Detailergebnis zu DOK-Nr. 77365
Fähigkeiten von Algorithmen des Maschinellen Lernens bei der Prognose des Pavement International Roughness Index (Orig. engl.: Performance of machine learning algorithms in predicting the pavement international roughness index)
| Autoren |
M.Z. Bashar C. Torres-Machí |
|---|---|
| Sachgebiete |
11.1 Berechnung, Bemessung, Lebensdauer 14.2 Ebenheit, Befahrbarkeit |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2675, H. 5, 2021, S. 226-237, 7 B, 2 T, 62 Q. - Online-Ressource: verfügbar unter: http://journals.sagepub.com/home/trr
Die Prognose der Schädigungen von Straßenbefestigungen ist ein wesentlicher Bestandteil eines Pavement Management Systems. Sie zeigt den zukünftigen Zustand der Straßenbefestigung und die Notwendigkeit von entsprechenden Erhaltungsmaßnahmen an. Herkömmlich werden die Straßenschäden gemessen und durch verschiedene Indizes gekennzeichnet. In vielen vorangehenden Forschungsarbeiten sind die Fähigkeiten verschiedener Varianten des Maschinellen Lernens (ML) bewiesen, aber von der Industrie und der Verwaltung noch nicht implementiert worden. In der im Bericht dargestellten theoretischen Untersuchung wurden drei ML-Algorithmen analysiert, die häufig zur Prognose des International Roughness Index (IRI) verwendet werden: Künstliches Neuronales Netzwerk (ANN), Random Forest (RF) und Support Vector Machine (SVM). Anhand von 20 vorangehenden Untersuchungen, in denen überwiegend Daten aus dem LTPP-Programm genutzt wurden, erfolgte eine Ermittlung aller statistischen Parameter. Aus den vielfältigen Ergebnissen wird hervorgehoben, dass bei der Anwendung von ML-Algorithmen der Stichprobenumfang mindestens das 50-fache der Eingabevariablen betragen soll.