楊東 陸宇航 郭建華

摘 要：運用科學(xué)方法對公路網(wǎng)節(jié)假日交通流量的趨勢進行預(yù)測，是保障路網(wǎng)暢通運行的有效手段，在減輕路網(wǎng)擁堵、提高游客出游滿意度、提高出行效率等方面具有重要意義。文章提出了一種趨勢預(yù)測方法，計算同一節(jié)點下歷年節(jié)假日日流量與年平均日交通量（AADT）之間的相關(guān)關(guān)系，根據(jù)修正后的相關(guān)關(guān)系和預(yù)測年份的年平均日交通量實現(xiàn)對節(jié)假日流量的趨勢預(yù)測。以江蘇省鎮(zhèn)江市某節(jié)點2015年9月—2018年5月數(shù)據(jù)作為實例進行方法驗證，表明該模型在節(jié)假日流量趨勢預(yù)測方面具有實用性。

關(guān)鍵詞：交通流;趨勢預(yù)測;預(yù)測模型

0 引言

隨著人類文明的進步，為了滿足人們的日常出行和內(nèi)部物流的需要，發(fā)達的交通網(wǎng)絡(luò)無所不在。截至2019年年末，中國公路總里程已達501.25萬公里、高速公路達14.96萬公里[1]，居世界第一。盡管如此，隨著經(jīng)濟的發(fā)展，人均汽車保有量的增加以及物流業(yè)的快速發(fā)展，公路大面積擁堵已成為常態(tài)[2]。尤其在節(jié)假日期間，為了便民出行，高速公路實施免收過路費，交通擁堵更是常見現(xiàn)象。因此預(yù)測節(jié)假日期間的交通流量趨勢，對確保路網(wǎng)運行暢通，提供便民服務(wù)具有重要意義[3]。

當(dāng)前對節(jié)假日期間交通流量預(yù)測的研究可以劃分為短時預(yù)測和趨勢預(yù)測兩類。其中短時預(yù)測方法主要包括歷史平均法、移動平均法、指數(shù)平滑法、BP神經(jīng)網(wǎng)絡(luò)預(yù)測算法、K近鄰預(yù)測算法、隨機時間序列算法等。郭敏[4]在此基礎(chǔ)上分析比較了各預(yù)測模型的優(yōu)缺點及適用情況，給出了在道路交通預(yù)測中，應(yīng)先對交通流量數(shù)據(jù)進行預(yù)處理，再對交通數(shù)據(jù)進行統(tǒng)計分析，尋找規(guī)律，建立模型，分析預(yù)測結(jié)果的一般流程。陳曉利[5]基于改進的GA-BP人工智能算法，構(gòu)建了節(jié)假日交通流量預(yù)測模型和預(yù)警模型，并結(jié)合實測數(shù)據(jù)驗證了模型的可靠性、魯棒性。在趨勢預(yù)測方面，王征[6]提出了多維空間BP神經(jīng)網(wǎng)絡(luò)的節(jié)假日高速公路網(wǎng)節(jié)點擁堵預(yù)測分析，通過對交通流量歷史數(shù)據(jù)進行小波逆變重構(gòu)濾除原始數(shù)據(jù)含有的噪聲信息，再采用具有多維空間BP神經(jīng)網(wǎng)絡(luò)方法進行建模預(yù)測。

現(xiàn)階段在節(jié)假日趨勢預(yù)測方面的工作總體較少，且主要的方法采用短時預(yù)測方法，難以適應(yīng)節(jié)假日趨勢預(yù)測的需求。如何利用有限的節(jié)假日歷史數(shù)據(jù)，進行較為簡單準確的流量趨勢預(yù)測是個急需解決的問題。本文針對江蘇省鎮(zhèn)江市公路網(wǎng)某節(jié)點2015—2018年的實際流量數(shù)據(jù)進行分析，實現(xiàn)節(jié)假日流量的預(yù)測和評價。

