基于高速公路收費數據的交通分析預測研究與應用

摘要 針對高速公路路網運行壓力大、信息發布不及時等問題，文章基于高速公路聯網收費數據與路網運行特征，構建了交通運行狀態判別模型與交通流短時預測模型，并搭建了高速公路交通數據分析平臺。結果表明，模型能夠較為準確地評價路段擁堵等級并預測路段短時交通流量，分析平臺可為路網運行管理企業和出行公眾提供信息服務與決策支持。

關鍵詞 高速公路；擁堵評價；短時預測；信息發布

中圖分類號 U495 文獻標識碼 A 文章編號 2096-8949（2025）05-0037-03

0 引言

隨著國家高速公路快速發展和人民生活水平不斷提高，公眾對出行服務需求由“便其行”向“悅其行”升級。然而，高速公路供給的增長速度難以滿足機動車保有量持續攀升帶來的路網流量壓力，服務能力也無法滿足人民日益增長的高品質服務需求[1]，如何提升路網通行效率與服務效能成為高速公路管理單位亟待解決的問題。

該文通過路段運行狀態分析與短時交通流預測，掌握路網流量分布規律與未來一段時間的運行狀態，并通過交通數據分析平臺為高速運營管理部門和公眾出行提供數據和決策支持。

1 數據選取

選取2022年3月1日至3月7日山西壽陽收費站至杏花收費站間的ETC門架數據和關聯收費站數據開展研究。其中，ETC門架數據包括門架坐標、門架編號、門架類型等基礎數據，入口信息、交易時間、車型、車牌等交易數據[2]，以及車型、軸數、通行記錄等車輛數據；收費站數據包括站點名稱、出入口時間、車型、行駛里程等流水數據。為掌握高速公路路網最小間隔路段的交通流運行態勢，以ETC門架為節點將汾陽方向路段拆分為圖1所示的區間。

2 交通分析與預測

2.1 擁堵路段分析

結合交通運行狀態的影響因素，選取路網交通狀態的識別指標，并以此為參數構建基于BP神經網絡的路網交通狀態判別模型，實現順暢、較暢通、較擁擠、擁擠和擁堵等5個等級運行狀態的分析評價。

（1）指標選取

綜合考慮交通運行狀態的影響因素，擬選取平均車速、車流量和時間占有率作為交通狀態判別的指標參數。

平均車速即路段車輛的平均行駛速度，表示如下：

（1）

式中，Vxc——平均車速（km/h）；L——路段長度（km）；n——通過路段的車輛總數；ti——第i輛車通過路段的時間（h）。

車流量是指單位時間內通過檢測斷面的車輛數量，表示如下：

（2）

式中，Q——平均車流量（Pch/h）；N——平均通過某路段的車輛數；T——平均檢測時長（h）。

時間占有率是指車輛占用實際時長與檢測總時長的比值，表示如下：

（3）

式中，Qt——平均時間占有率（%）；T——平均檢測時長（h）；ti——平均第i輛車所占時長（h）；n——平均檢測時段內通過的車輛數。

（2）模型建立

考慮上述參數時空分布規律的隨機變化性，選定相鄰門架對應的車道平均車速、車流量、時間占有率及其組合變量，作為神經網絡判別交通狀態的輸入變量[3]，網絡輸出為交通流狀態。同時，選擇梯度算法進行神經網絡的權值參數調整，隱含層采用S形非線性函數，采用線性傳遞函數輸出神經元激活函數。

S形非線性函數表示如下：

（4）

線性傳遞函數表示如下：

（5）

梯度算法表示如下：

（6）

在完成輸入參數選擇和模型結構標定后，依次進行樣本數據處理和輸入、訓練樣本參數初始化、隱含層節點計算、輸入層誤差計算、誤差判別等工作[3]，并針對模型預測效果進行測試檢驗。

（3）擁堵評價

通過對2022年3月1日至7日雙向28個路段的運行狀態進行評價時發現，全路段呈現顯著的早晚高峰特征，且日均最大擁堵發生在上午9—11時和下午16—18時。同時，表現出“擁堵”狀態的路段共8個，其中汾陽方向“擁堵”次數由高到低的路段依次為3—5、11—13、1—3、19—15。基于此，可通過分析山西路網歷史通行數據掌握易擁堵的路段名稱及程度。

2.2 短時交通流預測

SARIMA模型廣泛應用于高速公路交通流的預測分析，在識別時間序列平穩性的基礎上對數據進行一階季節差分處理，消除季節趨勢后用AIC準則選擇最優模型進行短時流量預測。此次實驗訓練集和測試集的總樣本共336個，其中訓練集290個，占總樣本的86.3%。

（1）序列平穩性識別

以路段9—11為例，根據時間序列散點圖、自相關函數圖和偏自相關函數圖，以ADF單位根檢驗其方差、趨勢及其季節性變化規律，對序列平穩性進行識別[4-5]，結果如圖2所示：

