摘 ?要：交通量預測作為公路可行性研究的核心內(nèi)容，對其進行精準預測是對交通運輸規(guī)劃與管理研究的基礎。交通運輸問題隨著車輛的增多變得日益復雜，故交通量預測逐漸變成研究的熱點問題。本文結合智能計算、回歸分析及灰色模型等理論，通過優(yōu)化GM（1，1）模型，提出合理權重，結合回歸模型和優(yōu)化后的GM（1，1）模型，構建了優(yōu)化的交通量組合預測模型。最后，經(jīng)過溧馬高速實際數(shù)據(jù)的檢驗，驗證了該模型能夠有效提高交通量短時預測精度。

關鍵詞：交通量預測;回歸分析;GM模型;組合建模

中圖分類號：U491 ? ?文獻標識碼：A ? ? ? ? 文章編號：2096-6903（2021）03-0000-00

0 引言

當前，社會經(jīng)濟正在迅猛發(fā)展，在各類基礎產(chǎn)業(yè)中交通運輸是關鍵部分，其是提高社會經(jīng)濟效益的重要一環(huán)和必備條件。道路交通量的大小是體現(xiàn)道路運輸水平的重要標志，其中預測出的交通量是道路在進行交通規(guī)劃與建設時重要的技術參數(shù)，亦是決定道路等級，道路斷面、結構形式和標準等的重要基礎參數(shù)。因此正確預測交通量顯得特別重要。

在對路網(wǎng)展開具體規(guī)劃過程中，必須結合多方面的要素展開分析，其中比較典型的包括經(jīng)濟、交通供應等[1]。另外，如果存在社會、交通特征等相關信息較為缺乏的問題，采用數(shù)學模型推測未來交通量更具有可行性。對于普通的組合模型，通常運用線性組合，利用科學合適的加權平均辦法，給予各項不同權系數(shù)，并進行累加，從而得出組合預測模型。因此如何精準確定加權權系數(shù)是建立各組合模型的重點和難點，若賦予不同的加權權系數(shù)，實際獲得的組合預測模型也必然具有一定區(qū)別，在對組合預測模型性能進行評析過程中，其預測精度是十分重要的評價指標。

交通量信息系統(tǒng)由于會受到非自然因素、技術更新、自然環(huán)境變更等多重要素的影響，因此會存在數(shù)據(jù)偏差、暫缺甚至錯誤現(xiàn)象，如作用機制較為模糊，邊界關系難以有效描述等，所以它是比較具有代表性的灰色系統(tǒng)[2]。

灰色預測是依據(jù)過去和如今存在的信息，建立一個延伸至未來的模型，并進一步預測其在將來一段時間的走勢。針對經(jīng)典GM（1，1）模型而言[3]，它在灰色預測方面應用較多，最開始是由知名學者鄧聚龍?zhí)岢龅?，并且他還設計了多樣性的檢驗方法，其中比較典型的包括級比檢驗、后驗誤差檢驗等[4]。

本文基于此，將灰色模型與線性回歸模型連立起來，建立二者的組合預測模型。先分別分析得出回歸模型和GM（1，1）對溧馬高速公路未來的交通量進行短期預測后的預測結果，接著聯(lián)合二者得組合預測模型，經(jīng)過組合的預測模型預測未來的交通量，再次得到預測結果。最后比較三次預測結果的預測精度，通過研究發(fā)現(xiàn)，組合模型可達到充分組合運用這兩種模型的各自優(yōu)勢的目的，同時可提高預測的精度。

1 灰色理論模型

1.1經(jīng)典GM（1，1）模型

首先根據(jù)要求完成灰色系統(tǒng)的建模，在這之后對時間序列數(shù)據(jù)展開研究，此類數(shù)據(jù)很大程度上表現(xiàn)出離散的特點，如此就能夠獲得所需的連續(xù)微分方程，在進行計算過程中，絕大部分情況下優(yōu)先選用累加生成運算的方法，其生成函數(shù)從客觀的角度而言是灰色建模的必要前提。

1.2 改進GM（1，1）模型

1.2.1改進初始值

經(jīng)典GM（1，1）模型對應的初始值為 ，然而在掌握“新信息優(yōu)先使用”的基本原則之后，我們能夠發(fā)現(xiàn)它在GM（1，1）模型中能夠作出相對較大的貢獻，而現(xiàn)階段的初始值與該原則具有一定沖突，因此其誤差性也較為突出[5]。若設定 為模型的初始值，此時會丟失過去信息，因此此處可以假定 主要指代初始值[6]，而 ，可結合預測結果的極小值和誤差平方和[7]對 值進行分析。