1 預(yù)測方法

本文在歷史數(shù)據(jù)的基礎(chǔ)上實現(xiàn)節(jié)假日路網(wǎng)流量趨勢預(yù)測。首先，計算歷史數(shù)據(jù)中節(jié)假日日流量與該年年平均日交通量（AADT）的比值。針對節(jié)假日期間的趨勢預(yù)測時，可以對AADT的取法進行調(diào)整，當(dāng)原始數(shù)據(jù)完整度較高時，以該節(jié)假日前一年內(nèi)的歷史流量數(shù)據(jù)計算AADT。當(dāng)歷史數(shù)據(jù)有缺失時，可采用該節(jié)假日前數(shù)個月內(nèi)相對完整的數(shù)據(jù)計算平均日交通量作為參考值，以此參考值再計算相應(yīng)比值。對于預(yù)測組，應(yīng)采用與實驗組相同AADT計算方法，確保擬合在同一水平。λ的計算公式如下：

上式中，ahis表示歷史節(jié)假日流量，vhis表示歷史年平均日交通量。

然后，在根據(jù)實驗組數(shù)據(jù)計算出相應(yīng)比值后，對該比值進行修正，使其可以應(yīng)用于對未來節(jié)假日流量的趨勢預(yù)測中。根據(jù)實驗組數(shù)據(jù)長度及比值計算結(jié)果，可將修正部分分為以下3種情況：

（1）如果實驗組數(shù)據(jù)長度n=1時，只能采用該年數(shù)據(jù)計算出的比值λ應(yīng)用于預(yù)測，不加以修正的情況，為不修正預(yù)測。此時預(yù)測值apre計算方法為：

上式中，vpre表示預(yù)測年份的年平均日交通量。

（2）如果實驗組數(shù)據(jù)為連續(xù)的n年（n≥2），每年計算出的流量比值分別為λ1，λ2，λ3，…，λn，則需要得到一個修正后的比值進行預(yù)測。當(dāng)連續(xù)多年的比值比較接近，或比值在一定區(qū)間波動時，修正比值可取每年比值的均值，此時預(yù)測值apre計算方法為：

當(dāng)連續(xù)多年的可呈上升或下降趨勢時，可采用加權(quán)滑動平均法修正，此時預(yù)測值apre計算方法為：

在進行比值修正的過程中，可以根據(jù)現(xiàn)有的歷史數(shù)據(jù)采用多種方法進行計算結(jié)果，依據(jù)指標(biāo)對多種修正方法進行適用性評價，可以從中選出針對該節(jié)點情況，預(yù)測誤差相對最小的修正方法，并以此作為經(jīng)驗，推廣到對未來該節(jié)點的節(jié)假日流量趨勢預(yù)測中。

2 實例分析

2.1? 數(shù)據(jù)處理

由于公路網(wǎng)交通流量采集設(shè)備在進行數(shù)據(jù)采集工作時，會受到自然環(huán)境或者其他因素的干擾，這可能導(dǎo)致采集到的交通流量數(shù)據(jù)出現(xiàn)數(shù)據(jù)缺失或數(shù)據(jù)異常等問題，對于路網(wǎng)交通流量預(yù)測，數(shù)據(jù)問題會導(dǎo)致預(yù)測精度不符合預(yù)期，因此在預(yù)測之前需要進行相應(yīng)的數(shù)據(jù)處理過程，獲得相對完整準確交通流量數(shù)據(jù)。本文所采取的江蘇省鎮(zhèn)江市公路網(wǎng)某節(jié)點觀測的2015—2018年的流量數(shù)據(jù)中，原始數(shù)據(jù)字段較多，數(shù)據(jù)量較大，且存在大量數(shù)據(jù)重復(fù)、數(shù)據(jù)缺失等問題，在建立模型之前，運用python語言，對原始數(shù)據(jù)進行清洗。

