Detailergebnis zu DOK-Nr. 58959
Prognose des Fahrbahnzustands durch clusterweise Regression (Orig. engl.: Pavement condition prediction using clusterwise regression)
| Autoren |
Z. Luo E.Y. Chou |
|---|---|
| Sachgebiete |
12.0 Allgemeines, Management 14.0 Allgemeines (u.a. Energieverbrauch) |
Washington, D.C.: Transportation Research Board (TRB), 2006 (Transportation Research Record (TRB) H. 1974) S. 70-77, 9 B, 3 T, 14 Q
Zustandsprognosemodelle sind für den Einsatz eines Straßenerhaltungsmanagementsystems für Aufgaben der Erhaltungsplanung von maßgebender Bedeutung. Als Zustandsprognosemodelle werden sowohl empirische, mechanistische als auch mechanistisch-empirische Modellansätze verwendet. Das am häufigsten verwendete Modell ist der Regressionsansatz der kleinsten Summe der Fehlerquadrate unter Verwendung einer linearen Verhaltensfunktion. Oftmals wird zunächst eine Clusteranalyse durchgeführt, um verhaltenshomogene Gruppen abzugrenzen, um dann mit der Regressionsmethode die Prognosefunktionen abzuleiten. Die hier beschriebene clusterweise Regression integriert die Clusteranalyse in die Regressionsanalyse und bildet damit die gegenseitigen Abhängigkeiten besser ab. Als Nachteil der clusterweisen Regression wird die hohe Anzahl unabhängiger Variablen genannt, die die Problemlösung erschwert. Die vorgeschlagene modifizierte clusterweise Regression beinhaltet eine Funktion, mit der die Zugehörigkeit eines Datenpunkts zu einem Cluster in Abhängigkeit vom Abstand zum jeweiligen Cluster bestimmt wird (Gravity-Funktion). Im Rahmen der Anwendung des Ansatzes muss die Gravity-Funktion und die Form der Verhaltensfunktion zunächst gewählt werden. Die notwendige Mindestanzahl der Cluster kann ermittelt werden, indem in Abhängigkeit von der Anzahl der Cluster das Bestimmtheitsmaß aufgetragen wird. Die günstigste Clusterzahl ergibt sich, sobald keine signifikante Verbesserung des Bestimmtheitsmaßes mehr eintritt. Anhand der im US-Bundesstaat Ohio vorliegenden Zustandserfassungsergebnisse für den Zustandswert "Pavement Condition Rating (PCR)" wurde die Anwendung des Prognoseansatzes für ein- bis neunjährige Prognosezeiträume, jeweils ausgehend vom Zustandswert am Beginn des Zeitraums, untersucht. Dabei konnte nachgewiesen werden, dass die clusterweise Regression im Vergleich zur Regression mithilfe der kleinsten Summe der Fehlerquadrate die zuverlässigere Zustandsprognose ermöglicht.