曾靖翔 張金喜 曹丹丹 吳洋 陳廣華

(1.北京工業(yè)大學 交通工程北京市重點實驗室，北京 100124； 2.交通運輸部公路科學研究院 基礎(chǔ)研究創(chuàng)新中心，北京 100088)

路面性能中的IRI(國際平整度指數(shù))是評價道路路面技術(shù)性能的重要指標[1]。目前常用的IRI檢測方法是通過專用車輛搭載專業(yè)檢測設(shè)備的方式對路面IRI進行檢測[2]。這種檢測方法的檢測結(jié)果相對準確，但檢測成本昂貴、檢測頻率低，不能實現(xiàn)對道路路面的實時性檢測[3]。截至2020年底，中國公路總里程達到501.25萬公里、高速公路總里程達15.00萬公里[4]。隨著道路設(shè)施規(guī)模的不斷擴大和人們生活水平的提高，道路養(yǎng)護任務(wù)不斷增加[5]。如何利用新興技術(shù)及時發(fā)現(xiàn)道路路面平整度存在的問題，實現(xiàn)低成本的路面IRI實時性檢測并逐步實現(xiàn)實時監(jiān)測，從而提高道路的行駛質(zhì)量而且能夠減小養(yǎng)護成本，對于我國道路基礎(chǔ)設(shè)施建設(shè)和發(fā)展具有重要意義[6]。我國現(xiàn)行的《公路技術(shù)狀況評定標準》(JTG 5210—2018)[7]中對IRI的評價規(guī)定了詳細的分級標準，如表1所示。IRI指標是重要的路面性能指標，是道路養(yǎng)護管理單位進行路面養(yǎng)護決策的重要依據(jù)，對IRI的快速檢測具有重要的實際應(yīng)用價值。

表1 IRI分級標準

路面平整度受多種因素的影響，瀝青路面的常見病害有裂縫、車轍、松散、沉降等都對IRI產(chǎn)生影響[8]。路面平整度不佳將會危及行車安全、降低交通效率、增大維護成本。當車輛在路面上行駛時，路面的平整度會通過車輛懸架系統(tǒng)以振動加速度的形式反映到車內(nèi)[9]，因此，車輛行駛過程中的振動加速度可以間接反映路面的平整度狀況。目前智能手機功能豐富，除內(nèi)置有精度較高的三軸向振動加速度傳感器外，還內(nèi)置有GPS模塊能夠采集位置數(shù)據(jù)，這些傳感器被廣泛應(yīng)用于計步、導(dǎo)航等不同領(lǐng)域。利用智能手機的內(nèi)置傳感器采集行車過程中的振動加速度等數(shù)據(jù)用來評價路面平整度，成為近年來路面性能智能化檢測和評價的一個研究熱點[10]。但由于手機類型、車輛類型、行車狀態(tài)等狀態(tài)的復(fù)雜性，利用該技術(shù)的路面平整度預(yù)測精度尚未達到令人滿意的程度。

臨近算法kNN(k-Nearest Neighbor)是數(shù)據(jù)挖掘分類算法中被廣泛應(yīng)用的一種，是利用k個最鄰近的數(shù)據(jù)反映本數(shù)據(jù)類別特性的方法[11]。kNN算法的核心思想是，如果一個樣本在特征空間中的k個最相鄰的樣本中的大多數(shù)屬于某一個類別，則該樣本也屬于這個類別，并具有這個類別上樣本的特性。該方法在確定分類決策上只依據(jù)最鄰近的一個或者幾個樣本的類別來決定待分樣本所屬的類別[12]。kNN算法在交通領(lǐng)域應(yīng)用廣泛，XIAO[13]利用kNN算法實現(xiàn)對交通事件的監(jiān)測?；艉赖萚14]利用kNN算法對公交到站時間進行預(yù)測。林培群等[15]利用kNN對地鐵短時客運量進行預(yù)測。同時針對kNN算法的改進也已有研究，SUN等[16]還提出了一種自適應(yīng)的k值選取方法，選用距離最近鄰居樣本點的k值作為自己的最優(yōu)鄰居數(shù)，用來提高kNN算法的準確率;為了減少kNN算法冗余的距離計算，降低時間復(fù)雜度，匡振曦等[17]提出了一種基于聚類的環(huán)形kNN算法，通過k-means聚類方法改進kNN算法，有效降低了算法的時間復(fù)雜度。kNN方法在類別決策時，只與極少量的相鄰樣本有關(guān)，由于kNN方法主要靠周圍有限的鄰近的樣本，而不是靠判別類域的方法來確定所屬類別，因此對于類域的交叉或重疊較多的待分樣本集來說，kNN方法較其他方法更為適合。kNN分類方法具有易于實現(xiàn)、無需訓(xùn)練、易于理解的優(yōu)點。

