，所取公路位于温暖半湿润区大陆性季风气候中，夏季高温高雨，冬季干燥寒冷，灾性天气频繁发生。数据处理之后共计有2190条数据(11段路，每月7天，每个样本18特征)。损毁真实标签：每月人工观测+探地雷达观测，采用路面出现裂缝率大于5%或路面弯沉值大于40(0.01mm)来判定路段有无损毁。对分类模型的BP神经网络(3层，隐藏节点为128，Sigmoid激活)、支持向量机(RBF核，C=10)、随机森林(500棵)、标准LSTM(单层64个神经元)、标准CNN(3层卷积+全连接)等进行了对比。评价指标为准确率、精确率、召回率、F1值、ROC-AUC。

　　3.2 模型性能评估与结果分析

　　表1为各模型测试集上的结果对比。本文提出的CNN-LSTM混合模型在准确率上的结果为92.6%，F1值0.914，AUC结果为0.963，均远优于其他模型。BP神经网络的准确率只有78.3%，表明简单的全连接的网络模型难以处理时序与空间上的依赖性。支持向量机在特征较多的情况时不够理想，其准确率为81.5%。而标准LSTM考虑了时序上的特征，忽略了空间依赖关系，准确率只有86.2%;而标准的CNN考虑了空间特征，而忽略了长时间上的依赖性，其准确率为87.9%。改进的随机森林进行了特征重要性排序分析，影响损毁风险程度的前5个是：前7d内的降雨量和累积降雨量(重要性0.21)、冻融次数(0.18)、路龄(0.15)、日均轴载作用次数(0.12)、高温累积度(0.10)，前7d内的降雨强度×路龄的特征重要性为0.06，得到了耦合效应的存在性。

模型	准确率（%）	精确率（%）	召回率（%）	F1分数	AUC
BP神经网络	78.3	76.1	74.9	0.755	0.812
支持向量机	81.5	79.8	78.2	0.790	0.846
随机森林	83.6	82.0	81.3	0.816	0.887
标准LSTM	86.2	85.4	83.7	0.845	0.912
标准CNN	87.9	86.3	85.8	0.860	0.924
本文CNN-LSTM	92.6	91.7	91.2	0.914	0.963

　表1 不同模型损毁预测性能对比

　　4 结论与展望

　　本文解决路地损毁在极端事件气象影响下灾害滞后、路地设施养护被动的问题，给出了AID (Advanced Information Decisions) 路地损毁动态评估和智能养护决策的思路，创新之处主要体现在三个方面：基于CNN-LSTM混合模型既能反映空间相关性又能够表征时间关联性，分析得到的路地损毁预测效果为90.6%，比相关方法性能明显改善;(2) 提出改进的随机森林为多影响因素耦合的路地损毁风险“量值化”建模，引入的降雨与路龄耦合因子最为重要;(3) 基于深度强化学习的最优养护决策优化模型进行有限条件下动态养护决策优化调度，统筹的累计风险比贪婪策略都要好。测试和案例表明此方法对极端气象事件预警、抢救快速有效，成本低、精度高和可操作性强。

　　研究的局限也很明显。数据目前只来自一条公路，模型在复杂山区、高寒地区等场景下的泛化能力还缺少验证。深度强化学习的奖励函数设定偏简单，没能纳入养护作业对交通运行的影响、养护材料差异等现实因素。后续工作有这几个方向：引入迁移学习，用少量目标路段数据对预训练模型做微调;耦合交通流仿真，细粒度刻画养护作业对通行效率的影响;开发边缘端轻量化部署方案，把AI模型嵌入巡检车辆或移动终端，实现近实时风险预警。多路段数据协同训练那边，也在考虑用联邦学习，在保护数据隐私的同时拉升模型精度。

　　参考文献

　　[1] 中国气象局. 中国气候公报(2025)[R]. 北京: 气象出版社, 2025.

　　[2] 刘克非. 极端气候下沥青路面破坏机理与修复技术研究[D]. 湖南:中南大学,2012. DOI:10.7666/d.y2196955.

　　[3] 林钦城,李锐凯. 道路现场检测技术在路面病害诊断中的实践探索[J]. 工程管理,2025,6(10):114-116. DOI:10.12238/jpm.v6i10.8483.

　　[4] 向婉妮. 基于深度学习的沥青路面病害检测方法研究[D]. 陕西:长安大学,2024.

　　[5] 关宏磊. 基于LSTM与强化学习的农村公路路面性能预测与养护决策研究[D]. 广东:华南理工大学,2023.

　　[6] 金飞龙. 半刚性基层损伤特性及服役状态评价[D]. 黑龙江:哈尔滨工业大学,2019.

　　[7] 陈宝林, 刘飞. 基于遗传算法的道路养护排序优化方法[J]. 公路, 2021, 66(9): 45-52.