摘要：為了給高速公路交通流精準(zhǔn)預(yù)測(cè)提供更準(zhǔn)確的方法，本文利用濟(jì)南西高速公路出口早晚高峰流量數(shù)據(jù)，采用SVM?BP神經(jīng)網(wǎng)絡(luò)組合模型進(jìn)行短時(shí)交通流預(yù)測(cè)，并對(duì)單一的SVM（支持向量機(jī)）模型、BP神經(jīng)網(wǎng)絡(luò)模型和組合模型的預(yù)測(cè)精度進(jìn)行比較和實(shí)證分析。當(dāng)樣本數(shù)量小于或等于120時(shí)，結(jié)果表明：①誤差對(duì)比：當(dāng)樣本數(shù)量大于22時(shí)，由于預(yù)測(cè)集與訓(xùn)練集數(shù)據(jù)分布本身存在差異且SVM模型訓(xùn)練完成后過于復(fù)雜導(dǎo)致三種模型的誤差逐漸變大。②預(yù)測(cè)精度：組合模型 BP神經(jīng)網(wǎng)絡(luò) SVM，組合模型的平均絕對(duì)誤差（MAE）提高了6.85%，遠(yuǎn)高于其他單一模型，驗(yàn)證了組合模型的有效性。

關(guān)鍵詞：道路工程；交通流預(yù)測(cè)；SVM?BP神經(jīng)網(wǎng)絡(luò)組合模型；出口流量；高速公路

中圖分類號(hào)：U491.1+12""""""""""""""""""""""""" 文獻(xiàn)標(biāo)識(shí)碼：A"""""""""""""""nbsp;"""""""""""""""""" 文章編號(hào)：1673?6478（2023）03-0102-06

Prediction of Expressway Exit Flow Based on SVM?BP Neural NetworkCombination Model

YU Cong DAI Hongna XU Xiaoliang SUN Zhaoyang LIU Xingguo

（1. School of Transportation and Logistics Engineering， Shandong Jiaotong University， Jinan Shandong 250357， China; 2. Don River College， Shandong Jiaotong University， Jinan Shandong 250357， China;3. Shandong Expressway Group Operation Management Department， Jinan Shandong 250357， China）

Abstract： To provide a more accurate method for the accurate prediction of expressway traffic flow， this paper uses the morning and evening peak flow data at the exit of Jinan West Expressway， uses the combination model based on SVM?BP neural network to predict short?term traffic flow， compares and empirically analyzes the prediction accuracy of a single SVM （support vector machine） model， BP neural network model and combination model. When the number of samples is less than or equal to 120， the results show： ①Error comparison： when the number of samples is greater than 22， the errors of the three models gradually increase due to the difference in the data distribution between the prediction set and the training set and the complexity of the SVM model after the training is completed. ②Prediction accuracy： Combined model BP neural network SVM， the mean absolute error （MAE） of the combined model is increased by 6.85%， much higher than other single models， which verifies the effectiveness of the combined model.

Key words： road engineering; traffic flow prediction; SVM?BP neural network combination model; exit flow; expressway

0 引言

高速公路以其安全、舒適、便捷、暢通等優(yōu)勢(shì)成為公眾城際出行的主要選擇，隨著城際出行需求的不斷增加、自然地質(zhì)災(zāi)害天氣頻繁發(fā)生、道路交通運(yùn)輸事故不斷增加，嚴(yán)重影響了區(qū)域高速公路的運(yùn)行效率。高速公路管理者想要實(shí)現(xiàn)主動(dòng)交通管制、提高居民的出行效率，就要準(zhǔn)確掌握各個(gè)出入口交通流量大小?，F(xiàn)有的交通流量預(yù)測(cè)方法主要包括小波預(yù)測(cè)、長(zhǎng)短期記憶網(wǎng)絡(luò)等，這些單一模型的預(yù)測(cè)精度并不是很高，且與實(shí)際流量相比相差甚遠(yuǎn)，因此更多學(xué)者將注意力轉(zhuǎn)移到利用組合模型[1?4]來提高預(yù)測(cè)精度。

