Predictive Modeling of Pavement Rutting Using Machine Learning Techniques

Abstract

[spa] Este Trabajo Final de Máster (TFM) explora la aplicación de técnicas de aprendizaje automático (ML) para mejorar la predicción del deterioro del pavimento, centrándose particularmente en los surcos o rodadas dentro de los sistemas de gestión de pavimentos. Utilizando modelos avanzados de ML como Random Forests, Árboles de Decisión, Gradient Boosting y Redes Neuronales Artificiales, el estudio ha demostrado mejoras significativas en la precisión predictiva. La investigación destaca el papel fundamental de la calidad de los datos y la selección de características, revelando que los registros de mantenimiento precisos y el manejo cuidadoso de las inconsistencias de datos son fundamentales para optimizar el rendimiento del modelo. En particular en este trabajo, los modelos se perfeccionaron para reflejar las actividades de mantenimiento reales con mayor precisión, resultando en mejores métricas de rendimiento como un Error Absoluto Medio (MAE) de 1.17 y un R 2 de 0.81. Este TFM remarca el potencial de ML para transformar las estrategias tradicionales de gestión de pavimentos en enfoques proactivos y basados en datos, allanando el camino para futuras investigaciones para perfeccionar aún más los modelos predictivos y ampliar su aplicabilida

[eng] This thesis explores the application of machine learning (ML) techniques to enhance the prediction of pavement deterioration, particularly focusing on rutting within pavement management systems. Utilizing advanced ML models such as Random Forests, Decision Trees, Gradient Boosting, and Artificial Neural Networks, the study has demonstrated significant improvements in predictive accuracy. The research highlighted the critical role of data quality and feature selection, revealing that accurate maintenance records and careful handling of data inconsistencies are pivotal for optimizing model performance. Notably, models were refined to reflect true maintenance activities more accurately, resulting in enhanced performance metrics such as a Mean Absolute Error (MAE) of 1.17 and an R2 of 0.81. This thesis underscores the potential of ML to transform traditional pavement management strategies into proactive, data-driven approaches, paving the way for future research to further refine predictive models and extend their applicability