本文利用智能手機采集行車過程中的振動數(shù)據(jù)，提出有效振動加速度指標，利用kNN的數(shù)據(jù)挖掘方法，實現(xiàn)對瀝青路面IRI的智能檢測，并提高路面平整度IRI的檢測精度。

1 試驗方法

1.1 試驗設(shè)備

為了能夠利用智能手機采集用戶行車過程中的數(shù)據(jù)，ZENG等[18]開發(fā)完成了專用行車數(shù)據(jù)采集智能手機App軟件，App界面圖見圖2所示。

通過安裝App，操作人員能夠通過簡單的操作將行車過程中的數(shù)據(jù)進行采集，采集的數(shù)據(jù)主要包括三軸向振動加速度數(shù)據(jù)、GPS地理位置數(shù)據(jù)、時間數(shù)據(jù)。為了讓App操作人員清楚的看到采集的數(shù)據(jù)，App以地圖為背景，可以向用戶展示本次檢測的路線(圖1(a))，并可以看到實時的數(shù)據(jù)變化情況。軌跡圖的上方有實時的振動加速度數(shù)據(jù)、振動角速度數(shù)據(jù)、行車速度數(shù)據(jù)組成的數(shù)據(jù)實時圖(圖1(b))，點擊數(shù)據(jù)實時圖能夠?qū)崿F(xiàn)軌跡圖與數(shù)據(jù)實時圖的相互切換。采集頻率、采集數(shù)據(jù)的行車速度范圍、采集數(shù)據(jù)的時間長度范圍可以在App設(shè)定界面(圖1(c))進行設(shè)定，行車速度范圍和加減速范圍能夠?qū)Σ杉臄?shù)據(jù)進行初步篩選，將不屬于行車時的數(shù)據(jù)有效的篩除。歷史數(shù)據(jù)管理頁面(圖1(d))能夠清晰顯示當前用戶所有的試驗記錄。歷史數(shù)據(jù)管理頁面不僅能夠看到本用戶的試驗記錄，更能夠確保試驗數(shù)據(jù)在一段時間內(nèi)保存在手機內(nèi)，保證數(shù)據(jù)的安全性。作為試驗產(chǎn)品，目前用戶需要進行注冊才能使用App，數(shù)據(jù)的采集應(yīng)得到手機用戶的同意，并符合相關(guān)法律規(guī)定。

圖1 App的部分界面

前期研究發(fā)現(xiàn)，不同的手機感知的振動加速度有一定的差異，但總體趨勢具有高度一致性。考慮到不同手機的影響，本文選擇了市場上具有代表性的華為、小米和OPPO3款不同廠家智能手機開展行車試驗以便盡可能考慮不同手機的影響。3部手機均能夠采集三軸向振動加速度數(shù)據(jù)、GPS數(shù)據(jù)、時間數(shù)據(jù)。手機采集數(shù)據(jù)的頻率直接關(guān)系到手機電量的消耗，本研究采集三軸向振動加速度數(shù)據(jù)的頻率固定為10 Hz，GPS數(shù)據(jù)的采集頻率為1 Hz。

試驗車輛選用搭載專業(yè)路面檢測儀器的檢測車，該車輛養(yǎng)護良好，檢測設(shè)備工作正常。如圖2所示，專用檢測車輛的車型屬于MPV車型，車輛經(jīng)過改裝，車輛前排依舊保持駕駛功能，車輛的后排座椅被專用的路面檢測儀器代替。該檢測車具有較完善的功能，車輛后排的專用設(shè)備需要專用操作人員進行操作，能夠同時對路面的平整度、車轍指數(shù)、路面破損指數(shù)進行檢測，車輛的檢測精度高，道路檢測單元最小為20 m，即最小以20 m為單位對道路路面性能進行評價。

圖2 試驗設(shè)備

1.2 試驗路段

為研究不同路面IRI對行車振動數(shù)據(jù)的影響，行車試驗應(yīng)在路面性能IRI具有廣泛代表性的路面上開展。同時，所選擇的試驗路路線為直線、交通量小，保證行車試驗的行車安全，并盡量減小除路面性能和行車速度之外的其他因素的影響。選擇的試驗路段情況見表2和圖3所示。

