路面性能预测模型是一种数据模型，它将维护数据中收集到的抽象模式转化为路面管理工程师可以理解的知识[1]。长期以来，路面管理工程研究人员一直使用该模型进行路面性能指标预测[2]和维护计划决策[3]等任务，是路面管理工程中的关键模型[4],[5]。维护数据通常包括来自网络中所有道路单元的样本，每个样本表示为“维护前的路面性能指标 – 采用的维护计划 – 维护后的路面性能指标”。多个路面性能指标用于表征路面的服务状况，以下简称路面状况。
在路面性能指标预测任务中，研究人员专注于开发基于收集到的维护数据的预测模型，这些模型能够紧密逼近路面性能指标的真实值[6]。基于这一目标，路面性能预测模型通常建立在经验力学或数据驱动的基础上，并被设计为显式或隐式函数。这些函数通常基于道路单元的维护前性能指标，并结合额外的输入变量（如提议的维护计划或相关气候因素）来预测多个维护后的性能指标。通过这种方式，它们为路面管理的性能演变预测和决策提供了重要支持[7]。
在路面维护计划决策任务中，无论是采用分阶段维护决策方法还是端到端决策框架，研究人员都旨在在准确预测单一路面性能指标与量化与该预测值相关的风险之间取得平衡。他们选择机械或经验力学模型作为这项任务的原型，这些模型可以包含均值为0且标准差可确定的正态分布[8]。在这些模型中，输出包括单个维护后性能指标的预测值以及描述该预测值变化风险的标准差，这通常被定义为数据不确定性。这两组数据使维护人员能够定量评估维护计划的属性，从而支持决策任务。
这两种任务的核心目标不同，模型的开发仅限于挖掘维护数据中的一部分信息。这导致路面性能预测模型的开发与特定任务之间存在高度耦合，无论是采用端到端方法还是分阶段方法。因此，这些模型无法在统一的工程框架内跨不同任务重用。例如，当维护决策需要考虑多个指标时，为路面性能指标预测任务开发的多指标路面性能预测模型往往无法提供带有数据不确定性的输出。因此，为了满足维护任务中的多指标决策需求，除了已经开发的多指标路面性能指标预测模型外，还需要进一步开发能够输出不确定性信息的多个单指标预测模型，从而导致路面管理工程中路面性能预测模型的重复开发。这种重复的模型开发问题在端到端方法中尤为明显。在端到端框架内，路面性能预测模型不仅紧密绑定于特定任务，还依赖于前后模块的接口设计。当任务要求发生变化时，必须重新开发预测模型，并相应修改相应的接口。结果，总体开发成本显著高于分阶段方法。此外，路面管理工程还包括识别所有性能指标偏离维护数据分布模式的道路单元的任务，从而实现对特殊道路单元的针对性修复。这可以有效防止现有维护计划的效果不佳，并减少路面管理资源的浪费。然而，现有的路面性能预测模型难以解决这一任务。因此，还需要为这一任务开发相应的异常检测预测模型，这进一步加剧了路面管理工程中定量模型的冗余性，并导致在不同道路网络之间转移相关方法时的重复开发工作。
贝叶斯神经网络（BNNs）能够根据输入生成预测值，量化与预测风险相关的数据不确定性，并评估模型不确定性以识别输入值中的异常[9]。它们已被验证在预测路面性能方面具有实际价值[10]。从模型的角度来看，它可以深入系统地挖掘维护数据中包含的信息。从应用的角度来看，它生成的样本特定数据不确定性比传统方法（用单一不确定性值近似所有预测风险的方法）更好地反映了现实世界的模式和维护逻辑。此外，该模型提供了衡量模型不确定性的方法，以量化输入值中的异常。如果直接应用于异常路面指标检测任务，它可以提高路面性能预测模型的重用效率。
受贝叶斯神经网络的启发，本文开发了一个用于三种类型任务的通用模型——贝叶斯神经网络路面模型（BNN4Pav），从而自然地将这三种任务表示为通过两个上下游阶段完成的。在这种开发框架下，路面管理工程只需构建一个上游的BNN4Pav预测模型，即可为数据中的内在信息模式提供可解释的表示形式，适用于各种任务。然后，可以在下游阶段为不同任务构建独立的应用模型来完成每个任务。与为三种类型任务分别开发三个独立预测模型的方法相比，所提出的BNN4Pav作为一个集成的上游预测模型，将模型开发工作从三类减少到一类，从而显著提高了跨不同道路网络的迁移效率。最后，使用来自中国浙江省（2014-2020年）、安徽省（2020-2022年）和江苏省（2019-2024年）的共计460公里道路路段的维护历史数据，验证了所提模型在每个任务中的有效性及其跨道路网络的迁移能力。
本文的其余结构组织如下：第2节介绍文献综述。第3节介绍所提出的BNN4Pav及其在各种任务中的应用方法。第4节讨论了BNN4Pav的应用前测试及其在每个任务中的有效性。最后，第5节提供了从本研究得出的结论。本文中使用的缩写及其解释和位置在附录A中提供。
