Detailergebnis zu DOK-Nr. 77483
Landesweite fünfjährige Verhaltensprognose auf Projektebene unter Verwendung eines zweistufigen Ansatzes für Maschinelles Lernen auf der Basis von langem Kurzzeitgedächtnis (Orig. engl.: Five-year project-level statewide pavement performance forecasting using a two-stage machine learning approach based on ong short-term memory)
| Autoren |
A.W. Bukharin Z. Yang Y.(J.) Tsai |
|---|---|
| Sachgebiete |
12.0 Allgemeines, Management |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2675, H. 11, 2021, S. 280-290, 6 B, 3 T, 35 Q. - Online-Ressource: verfügbar unter: http://journals.sagepub.com/home/trr
Eine präzise Prognose des Verhaltens von Straßenbefestigungen ist von großer Bedeutung für die Straßenverwaltungen. Sie können damit im Rahmen des Pavement Management die Unterhaltung, die Erneuerung und die Wiederherstellung von Straßen auf prädiktiver und kosteneffizienter Basis durchführen. Die Präzision der Prognose und die jeweils resultierenden Vorteile stellen sich in vier Aspekten dar: Projektebene, Netzebene, Kurzzeitpräzision und Langzeitpräzision. Eingangs der im Bericht dargestellten theoretischen Untersuchungen wird darauf hingewiesen, dass brauchbare Kurzzeitprognosen (1-2 Jahre) auf Netz- und Projektebene existieren, Langzeitprognosen aber noch eine Herausforderung darstellen. Deshalb wird ein Ansatz mit einem zweistufigen Maschinellen Lernen modelliert, der auf dem Prinzip des langen Kurzzeitgedächtnisses (long short-term memory LSTM) basiert. LSTM ist eine Technik, die zur Verbesserung der Entwicklung von künstlicher Intelligenz wesentlich beiträgt. Es wurde mit diesem Modell eine landesweite Fallstudie mit einer fünfjährigen Verhaltensprognose durchgeführt. Resümierend wird ausgeführt, dass die entwickelte Methode der Langzeitprognose auf Projekt- und Netzebene robust ist.