Resumen

La predicción del rendimiento de los pavimentos es una cuestión crucial en el mantenimiento de grandes volúmenes de datos. Este artículo desarrolla una técnica híbrida de análisis de relación gris (GRA) y regresión de máquina de vectores de soporte (SVR) para predecir el rendimiento del pavimento. El modelo de predicción puede resolver las deficiencias del modelo tradicional, incluyendo un único factor de consideración, un corto período de predicción y un fácil sobreajuste. Se emplea GAR para seleccionar los principales factores que afectan al rendimiento del pavimento asfáltico. El SVR se utiliza para predecir el rendimiento. Por último, se adoptaron los datos recogidos de la estación meteorológica instalada en la autopista de Guangyun para verificar la validez del modelo GRA-SVR. Mientras tanto, el contraste con el modelo gris (GM (1, 1)), la optimización del algoritmo genético BP[[parms resize(1),pos(50,50),size(200,200),bgcol(156)]]081%, -0,823%, 1,270%, y -4,569%, respectivamente. El estudio concluye que el modelo de predicción no lineal y multivariante establecido por GRA-SVR tiene mayor precisión y operatividad, por lo que puede utilizarse en la predicción del comportamiento de los firmes a largo plazo.

• Materias:Motores (Mecánica) Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Engines Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:gra, svr, algoritmo genético de optimización bp[[parms, análisis híbrido de relación gris, periodo de predicción del rendimiento del pavimento, regresión de máquina de vectores soporte, predicción del rendimiento del pavimento, mantenimiento de big data, modelo de predicción multivariante, periodo de predicción corto
• Keywords:gra, svr, genetic algorithm optimization bp[[parms, hybrid grey relation analysis, period pavement performance prediction, support vector machine regression, pavement performance prediction, big data maintenance, multivariate prediction model, short prediction period