Detailergebnis zu DOK-Nr. 79377
Imputation fehlender Straßenverhaltensdaten durch Graph Neural Networks (Orig. engl.: Missing pavement performance data imputation using graph neural network)
| Autoren |
L. Gao K. Yu P. Lu |
|---|---|
| Sachgebiete |
12.0 Allgemeines, Management |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2676, H. 12, 2022, S. 409-419, 5 B, 4 T, 30 Q. - Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr
Ein präzises und vollständiges Verständnis des Verhaltens von Straßenbefestigungen und deren Schädigung ist wichtig für Zustandsprognosen und zur Optimierung von Erhaltungs- und Unterhaltungsprogrammen. Obwohl Zustandserfassungen regelmäßig durchgeführt werden, sind die zurückliegenden Datensätze oft aus verschiedenen Gründen wie Messfehlern unvollständig. Dadurch entsteht ein Qualitätsverlust bei den Anwendungen. Mit den im Bericht dargestellten Untersuchungen wird ein Modell zur Imputation fehlender Daten unter Verwendung Neuronaler Netze (NN) entwickelt. Dabei wurde das Graph Neural Network (GNN) angewendet, das einen Zweig des Maschinellen Lernens darstellt. Das graphbasierte GNN ist im Gegensatz zu anderen Varianten des NN in der Lage, die räumlich-zeitliche Beziehung in Daten zu erfassen und die fehlenden Daten zu erlernen. In einer Fallstudie wurden die Daten von 4500 Straßenabschnitten im Bereich des TxDOT verwendet. Es wurde resümiert, dass das vorgeschlagene Modell in der Lage ist, bei der Imputation fehlender Daten Standardmodelle des NN zu übertreffen.