平整度是评判路面使用性能好坏的重要指标,影响行驶质量、行车安全和道路服务质量。本文采用路面长期性能(LTPP)数据库提供的真实数据,以平整度为研究对象,挖掘分析LTPP数据库中的实验采集值,运用数据挖掘技术考虑环境气候、路面病害、交通荷载、路面结构等影响因素,对加拿大五省(亚伯达、马尼托巴、魁北克、安大略、萨斯喀彻温)近20年收集的平整度有关数据进行分析,选定气温、冰冻指标、降雨量、横向裂缝、纵向裂缝、龟裂、块裂、边缘裂缝、修补、坑槽为本文分析的重点影响因素,对其进行数据筛选,完成沥青路面平整度数据库的重构。首先对影响因素进行逐项分析,通过因子分析和相关性分析找出各变量之间的内部关联;然后选用logistic模型与混合效应模型作为平整度预测模型,分别通过调整输入参数从而提高两个模型拟合精度;最后得出logistic模型和混合效应模型的复判定系数(R~2)分别为0.731,0.754,两个模型的精度均低于80%。针对这两个模型拟合精度不高的问题,本文又引入人工神经网络模型预测平整度,采用B-P算法,Sigmoid为模型的激活函数。为了降低复杂性,设计了三层网络训练该模型,将平整度影响因素作为输入输出样本,通过调整输入变量和隐含层神经元个数,计算均方根误差(RMSE)与平均值误差(MAE)。实验结果表明,当输入变量个数为9和隐含神经元个数为4时,RSME和MAE分别为0.881、0.682,R~2为0.876,拟合精度较高。表明基于神经网络的平整度预测方法具有低复杂、较高效率和精度的优点,并且能够有效地评价路面使用性能。