Advances in predictive maintenance planning of roads by empirical models

Abstract

Roads constitute one of the most valuable asset group of a country. Road asset value is better preserved by preventive instead of corrective maintenance. Traditionally, road maintenance has been planned using mechanistic or hybrid models for estimation, prediction and optimisation. This thesis proposes a framework for road maintenance planning, where Road User Costs and Agency Costs are estimated and forecasted, road condition forecasted and future maintenance works optimised with empirical models. The concept is called predictive maintenance planning. Various empirical methods were combined and applied in sub-tasks of road maintenance planning. The methods included Sequential Input Selection Algorithm for variable selection, k-means++ for clustering, Principal Component Analysis for dimension reduction, Markov Chains, Ordinary Least Squares regression, Radial Basis Functions and Least Squares Support Vector Regression for forecasting and Genetic Algorithms and Variable Neighbourhood Search for optimisation. The research showed that accuracy of road condition forecasting can be increased with non-linear empirical models using collected data from the roads. The best method was Least Squares Support Vector Regression for multi-step ahead forecasting. The best applied optimisation method combined Parallel Genetic Algorithms with Variable Neighbourhood Search. The Thesis shows that accuracy can be increased and cost saved in road maintenance by a paradigm shift from mechanistic to empirical models in road maintenance planning.

Tiet muodostavat yhden arvoikkaimmista julkisista omaisuuseristä. Tieomaisuuden arvo säilyy ennakoivalla kunnossapidolla korkeampana kuin korjauskunnossapidolla. Perinteisesti tiestön kunnossapitoa on suunniteltu käyttämällä mekaanisia tai hybridimalleilla arviointiin, ennustamiseen ja optimointiin. Tässä väitöskirjassa ehdotetaan viitekehystä tiestön kunnossapidon suunnitteluun, jossa tienkäyttäjän ja tieviranomaisen kustannukset sekä tiestön kunto arvioidaan ja ennustetaan ja tulevaisuudessa tapahtuvat kunnossapitotoimet optimoidaan empiirisillä malleilla. Käsitettä kutsutaan ennustavaksi kunnossapidon suunnitteluksi. Useita empiirisiä menetelmiä yhdisteltiin ja sovellettiin tiestön kunnossapidon tehtävissä. Menetelmät sisälsivät peräkkäisen syötevalinnan algoritmin muuttujien valintaan, k-keskiarvot++ -menetelmän ryhmittämiseen, pääkomponenttianalyysin ulottuvuuksien pienentämiseen, Markovin ketjuja, tavallista pienimmän neliösumman regressiota, säteittäisperustafunktioita ja pienimmän neliön vektoritukiregressiota ennustamiseen sekä geneettisiä algoritmeja ja Variable Neighbourhood Search -menetelmää optimointiin. Tutkimus paljasti, että tiestön kunnon ennustamisen tarkkuutta voidaan kasvattaa epälineaarisilla empiirisillä malleilla käyttäen tiestöstä kerättyä tietoa. Paras menetelmä oli pienimmän neliön vektoritukiregressio usean aika-askeleen ennustamiseen. Parhaassa sovelletussa optimointimenetelmässä oli yhdistelty rinnakkaisia geneettisiä algoritmeja Variable Neighbourhood Search -menetelmään. Väitöskirja osoittaa, että tarkkuutta voidaan parantaa ja tiestön kunnossapidon kustannuksia pienentää muuttamalla ajatus- ja toimintamallia mekanistisista malleista empiirisiin tiestön kunnossapidon suunnittelussa.