組合模型即指利用合理的方法將原理不同的兩種模型加權(quán)組合，以提高模型預(yù)測(cè)精度。目前，組合模型的預(yù)測(cè)研究應(yīng)用廣泛，如航班延誤預(yù)測(cè)[5]、鋰電池壽命預(yù)測(cè)[6]、藥物性質(zhì)預(yù)測(cè)[7]、消費(fèi)者物價(jià)指數(shù)預(yù)測(cè)[8]、GDP預(yù)測(cè)[9]、文廟植物進(jìn)行評(píng)價(jià)[10]、火電廠日發(fā)電量預(yù)測(cè)[11]、進(jìn)出口貿(mào)易總額預(yù)測(cè)[12]、新生兒數(shù)量預(yù)測(cè)[13]等。在交通運(yùn)輸領(lǐng)域，組合模型更多的是被應(yīng)用于城市軌道交通與鐵路運(yùn)輸行業(yè)，文晶琳等學(xué)者[14]利用差分與季節(jié)性差分的方法處理數(shù)據(jù)，基于ARIMA（差分整合移動(dòng)平均自回歸）模型對(duì)城市軌道交通全線的月均客流量進(jìn)行預(yù)測(cè)并檢驗(yàn)其預(yù)測(cè)效果；孫越等學(xué)者[15]利用優(yōu)化算法將ARMA（自回歸滑動(dòng)平均）與LSTM（長(zhǎng)短期記憶網(wǎng)絡(luò)）模型結(jié)合，對(duì)鐵路客流量進(jìn)行預(yù)測(cè)，并將其預(yù)測(cè)結(jié)果與ARMA、LSTM及灰色模型進(jìn)行比較分析；趙明偉等學(xué)者[16]建立了IPSO?LSTM（粒子群優(yōu)化算法與長(zhǎng)短期記憶網(wǎng)絡(luò)）組合模型用于城市軌道交通客流預(yù)測(cè)。在高速公路交通流預(yù)測(cè)中，基于組合模型進(jìn)行研究的基本思路是以高速公路收費(fèi)數(shù)據(jù)為研究基礎(chǔ)，結(jié)合一個(gè)周期的流量數(shù)據(jù)，對(duì)交通流預(yù)測(cè)模型進(jìn)行對(duì)比評(píng)價(jià)分析。李佩鈺[17]以西安市某個(gè)路段某天的5min粒度下交通流量為例，驗(yàn)證其建立的小波分析?神經(jīng)網(wǎng)絡(luò)組合模型的優(yōu)劣程度；周宏等學(xué)者[18]采用美國(guó)某地的高速公路交通流數(shù)據(jù)，將其整理為15min間隔的流量，檢測(cè)其構(gòu)建的組合模型有效性。

綜上所述，在高速公路交通流預(yù)測(cè)研究中，對(duì)組合模型的研究相對(duì)缺乏且多數(shù)是對(duì)高速公路路段流量進(jìn)行研究，缺少對(duì)高速公路出口流量的預(yù)測(cè)研究。由于高速公路出口交通流量的大小對(duì)道路交通管理運(yùn)營(yíng)有很大的影響，未來流量的預(yù)測(cè)結(jié)果能夠幫助交管部門針對(duì)外出大量車流進(jìn)行提前約束和誘導(dǎo)，避免交通擁堵，緩解路網(wǎng)壓力，提高高速公路出行效率。