2 組合預測模型

交通量能夠表現(xiàn)出多樣性的特點，其中比較典型的包括趨勢性、隨機波動性等，其與社會環(huán)境、交通系統(tǒng)的復雜性相關，故不能用單一的模型預測增長趨勢。各單一預測模型在不同的具體情況下有不同的優(yōu)缺點，也會受到各種條件約束，不能深入多方面來綜合考慮并較為準確預測交通量。如果將單一模型按合理的方法組合，最大化發(fā)揮各模型的優(yōu)勢，則有利于更加全面考慮影響因素，有利于提高預測精度。為更加準確的預測，不僅方法需創(chuàng)新，即采用云計算、大數(shù)據(jù)、深度學習和組合預測等;也需對能夠影響交通量的所有因素有更加深入的了解與認知。

3 案例分析

本文利用常合高速公路溧水至馬鞍山段（簡稱“溧馬高速”）的數(shù)據(jù)進行擬合建模研究。2013年末，溧馬高速公路順利通車，它是將江蘇南部與安徽東部進行有效銜接的快速通道。然而伴隨近些年該地區(qū)經(jīng)濟的快速發(fā)展，溧馬高速公路交通量持續(xù)增加，其實際的交通量已經(jīng)明顯超出預期的設計值，這給高速公路的運營、管理和養(yǎng)護等工作的開展帶來一定影響。因此，有必要針對新形勢，采用科學精確的方法預測其交通量，為相關決策提供依據(jù)。

目前，已經(jīng)獲取了溧馬高速2015至2018年共四年的實際交通量數(shù)據(jù)（如表2所示），本文分別采用各個模型來預測溧馬高速至2025年的交通量。

3.1 回歸分析模型

在處理溧馬高速實際交通量的過程中，發(fā)現(xiàn)交通量是明顯增長的，結合已知數(shù)據(jù)在SPSS中展開回歸分析，并通過多樣性的方式展開建模分析，其中比較典型的包括線性、二項式等。

由表可得，雖然存在部分組合預測模型的相對誤差明顯超過單個預測模型，然而從客觀角度來講，組合模型得到的結果更為理想，顯而易見，組合預測模型可以有效的體現(xiàn)優(yōu)良的預測精度，能夠為道路建設提供參考意見。

4 結論

本文采用組合預測模型進行預測，達到利用各單一模型的優(yōu)勢，進行優(yōu)勢互補。但是交通量的變化和眾多因素相關，包括社會經(jīng)濟發(fā)展，車輛保有率等，若僅靠歷年數(shù)據(jù)進行分析預測是遠遠不夠的，且若路網(wǎng)發(fā)生結構變化，區(qū)域路網(wǎng)不再連續(xù)，則該模型不能及時反映出路網(wǎng)的變化。在接下來的研究中，應考慮更多的影響因素，通過對更多數(shù)據(jù)集的統(tǒng)計分析，進而優(yōu)化模型，以彌補僅靠數(shù)據(jù)分析的誤差與不足。

參考文獻

張新天，羅曉輝.灰色理論與模型在交通量預測中的應用[J].公路，2001（8）：4-7.

王鵬，何荷.灰色理論在交通量預測中的應用[J].公路交通科技（應用技術版），2014，10（7）：325-327.

鄧聚龍.灰預測與灰決策[M].華中科技大學出版社，2002.

鄧聚龍.灰色系統(tǒng)基本方法[M].華中理工大學出版社，1987：110-11.

Zhang J. Improvement of Grey Forecasting Model and Its Application[J].Xian University of Technology，2008.

Dang Y， Liu S， Chen K. The GM Models That x（n） Be Taken as Initial Value[J].Kybernetes，2004，33（2）.

Liu Q L. The Grey Forecasting Model of the International Tourist of Henan[J].Henan Science，2010，28.

單銳，王淑花，高東蓮，等.基于時間序列模型與灰色模型的組合預測模型的研究[J].燕山大學學報，2012，36（1）：79-83.

收稿日期：2021-02-07

作者簡介：李大明（1976—），男，江蘇贛榆人，本科，工程師，研究方向：路橋工程。

Abstract：Traffic forecasting and accurate forecasting are central to highway feasibility studies and have important implications for traffic planning and management research. As the number of vehicles increases， transportation issues become more complex. A hot issue that theoretical researchers are concerned about is traffic forecasting， as traffic problems become more complex and the number of vehicles continues to grow. In this article， when optimizing a GM （1，1） model using regression analysis and gray model theory， we first combine intelligent calculations. Reasonable weights can be obtained by combining the regression model with the optimized GM （1，1） model. The establishment of a combination prediction model for linear traffic volume is mainly based on the gray model and the regression model. The actual data testing is mainly done on the Lima highway， and this model can effectively improve the accuracy of short-term traffic forecasts.

Key words： traffic flow theory; regression analysis; GM model; combination modeling