نمذجة التدهور

يُطوّر جزء كبير من نماذج التدهور الاحتمالية استنادًا إلى سلسلة ماركوف ، وهي نموذج محاكاة احتمالي للأحداث المنفصلة . تعتبر نماذج التدهور المبنية على سلسلة ماركوف حالة الأصل سلسلة من الحالات المنفصلة. على سبيل المثال، في حالة نمذجة تدهور الرصف ، يمكن تصنيف مؤشر حالة الرصف (PCI) إلى خمس فئات: جيد، مُرضٍ، مقبول، ضعيف، وضعيف جدًا (أو ببساطة من 1 إلى 5). ثم يُطوّر نموذج ماركوف للتنبؤ باحتمالية الانتقال من الحالة 1 إلى كل حالة من الحالات الأخرى خلال عدد من السنوات. وقد وُجهت انتقادات لنماذج ماركوف البسيطة لتجاهلها تأثير التقادم وتاريخ صيانة الأصل. ^{[ 3 ] [ 10 ]} بينما تستطيع النماذج الأكثر تعقيدًا، والمعروفة بنماذج شبه ماركوف، مراعاة تاريخ الصيانة، إلا أن معايرتها تتطلب كمية كبيرة من البيانات الطولية. في الآونة الأخيرة، بُذلت جهود لتدريب نماذج تدهور ماركوف لمراعاة تأثير المناخ، ولكن بشكل عام، لا يمكن إدخال السمات المناخية أو حركة المرور كمدخلات في هذا النوع من النماذج. ^{[ 7 ] [ 11 ]}

منذ أواخر العقد الأول من الألفية الثانية، تم اعتماد خوارزميات التعلم الآلي لمعالجة نمذجة تدهور البنية التحتية. وتُعد الشبكات العصبية من بين أكثر النماذج استخدامًا. ورغم قدرتها العالية على التعلم، فقد وُجهت انتقادات للشبكات العصبية بسبب طبيعتها المبهمة، التي لا تتيح مجالًا كافيًا لتفسير النموذج. ^{[ 3 ] [ 8 ] [ 9 ]} ولذلك، استُخدمت خوارزميات أخرى في الدراسات المنشورة. ومن أمثلة هذه الخوارزميات: شجرة القرار ، وخوارزمية أقرب جار (k-NN) ، والغابة العشوائية ، وأشجار تعزيز التدرج ، وانحدار الغابة العشوائية، ومصنف بايز الساذج . في هذا النوع من النماذج، يُتنبأ بالتدهور عادةً باستخدام مجموعة من متغيرات الإدخال أو السمات التنبؤية. ومن أمثلة السمات التنبؤية المستخدمة في الدراسات المنشورة: الحالة الأولية، وحركة المرور، والخصائص المناخية، ونوع الرصف، وتصنيف الطريق. ^{[ 7 ]}