高速公路出口流量大，早晚高峰流量均大于平峰時(shí)期且具有周期性特點(diǎn)，高峰小時(shí)交通量普遍出現(xiàn)在早晚高峰時(shí)期。由于機(jī)器學(xué)習(xí)預(yù)測(cè)方法的準(zhǔn)確度遠(yuǎn)大于傳統(tǒng)的數(shù)學(xué)模型，SVM（支持向量機(jī)）拓?fù)浣Y(jié)構(gòu)簡(jiǎn)單，能很好地處理小樣本問題；BP神經(jīng)網(wǎng)絡(luò)模型能敏銳地發(fā)現(xiàn)數(shù)據(jù)之間潛在的規(guī)律，二者預(yù)測(cè)高速公路短時(shí)交通流的方法非常成熟[19?22]，但每種單一的研究方法都有自己的特點(diǎn)及使用的局限性，所反映的數(shù)據(jù)信息也存在一定的區(qū)別，因此只采用一種模型難免會(huì)丟失數(shù)據(jù)信息，故本文選取在SVM、BP神經(jīng)網(wǎng)絡(luò)兩個(gè)單一機(jī)器學(xué)習(xí)模型的基礎(chǔ)上，提出二者的組合模型，并利用山東省濟(jì)南市濟(jì)南西高速公路出口早晚高峰交通流量來檢驗(yàn)組合模型的優(yōu)越性及有效性。

1 基于SVM?BP神經(jīng)網(wǎng)絡(luò)的組合模型

1.1 支持向量機(jī)模型

1.2 BP神經(jīng)網(wǎng)絡(luò)模型

1.3 組合模型

2 案例分析

2.1 數(shù)據(jù)來源

由表1的數(shù)據(jù)可知，濟(jì)南西高速公路出口收費(fèi)站處車流量總體呈先上升后下降的趨勢(shì)，其中早高峰時(shí)間段最大流量達(dá)到311veh/15min，最小流量為113veh/15min；晚高峰時(shí)間段最大流量達(dá)到312veh/15min，最小流量為74veh/15min，7月3日—7月7日早晚高峰流量趨勢(shì)如圖3所示。

2.2 評(píng)價(jià)指標(biāo)

2.3 模型預(yù)測(cè)及結(jié)果分析

由圖4可知，SVM模型的個(gè)別樣本存在較大誤差，三種模型的預(yù)測(cè)誤差均在0.06范圍內(nèi)，當(dāng)樣本數(shù)量小于或等于22時(shí)，SVM模型的誤差 BP神經(jīng)網(wǎng)絡(luò) 組合模型；當(dāng)樣本數(shù)量大于22時(shí)，由于預(yù)測(cè)集與訓(xùn)練集數(shù)據(jù)分布本身存在差異且SVM模型訓(xùn)練完成后過于復(fù)雜導(dǎo)致三種模型誤差逐漸變大。為進(jìn)一步研究上述結(jié)論的準(zhǔn)確性，利用本文所采用的評(píng)價(jià)指標(biāo)及三種模型各個(gè)樣本誤差絕對(duì)值之和進(jìn)一步分析，MAE、MAPE、MSE、RMSE等各項(xiàng)評(píng)價(jià)指標(biāo)具體值如表3所示。

由表3可以看出，SVM模型中MSE最大為1.64，也是全部指標(biāo)中誤差最大的；BP神經(jīng)網(wǎng)絡(luò)模型中RMSE誤差最大為0.230"3；組合模型中RMSE誤差最大為0.211"8，可得SVM模型的誤差 BP神經(jīng)網(wǎng)絡(luò) 組合模型的結(jié)論。從評(píng)價(jià)指標(biāo)整體來看，組合模型的各項(xiàng)指標(biāo)較單一模型均有所提高，MAE提高了6.85%，MAPE提高了0.02%，MSE提高了0.82%，RMSE提高了1.84%，誤差之和減小了0.24%，可見組合模型的各項(xiàng)誤差均小于或等于單一模型，且穩(wěn)定性更好，預(yù)測(cè)結(jié)果更精確，故使用SVM?BP神經(jīng)網(wǎng)絡(luò)組合模型預(yù)測(cè)高速公路出口交通流的結(jié)果是有效的，比單一模型效果更優(yōu)，組合模型的有效性與優(yōu)越性得到了很好的驗(yàn)證，預(yù)測(cè)結(jié)果更符合實(shí)際出口早晚高峰交通流的變化趨勢(shì)。