先依據(jù)數(shù)據(jù)編號字段篩選并去除重復(fù)的數(shù)據(jù)行，再將數(shù)據(jù)按照時間順序排序，對缺失流量字段進行插值處理，得到相對完整的實驗組數(shù)據(jù)。由于原始數(shù)據(jù)以5 min為匯聚度，需要將數(shù)據(jù)以天為單位進行匯聚，得到每日的交通量。

2.2? 模型建立

本節(jié)主要介紹依據(jù)本文敘述方法建立模型，并用鎮(zhèn)江數(shù)據(jù)進行實例驗證?？紤]因節(jié)日時間長短對交通量的影響，將節(jié)假日分為三天和七天兩類，本文選取連續(xù)三年間“五一”勞動節(jié)3天和“十一”國慶節(jié)7天作為節(jié)假日預(yù)測對象，節(jié)假日期間日流量實測值情況如表1—2所示。

從實驗組讀取的數(shù)據(jù)中可計算出實驗組、預(yù)測組AADT以及實驗組節(jié)假日流量與AADT的比值λ。由于原始數(shù)據(jù)中只包含連續(xù)3年的節(jié)假日數(shù)據(jù)，在采用均值法和加權(quán)滑動平均法時計算結(jié)果相同。這里分別采用無修正預(yù)測和均值法修正預(yù)測，對勞動節(jié)和國慶節(jié)日流量情況進行預(yù)測，如表3所示。

2.3 評價分析

本方法中的評價指標(biāo)采用平均絕對百分誤差MAPE（Mean Absolute Percent Error）。其計算公式如下所示：

上式中，εi表示預(yù)測值與實測值之間的誤差，ai表示實測值，即預(yù)測組節(jié)假日當(dāng)天流量。

計算結(jié)果如表4所示。

從結(jié)果來看，本文所提出的方法在預(yù)測節(jié)假日路網(wǎng)流量時，MAPE在20%左右，具有一定參考價值。當(dāng)選用3年原始數(shù)據(jù)進行預(yù)測時，有無修正預(yù)測的結(jié)果總體上接近，修正預(yù)測并不一定比無修正預(yù)測更為精準，推測原因可能是由于數(shù)據(jù)年份較少，導(dǎo)致年度比值變化的趨勢無法完全展現(xiàn)。此外，不同日期的流量預(yù)測結(jié)果精度不同，部分日期精度預(yù)測精度很高，部分則很低，其原因可能與原始數(shù)據(jù)的缺失補償方式有關(guān)。

3 結(jié)語

本文針對江蘇省鎮(zhèn)江市某交調(diào)站節(jié)假日交通量進行趨勢分析以及預(yù)測評價。結(jié)果顯示，在對節(jié)假日路網(wǎng)流量進行預(yù)測時，平均絕對百分誤差相對較低，預(yù)測精度較高，預(yù)測結(jié)果可用于公路交通信息發(fā)布，并可為交通流誘導(dǎo)措施制定提供數(shù)據(jù)基礎(chǔ)，具有實用性。

[參考文獻]

[1]交通運輸部.2019年交通運輸行業(yè)發(fā)展統(tǒng)計公報[J].交通財會，2020（6）：86-91.

[2]MAHMOODIT，SEETHARAMANS.Traffic Jam： Handling the Increasing Volume of Mobile Data Traffic[J].IEEE Vehicular Technology Magazine，2014（3）：56-62.

[3]余林，舒勤，柏吉瓊.基于EMD聚類與ARMA的交通流量預(yù)測方法[J].公路，2015（5）：124-129.

[4]郭敏，肖翔，藍金輝.道路交通流短時預(yù)測方法綜述[J].自動化技術(shù)與應(yīng)用，2009（6）：8-9，16.

[5]陳曉利，王珂，彭金栓，等.基于改進GA-BP算法的節(jié)假日交通流量預(yù)測[J].公路交通技術(shù)，2018（6）：114-117.

[6]王征.多維空間bp神經(jīng)網(wǎng)絡(luò)的節(jié)假日高速公路網(wǎng)節(jié)點擁堵預(yù)測分析[J].公路，2016（4）：162-169.

（編輯 傅金睿）