節假日路網流量預測方法與實例分析

楊東 陸宇航 郭建華

摘 要：運用科學方法對公路網節假日交通流量的趨勢進行預測，是保障路網暢通運行的有效手段，在減輕路網擁堵、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測方法，計算同一節點下歷年節假日日流量與年平均日交通量（AADT）之間的相關關系，根據修正后的相關關系和預測年份的年平均日交通量實現對節假日流量的趨勢預測。以江蘇省鎮江市某節點2015年9月—2018年5月數據作為實例進行方法驗證，表明該模型在節假日流量趨勢預測方面具有實用性。

關鍵詞：交通流;趨勢預測;預測模型

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部物流的需要，發達的交通網絡無所不在。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，隨著經濟的發展，人均汽車保有量的增加以及物流業的快速發展，公路大面積擁堵已成為常態[2]。尤其在節假日期間，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象。因此預測節假日期間的交通流量趨勢，對確保路網運行暢通，提供便民服務具有重要意義[3]。

當前對節假日期間交通流量預測的研究可以劃分為短時預測和趨勢預測兩類。其中短時預測方法主要包括歷史平均法、移動平均法、指數平滑法、BP神經網絡預測算法、K近鄰預測算法、隨機時間序列算法等。郭敏[4]在此基礎上分析比較了各預測模型的優缺點及適用情況，給出了在道路交通預測中，應先對交通流量數據進行預處理，再對交通數據進行統計分析，尋找規律，建立模型，分析預測結果的一般流程。陳曉利[5]基于改進的GA-BP人工智能算法，構建了節假日交通流量預測模型和預警模型，并結合實測數據驗證了模型的可靠性、魯棒性。在趨勢預測方面，王征[6]提出了多維空間BP神經網絡的節假日高速公路網節點擁堵預測分析，通過對交通流量歷史數據進行小波逆變重構濾除原始數據含有的噪聲信息，再采用具有多維空間BP神經網絡方法進行建模預測。

現階段在節假日趨勢預測方面的工作總體較少，且主要的方法采用短時預測方法，難以適應節假日趨勢預測的需求。如何利用有限的節假日歷史數據，進行較為簡單準確的流量趨勢預測是個急需解決的問題。本文針對江蘇省鎮江市公路網某節點2015—2018年的實際流量數據進行分析，實現節假日流量的預測和評價。

1 預測方法

本文在歷史數據的基礎上實現節假日路網流量趨勢預測。首先，計算歷史數據中節假日日流量與該年年平均日交通量（AADT）的比值。針對節假日期間的趨勢預測時，可以對AADT的取法進行調整，當原始數據完整度較高時，以該節假日前一年內的歷史流量數據計算AADT。當歷史數據有缺失時，可采用該節假日前數個月內相對完整的數據計算平均日交通量作為參考值，以此參考值再計算相應比值。對于預測組，應采用與實驗組相同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表示歷史節假日流量，vhis表示歷史年平均日交通量。

然后，在根據實驗組數據計算出相應比值后，對該比值進行修正，使其可以應用于對未來節假日流量的趨勢預測中。根據實驗組數據長度及比值計算結果，可將修正部分分為以下3種情況：

（1）如果實驗組數據長度n=1時，只能采用該年數據計算出的比值λ應用于預測，不加以修正的情況，為不修正預測。此時預測值apre計算方法為：

上式中，vpre表示預測年份的年平均日交通量。

（2）如果實驗組數據為連續的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測。當連續多年的比值比較接近，或比值在一定區間波動時，修正比值可取每年比值的均值，此時預測值apre計算方法為：

當連續多年的可呈上升或下降趨勢時，可采用加權滑動平均法修正，此時預測值apre計算方法為：

在進行比值修正的過程中，可以根據現有的歷史數據采用多種方法進行計算結果，依據指標對多種修正方法進行適用性評價，可以從中選出針對該節點情況，預測誤差相對最小的修正方法，并以此作為經驗，推廣到對未來該節點的節假日流量趨勢預測中。

2 實例分析

2.1? 數據處理

由于公路網交通流量采集設備在進行數據采集工作時，會受到自然環境或者其他因素的干擾，這可能導致采集到的交通流量數據出現數據缺失或數據異常等問題，對于路網交通流量預測，數據問題會導致預測精度不符合預期，因此在預測之前需要進行相應的數據處理過程，獲得相對完整準確交通流量數據。本文所采取的江蘇省鎮江市公路網某節點觀測的2015—2018年的流量數據中，原始數據字段較多，數據量較大，且存在大量數據重復、數據缺失等問題，在建立模型之前，運用python語言，對原始數據進行清洗。

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

2.2? 模型建立

本節主要介紹依據本文敘述方法建立模型，并用鎮江數據進行實例驗證。考慮因節日時間長短對交通量的影響，將節假日分為三天和七天兩類，本文選取連續三年間“五一”勞動節3天和“十一”國慶節7天作為節假日預測對象，節假日期間日流量實測值情況如表1—2所示。

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

2.3 評價分析

本方法中的評價指標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表示預測值與實測值之間的誤差，ai表示實測值，即預測組節假日當天流量。

計算結果如表4所示。

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

3 結語

本文針對江蘇省鎮江市某交調站節假日交通量進行趨勢分析以及預測評價。結果顯示，在對節假日路網流量進行預測時，平均絕對百分誤差相對較低，預測精度較高，預測結果可用于公路交通信息發布，并可為交通流誘導措施制定提供數據基礎，具有實用性。

[參考文獻]

[1]交通運輸部.2019年交通運輸行業發展統計公報[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.道路交通流短時預測方法綜述[J].自動化技術與應用，2009（6）：8-9，16.

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

[6]王征.多維空間bp神經網絡的節假日高速公路網節點擁堵預測分析[J].公路，2016（4）：162-169.

（編輯 傅金睿）