3 結(jié)語

本文以山東省濟(jì)南西高速公路出口早晚高峰流量數(shù)據(jù)為研究對(duì)象，分析其變化趨勢(shì)，構(gòu)建SVM、BP神經(jīng)網(wǎng)絡(luò)及其組合模型進(jìn)行高速公路出口短時(shí)交通流預(yù)測(cè)，并采用MAE、MAPE、MSE等多個(gè)評(píng)價(jià)指標(biāo)對(duì)模型進(jìn)行評(píng)價(jià)分析。當(dāng)樣本數(shù)量小于或等于120時(shí)，結(jié)果表明：①當(dāng)樣本數(shù)量大于22時(shí)，由于預(yù)測(cè)集與訓(xùn)練集數(shù)據(jù)分布本身存在差異且SVM模型訓(xùn)練完成后過于復(fù)雜導(dǎo)致三種模型的誤差逐漸變大。②從評(píng)價(jià)指標(biāo)結(jié)果來看，15min粒度下組合模型的預(yù)測(cè)精度MAE提高了6.85%，MAPE提高了0.02%，MSE提高了0.82%，RMSE提高了1.84%，誤差之和減小了0.24%，且各項(xiàng)誤差均小于單一模型，它能夠準(zhǔn)確學(xué)習(xí)早晚高峰交通流量的客觀規(guī)律，實(shí)現(xiàn)小粒度高精度的短時(shí)預(yù)測(cè)，為提高高速公路收費(fèi)站通行能力的研究提供決策支撐。

