Development of Machine Learning Models for Predicting Highway Pavement Condition Index (HPCI) and Road Traffic Noise of Asphalt Pavements
국내 고속도로 아스팔트 포장의 노후화가 가속화되면서 포장상태지수(HPCI) 3.0 이하 불량 구간 비율이 2020년 약 10%에서 2023년 약 25.9%로 급증하였다. 기존 결정론적 열화 모델은 유지보수 이력, 교통 특성, 회복-재노후화 사이클 등 복합적 요인을 충분히 반영하지 못한다는 한계가 있다. 본 연구에서는 2010~2023년 한국도로공사 포장관리시스템(PMS) HPCI 데이터와 CPX (타이어-노면 소음) 측정 데이터를 기반으로 Linear Regression, Random Forest, Gradient Boosting, Voting Regressor, Stacking Regressor 등 5종의 머신러닝(ML) 알고리즘을 비교·평가하여 최적 예측 모델을 구축하였다. 주요 입력변수는 공용 연수(Age), 유지보수 후 경과 연수(Age_Since_MR), 초기 포장상태(Initial Condition), 연간평균교통량(AADT), 등가단축하중(ESAL), 열화-회복 패턴 지수(Cycle_Index) 등이다. 분석 결과 Stacking Regressor가 가장 낮은 MAE(0.0716)와 높은 예측 안정성을 달성하였으며, 선 형 회귀 모델 대비 RMSE가 65.1% 감소하였다. Durbin-Watson 검정값은 2.044로 잔차의 자기상관이 없음이 확인되어 장기 예측 안정성이 검증되었다. CPX 소음 예측 모델 역시 Stacking Regressor에서 최우수 성능을 나타냈으며, 골재 최대치수가 작을수록 소음 저감 효과가 큰 것으로 확인되었다. 본 연구의 결과는 장기 포장관리 시나리오 수립, 저소음 포장 정책 평가, 최적 유지보 수 시점 예측 등 실무에 직접 활용 가능한 정량적 기반을 제공한다.