表2 試驗路段情況說明

評價單元長度為20 m

飛躍大道為通車時間約1年的城市道路，雙向2車道，道路長度1 123 m，路面IRI最大值4.0 m/km、最小值0.9 m/km，路段IRI平均值為1.27 m/km，路況良好，路面存在少量裂縫；春博路為通車時間約3～4a的城市道路，雙向4車道，道路長度1 944 m，路面IRI最大值12.0 m/km、最小值2.0 m/km，路段平均值為4.0 m/km，路面局部存在少量破損和裂縫的病害情況；無名路為通車時間約3a的城市道路，雙向2車道，道路長度744 m，路面IRI最大值14.0 m/km、最小值4 m/km，路段IRI平均值為6.99 m/km，路面后半程存在連續(xù)破損的情況；大柳線為通車時間約10年的城市道路，雙向2車道，道路長度388 m，破損、坑槽、車轍等病害較大，路況較差，處于大修前狀態(tài)，路面IRI最大值28.0 m/km、最小值4.0 m/km，路段平均值為13.8 m/km。

1.3 試驗方案

行車試驗利用檢測車開展，采集行車數(shù)據(jù)的智能手機固定在檢測車上。每次試驗時使用手機有兩部，分別固定在前方駕駛臺和車輛中間部位。變換不同手機的組合開展多次重復(fù)試驗。試驗開始前在智能手機安裝數(shù)據(jù)采集App，打開App并使之處于采集狀態(tài)。

檢測車自試驗路起點前200 m左右開始加速行駛，當檢測車到達試驗路起點時行車速度達到檢測車要求的檢測速度，并以盡可能勻速通過試驗路。當檢測車通過試驗路起點和終點時，試驗員記錄時間并確保手機App處于正常檢測狀態(tài)。

試驗結(jié)束后，按檢測車通過試驗路起終點時間，將采集的行車數(shù)據(jù)與路面長度進行匹配并以20 m為一個單元，得到不同路面單元的行車數(shù)據(jù)。同時利用檢測車檢測數(shù)據(jù)，得到不同檢測單元的IRI數(shù)據(jù)。最后，將路面行車數(shù)據(jù)與路面IRI數(shù)據(jù)建立對應(yīng)關(guān)系，分析利用行車振動數(shù)據(jù)檢測路面平整度IRI的可能性。

2 kNN算法在IRI檢測中的應(yīng)用

2.1 振動加速度特征指標

常用的路面性能IRI引起的車輛振動的分析方法是1/4車輛模型法，這種方法是以車輛簡化模型為分析手段，量化車輛懸架系統(tǒng)的各個參數(shù)，從而建立路面平整度與振動加速度的關(guān)系。在1/4車輛模型中，以車輛為坐標系的Z方向振動加速度是反映路面平整度的主要行車振動加速度指標[19]，Z方向振動加速度指標被廣泛用來評價路面平整度和行車舒適性。

在本研究中，考慮到智能手機固定的位置、方式等的隨機性和不確定性，很難準確得到以車輛為坐標系的Z方向振動加速度。如圖4所示，圖4(a)表明以車輛為坐標系的三軸向振動加速度方向，圖4(b)表明以智能手機為坐標系的三軸向振動加速度方向。由于智能手機固定在車輛中的姿態(tài)不能確定，即單獨一個方向的振動數(shù)據(jù)沒有實際的物理意義，為此，在前期研究基礎(chǔ)上，文中利用合成振動加速度作為行車振動加速度指標進行分析，計算方法如下:

(1)

式中:ac表示合成振動加速度；aX、aY、aZ分別表示手機坐標系下X、Y、Z方向振動加速度；g表示重力加速度。

在計算一個路段內(nèi)的振動加速度指標時，路段內(nèi)合成振動加速度ac又可分為路段內(nèi)平均值、路段內(nèi)最大值、路段內(nèi)最小值、路段內(nèi)標準差、路段內(nèi)絕對值的平均值、路段內(nèi)絕對值的最大值、路段內(nèi)絕對值的標準差等7項指標，為便于進行路面平整度的分析，應(yīng)從7項指標中找出與IRI關(guān)系最密切的振動加速度指標。在前期研究中，分別建立了路面平整度與上述7項指標的關(guān)系模型，利用相關(guān)系數(shù)評價指標與路面IRI的相關(guān)性，結(jié)果發(fā)現(xiàn)“合成振動加速度路段內(nèi)最小值Minac”與路面平整度IRI具有最好的相關(guān)性。為此，文中選擇“合成振動加速度路段內(nèi)最小值Minac”作為間動加速度特征指標，具體分析過程在此不再贅述。

