Utilizing artificial intelligence and machine learning for monitoring and modeling road conditions

Abstract

Road maintenance requires resources increasingly as climate change and high traffc volume in populous areas infict a signifcant strain on the traffc infrastructure. In rural areas, the car is usually the only mode of transport and long driving distances with high average speeds are covered on a daily basis. The majority of maintenance resources are located in densely populated cities, making the maintenance of rural roads challenging and expensive.

New scalable methods to optimize the usage of road maintenance resources are demanded. This thesis reviews several artifcial intelligence and machine learning based techniques and systems designed for monitoring, evaluating, and predicting road condition and deterioration. In the implementation part of the thesis, two classifcation models, based on logistic regression and support vector machines, are trained to classify fve different types of normal or damaged road segments from vertical acceleration data measured with smartphone sensors. A classifcation accuracy of 70.9% was achieved with logistic regression and 73.9% with support vector machine. The results of the implementation provide more evidence that vibration-based road condition monitoring systems can identify road anomalies with good accuracy and could have practical utility in road maintenance related tasks.

Teiden huoltotoimenpiteet vaativat resursseja enenevissä määrin, sillä ilmastonmuutos ja vilkastuva liikenne tiheästi asutuilla alueilla kuormittavat liikenneinfrastruktuuria merkittävästi. Harvaan asutuilla alueilla auto on usein ainoa kulkuväline, ja asukkaat keskimäärin ajavat pidempiä matkoja suuremmalla keskinopeudella. Suurin osa teiden huoltoon vaadittavista resursseista keskittyy tiheään asutuille taajama-alueille, tehden harvaan asuttujen alueiden tiestön huollosta haastavaa.

Uusia skaalautuvia menetelmiä teiden huoltoon vaadittavien resurssien optimoimiseksi tarvitaan. Tässä tutkielmassa tarkastellaan erilaisia tekoälyyn ja koneoppimiseen pohjautuvia menetelmiä ja järjestelmiä teiden kunnon tarkastamista, arviointia ja mallintamista varten. Tutkielman suoritusosassa kaksi luokittelumallia, jotka pohjautuvat logistiseen regressioon ja tukivektorikoneeseen, koulutetaan erottamaan viisi erityyppistä normaalia tai vaurioitunutta tieosuutta älypuhelimen liikesensoreilla kerätyistä vertikaalisista kiihtyvyysanturimittauksista. Logistinen regressiomalli luokitteli testidataa keskimäärin 70.9% tarkkuudella, kun taas tukivektorikoneeseen perustuva malli saavutti vastaavasti 73.9% luokittelutarkkuuden. Suoritusosan tulokset antavat näyttöä siitä, että värähtelymittauksiin perustuvat tien kunnon tunnistamiseen suunnitellut järjestelmät voivat tunnistaa erinäisiä poikkeamia tien pinnassa hyvällä tarkkuudella, ja että näistä järjestelmistä voisi olla hyötyä teiden huoltoon liittyvissä toimenpiteissä.