由圖2（a）可以看出，Dickey-Fuller統計量p值為0，即現有證據下路段9—11的數據平穩，且數據具有明顯的周期性特征。同時，由圖2（b）和（c）可以看出時間序列具有相關性，且非白噪聲，因此考慮建立季節ARIMA模型。

（2）模型建立

對序列數據進行一階季節差分處理后，Dickey-Fuller統計量p值仍為0，即在顯著性水平為0.05的情況下，差分后的序列依舊平穩。同時，考慮一階季節性差分后的數據偏相關函數、自相關函數均拖尾，需建立SARIMA （p，d，q）（P，D，Q）模型，其中D=1，p，d，P，Q均在[0，4]區間內遍歷，并根據AIC準則選取最優模型。

（3）動態預測

基于SARIMA（2，0，3）（0，1，2）模型進行交通流的動態預測。如圖3所示，為路段9—11的真實值與預測值的對比。由圖3可以看出，曲線大致吻合，平均絕對百分比誤差MAPE為0.089 821，模型預測準確率較高。

3 交通數據分析平臺建設與應用

高速公路交通數據分析平臺匯聚高速路段、ETC門架、收費站、事件等數據，通過互聯網、移動專網或交通專網等將流量、流向、路況等數據上傳至服務器，再通過平臺層的交通預測、路段運行評價、定向信息推送等算法庫，實現路網運行態勢的實時監測與預測分析。

3.1 功能實現

（1）地圖總覽

重點展示山西省內路段、收費站，以及門架的名稱、位置、編號等基礎信息，支持點擊相應路段、收費站和門架以信息彈框方式展示月、季、年、節假日等對應流量、流向信息。

（2）路網車流量

重點展示全省車流總量、客貨車占比，省內當月每日車流量、客貨車流量、跨省流量及其他車流量增長趨勢，進出省車流總數、客貨車占比等跨省流量情況，往來省份車流總量、客貨車流量排名，以及省內各路段月均、日均車流量等。

（3）收費站車流量

重點展示省內收費站車流總量，排名前20的收費站出入口車流總量，客貨車、跨省等的車流量，以及出入口跨省車流量排名前10、節假日日均車流量排名前10的收費站流量等。

（4）ETC門架流量

重點展示各門架上下行車流總量，客貨車流量，跨省、重點車輛、空車等流量，節假日門架每日上、下行車流總量，客貨車、跨省、重點車輛、空車等流量。

（5）統計分析

重點展示開展路段、收費站、省界門架等流量、流向數據的統計分析，支持報表一鍵導出。

3.2 交通預測

構建高速公路數據分析、交通預測、路段運行評價、定向信息推送等場景算法庫，實現易擁堵路段、時段及程度，易擁堵收費站、時段及程度，管制路段及時段等實時監測與預測分析，為路徑規劃、差異化信息推送及公眾出行決策等提供算法支撐。

3.3 信息發布

為提升公眾快速通行體驗感和品質服務獲得感，基于交通數據分析平臺算法庫的預測結果，利用山西出行服務APP/小程序、情報板等渠道為公眾提供實時路況、流量預測等信息服務，具體包括以下幾個方面：

節假日專報。以專報方式向出行公眾發布車流高峰時段、易擁堵路段、易飽和服務區、大流量收費站等服務信息。

路徑規劃。用戶輸入出發時間、出發地和目的地后，為其展示規劃路徑的通行路線、通行時長、途經路段擁堵程度及沿途收費站狀態等信息。

實時預警。基于用戶位置，通過彈窗、語音播報等方式為用戶個性化推送擁堵等預測信息，也可通過情報板向公眾無差別發布擁堵信息。

4 結束語

針對高速公路路網運行效率與服務效能提升的迫切需求，該文首先通過構建交通運行狀態判別模型實現了路段擁堵的分級評價，并基于動態SARIMA模型實現了交通態勢的短時預測；其次，搭建了高速公路交通數據分析平臺，實現路網運行態勢的監測與預測；最后，通過移動終端、可變情報板等渠道為公眾出行時間和路線選擇提供了科學的決策支持。

參考文獻

[1]紀宏瑋.高速公路公眾出行服務平臺設計及實現[J].信息與電腦（理論版）， 2023（13）：160-163.

[2]謝鵬遠.高速公路AI稽核系統建設及數據分析[J].中國交通信息化， 2022（7）：95-98+103.

[3]單飛，章晨，何杰，等.基于聯網收費數據的高速公路交通擁擠識別方法研究[J].山東交通科技， 2016（3）：6-9+17.

[4]尹左斌，鄭鵬輝，梅家農，等.ARIMA模型在鐵路貨運量預測中的應用[J].鐵道貨運， 2008（6）：8-11+1.

[5]倪利華，陳笑蓉.ARIMA模型結合小波去噪的貴陽城市交通流預測[J].貴州大學學報（自然科學版）， 2011（5）：87-91+103.