圖4 振動指標方向示意圖

2.2 IRI-Minac回歸模型

路面平整度IRI的變化將引起路面行車振動加速度的變化，而路面行車速度也是影響行車振動加速度變化的主要因素[20]。圖5為同一條道路上以不同速度行駛時采集的合成振動加速度ac，單獨一個較大點表明路段對應(yīng)位置上有一個單獨的破損，幾個較小點表明路段對應(yīng)位置上有連續(xù)幾個較小的破損?？梢钥闯觯斳囕v以不同速度行駛經(jīng)過路面時，振動指標出現(xiàn)明顯變化，振動指標的變化程度受行車速度影響大，行車速度是利用行車振動檢測路面IRI的考慮因素之一。

文中行車試驗中，雖然盡可能保持行車速度穩(wěn)定，但由于交通量、交通信號燈等的影響，檢測車行駛速度是在一個范圍內(nèi)變化的。因此，在后續(xù)分析中，將行車速度也作為影響因素進行考慮。

圖5 行車速度對ac的影響

文中行車試驗中，雖然盡可能保持行車速度穩(wěn)定，但由于交通量、交通信號燈等的影響，檢測車行駛速度是在一個范圍內(nèi)變化的。因此，在后續(xù)分析中，將行車速度也作為影響因素進行考慮。

考慮路面平整度IRI、行車速度v的影響，文中首先利用試驗數(shù)據(jù)計算出振動指標，利用Matlab建立IRI的多元線性回歸檢測模型如下：

IRI=0.92+0.048v-0.28Minac

(2)

式中，IRI表示國際平整度指數(shù),v表示行車速度，Minac表示合成振動加速度路段內(nèi)最小值。

式(2)中的R2為0.35，比較低。用式(2)對文中的試驗數(shù)據(jù)進行分析，按表1所示標準對IRI進行等級分類評價。結(jié)果表明，檢測車的分類評價結(jié)果與智能手機的分類評價結(jié)果的匹配度為63.23%，即智能手機的分類評價準確度為63.23%。利用其他回歸方法進行的分析也發(fā)現(xiàn)，利用簡單的回歸分析方法不能建立具有較高精度的IRI檢測模型，提高IRI檢測精度需要新的數(shù)據(jù)處理方法。

2.3 kNN算法

2.3.1 原理說明

鄰近算法，或者說k最近鄰分類算法是數(shù)據(jù)挖掘分類技術(shù)的方法之一。所謂k最近鄰，就是k個最近的鄰居的意思，即每個樣本都可以用它最接近的k個鄰居來代表[21]。如圖6所示，特征空間由兩個特征向量組成，按照特征空間將數(shù)據(jù)分為3個類別W1、W2、W3，利用歐氏距離在特征空間中尋找距離新數(shù)據(jù)Xu最近的k個數(shù)據(jù)，將k個數(shù)據(jù)中類別最多的一個類別作為新數(shù)據(jù)的類別。

圖6 kNN分類方法原理圖

本文的kNN特征空間以行車速度和路段內(nèi)合成振動加速度最小值作為兩個特征向量，試驗路的分類標準按表1“普通公路”的標準進行。由于本試驗獲得的行車試驗數(shù)據(jù)有限，文中采用交叉驗證的方法確定kNN算法的k值，當k=7時分類的準確度最高。新數(shù)據(jù)的分類依據(jù)采用常規(guī)的歐氏距離指標進行判別。本研究通過試驗數(shù)據(jù)建立特征空間，對于一個新的數(shù)據(jù)，計算并尋找距離該數(shù)據(jù)歐氏距離最近的7個數(shù)據(jù)，由7個最近數(shù)據(jù)中類別特征最多的類別決定新數(shù)據(jù)的類別。如果歐氏距離最近的7個數(shù)據(jù)中出現(xiàn)相同分類個數(shù)的情況，則選取歐氏距離最近的點作為新數(shù)據(jù)的分類。文中將原始行車試驗數(shù)據(jù)的70%用作建立特征空間，原始行車試驗數(shù)據(jù)的30%用以對建立的kNN分類方法進行驗證，具體分析過程在此不再贅述。

2.3.2 kNN應(yīng)用與優(yōu)化

kNN分類方法對建立特征空間的數(shù)據(jù)有很強的依賴關(guān)系，良好的特征空間可以提高算法的準確度。另外，不同kNN分類的數(shù)據(jù)量也是影響算法精度的主要因素，不同分類的數(shù)據(jù)量應(yīng)保持在均衡狀態(tài)。本文中，按表1所示的“普通公路”的等級分類標準進行等級分類，試驗路路面平整度IRI分別位于優(yōu)、良、中、差4個等級中的數(shù)據(jù)量分別為195組、85組、48組和84組，最少的為48組(中)，最多的為195組(優(yōu))，有較大的不均衡性。為此，文中以最少的48組數(shù)據(jù)為基礎(chǔ)建立kNN特征空間，對于大于48組數(shù)據(jù)的分類，采取隨機抽取48組數(shù)據(jù)的方法確定建立kNN特征空間的該分類組基礎(chǔ)數(shù)據(jù)。