參考文獻(xiàn)：

1. 田祥雨， 劉立龍， 楊可可， 等. BP神經(jīng)網(wǎng)絡(luò)和ARIMA模型的變權(quán)組合電離層TEC預(yù)報(bào)[J]. 桂林理工大學(xué)學(xué)報(bào)， 2019， 39（4）： 899?904.
2. ZHANG W B， YU Y H， QI Y， et al. Short term traffie flow prediction based on spatio temporal analysis and CNN deep learning[J]. Trans?portmetrica A：Transport Science， 2019， 15（2）： 1688?1711.
3. YANG H F， CHEN Y P P. Hybrid deep learning and empirical mode decomposition model for time series applications[J]. Expert Systems with Applications， 2019， 120： 128?138.
4. Cui Z， Henrickson K， Ke R， et al. Traffic graph convolutional recurrent neural network：A deep learning framework for network scale traffic learning and forecasting[J]. IEEE Transactions on Intelligent Transportation Systems， 2019， 21（11）： 4883?4894.
5. 羅軍， 李鵬飛， 羅鳳娥. 基于ARIMA?BP神經(jīng)網(wǎng)絡(luò)的航班延誤組合預(yù)測(cè)[J]. 航空計(jì)算技術(shù)， 2021， 51（5）： 51?54 59.
6. 楊洋.基于ARIMA和BP神經(jīng)網(wǎng)絡(luò)組合模型的鋰電池壽命預(yù)測(cè)[D]. ?？冢?海南大學(xué)， 2020.
7. 許美賢， 鄭琰， 李炎舉， 等. 基于PSO?BP神經(jīng)網(wǎng)絡(luò)與PSO?SVM的抗乳腺癌藥物性質(zhì)預(yù)測(cè)[J]. 南京信息工程大學(xué)學(xué)報(bào) （自然科學(xué)版） ， 2023， 15（1）： 51?65.
8. 孟毅. 時(shí)間序列ARIMA與BP神經(jīng)網(wǎng)絡(luò)組合模型在CPI預(yù)測(cè)中的應(yīng)用[J]. 山東農(nóng)業(yè)大學(xué)學(xué)報(bào) （自然科學(xué)版） ， 2018， 49（6）： 1079?1083.
9. 張秀華， 馬佳杰， 徐雷， 等. 基于組合模型的浙江省GDP預(yù)測(cè)研究[J]. 科技和產(chǎn)業(yè)， 2021， 21（12）： 370?376.
10. 鄭霞， 胡希軍， 張成林. 基于AHP?TOPSIS組合模型的湖南文廟植物評(píng)價(jià)[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào)， 2022， 42（3）： 193?204.
11. 程鵬遠(yuǎn)， 茅大鈞， 胡濤. 基于移動(dòng)平均及LSTM組合模型的火電廠日發(fā)電量預(yù)測(cè)研究[J]. 青海電力， 2021， 40（4）： 7?10 26.
12. 馮瀟， 黃昱馨. 基于機(jī)器學(xué)習(xí)組合模型的中國(guó)?東南亞進(jìn)出口貿(mào)易總額預(yù)測(cè)[J]. 商業(yè)經(jīng)濟(jì)， 2022（3）： 103?105.
13. 李浩迪， 劉一帆， 李夫明. 基于組合模型的新生兒數(shù)量預(yù)測(cè)[J]. 山東理工大學(xué)學(xué)報(bào) （自然科學(xué)版） ， 2022， 36（3）： 45?52.
14. 文晶琳， 鐘夢(mèng)娟， 吳文謙. 基于組合模型的城市軌道交通全線客流預(yù)測(cè)分析[J]. 科技風(fēng)， 2021（34）： 107?109.
15. 孫越， 宋曉宇， 金莉婷， 等. 基于ARMA?LSTM組合模型的鐵路客流量預(yù)測(cè)[J]. 計(jì)算機(jī)應(yīng)用與軟件， 2021， 38（12）： 262?267 273.
16. 趙明偉， 張文勝. 基于IPSO?LSTM組合模型的城市軌道交通短時(shí)客流預(yù)測(cè)[J]. 鐵道運(yùn)輸與經(jīng)濟(jì)， 2022， 44（2）： 123?130.
17. 李佩鈺. 一種基于小波和神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測(cè)[J]. 計(jì)算機(jī)技術(shù)與發(fā)展， 2020， 30（1）： 135?139.
18. 周宏， 劉釗. 基于時(shí)間序列的高速公路短時(shí)交通流最優(yōu)組合預(yù)測(cè)[J]. 工程與建設(shè)， 2018， 32（6）： 812?814.
19. 鄭義彬， 賴偉偉. 基于支持向量機(jī)的高速短時(shí)交通流量預(yù)測(cè)[J]. 工程與建設(shè)， 2020， 34（2）： 201?204.
20. 鄒宗民， 郝 龍， 李全杰， 等. 基于粒子群優(yōu)化?支持向量回歸的高速公路短時(shí)交通流預(yù)測(cè)[J]. 科學(xué)技術(shù)與工程， 2021， 21（12）： 5118?5123.
21. 黃艷國(guó)， 張碩. 基于改進(jìn)花朵授粉算法的BP神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)[J]. 現(xiàn)代電子技術(shù)， 2022， 45（5）： 146?151.
22. 曹潔， 沈鈞珥， 張紅， 等. 優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)方法[J]. 傳感器與微系統(tǒng)， 2020， 39（5）： 58?60 64.
23. 王德廣， 張軼楠. 基于多種模型組合的短時(shí)交通流預(yù)測(cè)[J]. 微型電腦應(yīng)用， 2022， 38（3）： 130?133.
24. 徐先峰， 夏振， 趙龍龍. 基于組合模型的短時(shí)交通流預(yù)測(cè)方法[J]. 測(cè)控技術(shù)， 2021， 40（3）： 117?122.
25. 李明明， 雷菊陽， 趙從健. 基于LSTM?BP組合模型的短時(shí)交通流預(yù)測(cè)[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用， 2019， 28（10）： 152?156.
26. 潘顯準(zhǔn). 基于ARIMA與BP神經(jīng)網(wǎng)絡(luò)組合模型的鐵礦石價(jià)格預(yù)測(cè)研究[D]. 大連： 大連理工大學(xué)， 2020.