依據(jù)上述方法建立的kNN特征空間如圖7所示。

圖7 kNN算法特征空間

圖7中，kNN特征空間的橫坐標為路段內(nèi)的合成振動加速度數(shù)據(jù)最小值，變化范圍是0.5～4.0 m/s2；特征空間的縱坐標為行車速度，變化范圍是30～70 km/h。

圖7中，兩特征向量的單位不同、變化范圍不同，造成兩個特征向量對計算結(jié)果的影響程度也不同，即變化程度大的特征會起決定作用，而變化程度小的特征作用會被減弱。為了消除特征向量尺度和單位差異的影響，文中對兩個特征向量進行了歸一化處理。

利用式(3)對兩個特征向量進行歸一化，結(jié)果如圖8所示，歸一化后的兩個特征向量為無量綱指標，其對分類的影響處于同等地位。

(3)

式中，x表示需要進行特征歸一化的特征變量，min(x)表示x特征變量中的最小值，max(x)表示x特征變量中的最大值，x′表示歸一化后的x特征變量。

圖8 歸一化的kNN特征空間

2.3.3 kNN分類結(jié)果驗證

利用文中行車試驗全部數(shù)據(jù)的70%建立kNN特征向量空間如圖8所示，利用其余的30%數(shù)據(jù)進行文中分類方法準確性的驗證。結(jié)果表明，利用kNN分類方法對路面平整度IRI分類評價的絕對準確率為78.13%，即kNN分類結(jié)果中有78.13%與實測結(jié)果完全吻合，其分類準確性高于前述的回歸統(tǒng)計分類方法。

對行車振動加速度數(shù)據(jù)和路面平整度IRI檢測數(shù)據(jù)進一步分析發(fā)現(xiàn)，位于IRI等級分界附近的數(shù)據(jù)的誤判率較高。即利用行車振動數(shù)據(jù)和kNN方法進行IRI等級評價時，IRI位于等級分界附近時，判別結(jié)果可能存在較大的波動。進一步分析發(fā)現(xiàn)，存在誤判的21.87%樣本中，有85.7%的樣本判別為相鄰的等級。如果將相鄰判別作為相對準確判斷，則文中方法的判別相對準確率達到96.87%?？梢姴徽撌墙^對準確率還是相對準確率，均高于回歸統(tǒng)計模型，文中的方法提高了IRI的智能檢測準確率。

文中提出的利用智能手機的路面平整度IRI的智能檢測方法是一種對路面平整度IRI的間接的、可以開展實時檢測和監(jiān)測的方法，其主要目的是對路面的IRI狀態(tài)進行評價和跟蹤，為開展進一步詳細檢測和路網(wǎng)路面的養(yǎng)護決策提供宏觀指導(dǎo)。文中方法的絕對評價準確率達到78%以上，而考慮相鄰評價后的相對準確率達到96%以上，可以滿足上述要求。

3 結(jié)語

本文利用自主開發(fā)的智能手機App采集行車振動等數(shù)據(jù)，開展了大量行車試驗，研究利用行車數(shù)據(jù)檢測路面平整度IRI的可行性。研究得到以下結(jié)論：

(1)文中提出了以合成振動加速度作為行車振動加速度指標的方法，該方法可以去除智能手機固定位置的影響，有助于實現(xiàn)利用智能手機的IRI智能檢測。

(2)文中將kNN方法應(yīng)用于智能手機采集的行車數(shù)據(jù)的分析，提出了特征向量歸一化的特征向量空間。通過該方法，提升了IRI的智能檢測精度，且技術(shù)簡便、易于應(yīng)用。通過大量數(shù)據(jù)的進一步應(yīng)用，監(jiān)測精度將會進一步提高。

(3)文中方法的IRI智能檢測絕對評價準確率達到78%以上，而考慮相鄰評價后的相對準確率達到96%以上，可以滿足道路路網(wǎng)中路面平整度IRI的實時檢測和監(jiān)測，可以提高路面平整度IRI檢測的針對性，減少路面性能總體檢測量，為路網(wǎng)路面的養(yǎng)護決策和管理提供宏觀指導(dǎo)。

文中的行車數(shù)據(jù)量、試驗工況還不夠多。今后應(yīng)進一步增加行車試驗量，增加建立kNN特征空間的基礎(chǔ)數(shù)據(jù)，有望進一步提升IRI的檢測精度，為路面性能的檢測和監(jiān)測提供一種新的方法。