节假日路网流量预测方法与实例分析

杨东 陆宇航 郭建华

摘 要：运用科学方法对公路网节假日交通流量的趋势进行预测，是保障路网畅通运行的有效手段，在减轻路网拥堵、提高游客出游满意度、提高出行效率等方面具有重要意义。文章提出了一种趋势预测方法，计算同一节点下历年节假日日流量与年平均日交通量（AADT）之间的相关关系，根据修正后的相关关系和预测年份的年平均日交通量实现对节假日流量的趋势预测。以江苏省镇江市某节点2015年9月—2018年5月数据作为实例进行方法验证，表明该模型在节假日流量趋势预测方面具有实用性。

关键词：交通流;趋势预测;预测模型

0 引言

随着人类文明的进步，为了满足人们的日常出行和内部物流的需要，发达的交通网络无所不在。截至2019年年末，中国公路总里程已达501.25万公里、高速公路达14.96万公里[1]，居世界第一。尽管如此，随着经济的发展，人均汽车保有量的增加以及物流业的快速发展，公路大面积拥堵已成为常态[2]。尤其在节假日期间，为了便民出行，高速公路实施免收过路费，交通拥堵更是常见现象。因此预测节假日期间的交通流量趋势，对确保路网运行畅通，提供便民服务具有重要意义[3]。

当前对节假日期间交通流量预测的研究可以划分为短时预测和趋势预测两类。其中短时预测方法主要包括历史平均法、移动平均法、指数平滑法、BP神经网络预测算法、K近邻预测算法、随机时间序列算法等。郭敏[4]在此基础上分析比较了各预测模型的优缺点及适用情况，给出了在道路交通预测中，应先对交通流量数据进行预处理，再对交通数据进行统计分析，寻找规律，建立模型，分析预测结果的一般流程。陈晓利[5]基于改进的GA-BP人工智能算法，构建了节假日交通流量预测模型和预警模型，并结合实测数据验证了模型的可靠性、鲁棒性。在趋势预测方面，王征[6]提出了多维空间BP神经网络的节假日高速公路网节点拥堵预测分析，通过对交通流量历史数据进行小波逆变重构滤除原始数据含有的噪声信息，再采用具有多维空间BP神经网络方法进行建模预测。

现阶段在节假日趋势预测方面的工作总体较少，且主要的方法采用短时预测方法，难以适应节假日趋势预测的需求。如何利用有限的节假日历史数据，进行较为简单准确的流量趋势预测是个急需解决的问题。本文针对江苏省镇江市公路网某节点2015—2018年的实际流量数据进行分析，实现节假日流量的预测和评价。

1 预测方法

本文在历史数据的基础上实现节假日路网流量趋势预测。首先，计算历史数据中节假日日流量与该年年平均日交通量（AADT）的比值。针对节假日期间的趋势预测时，可以对AADT的取法进行调整，当原始数据完整度较高时，以该节假日前一年内的历史流量数据计算AADT。当历史数据有缺失时，可采用该节假日前数个月内相对完整的数据计算平均日交通量作为参考值，以此参考值再计算相应比值。对于预测组，应采用与实验组相同AADT计算方法，确保拟合在同一水平。λ的计算公式如下：

上式中，ahis表示历史节假日流量，vhis表示历史年平均日交通量。

然后，在根据实验组数据计算出相应比值后，对该比值进行修正，使其可以应用于对未来节假日流量的趋势预测中。根据实验组数据长度及比值计算结果，可将修正部分分为以下3种情况：

（1）如果实验组数据长度n=1时，只能采用该年数据计算出的比值λ应用于预测，不加以修正的情况，为不修正预测。此时预测值apre计算方法为：

上式中，vpre表示预测年份的年平均日交通量。

（2）如果实验组数据为连续的n年（n≥2），每年计算出的流量比值分别为λ1，λ2，λ3，…，λn，则需要得到一个修正后的比值进行预测。当连续多年的比值比较接近，或比值在一定区间波动时，修正比值可取每年比值的均值，此时预测值apre计算方法为：

当连续多年的可呈上升或下降趋势时，可采用加权滑动平均法修正，此时预测值apre计算方法为：

在进行比值修正的过程中，可以根据现有的历史数据采用多种方法进行计算结果，依据指标对多种修正方法进行适用性评价，可以从中选出针对该节点情况，预测误差相对最小的修正方法，并以此作为经验，推广到对未来该节点的节假日流量趋势预测中。

2 实例分析

2.1  数据处理

由于公路网交通流量采集设备在进行数据采集工作时，会受到自然环境或者其他因素的干扰，这可能导致采集到的交通流量数据出现数据缺失或数据异常等问题，对于路网交通流量预测，数据问题会导致预测精度不符合预期，因此在预测之前需要进行相应的数据处理过程，获得相对完整准确交通流量数据。本文所采取的江苏省镇江市公路网某节点观测的2015—2018年的流量数据中，原始数据字段较多，数据量较大，且存在大量数据重复、数据缺失等问题，在建立模型之前，运用python语言，对原始数据进行清洗。

先依据数据编号字段筛选并去除重复的数据行，再将数据按照时间顺序排序，对缺失流量字段进行插值处理，得到相对完整的实验组数据。由于原始数据以5 min为汇聚度，需要将数据以天为单位进行汇聚，得到每日的交通量。

2.2  模型建立

本节主要介绍依据本文叙述方法建立模型，并用镇江数据进行实例验证。考虑因节日时间长短对交通量的影响，将节假日分为三天和七天两类，本文选取连续三年间“五一”劳动节3天和“十一”国庆节7天作为节假日预测对象，节假日期间日流量实测值情况如表1—2所示。

从实验组读取的数据中可计算出实验组、预测组AADT以及实验组节假日流量与AADT的比值λ。由于原始数据中只包含连续3年的节假日数据，在采用均值法和加权滑动平均法时计算结果相同。这里分别采用无修正预测和均值法修正预测，对劳动节和國庆节日流量情况进行预测，如表3所示。

2.3 评价分析

本方法中的评价指标采用平均绝对百分误差MAPE（Mean Absolute Percent Error）。其计算公式如下所示：

上式中，εi表示预测值与实测值之间的误差，ai表示实测值，即预测组节假日当天流量。

计算结果如表4所示。

从结果来看，本文所提出的方法在预测节假日路网流量时，MAPE在20%左右，具有一定参考价值。当选用3年原始数据进行预测时，有无修正预测的结果总体上接近，修正预测并不一定比无修正预测更为精准，推测原因可能是由于数据年份较少，导致年度比值变化的趋势无法完全展现。此外，不同日期的流量预测结果精度不同，部分日期精度预测精度很高，部分则很低，其原因可能与原始数据的缺失补偿方式有关。

3 结语

本文针对江苏省镇江市某交调站节假日交通量进行趋势分析以及预测评价。结果显示，在对节假日路网流量进行预测时，平均绝对百分误差相对较低，预测精度较高，预测结果可用于公路交通信息发布，并可为交通流诱导措施制定提供数据基础，具有实用性。

[参考文献]

[1]交通运输部.2019年交通运输行业发展统计公报[J].交通财会，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聚类与ARMA的交通流量预测方法[J].公路，2015（5）：124-129.

[4]郭敏，肖翔，蓝金辉.道路交通流短时预测方法综述[J].自动化技术与应用，2009（6）：8-9，16.

[5]陈晓利，王珂，彭金栓，等.基于改进GA-BP算法的节假日交通流量预测[J].公路交通技术，2018（6）：114-117.

[6]王征.多维空间bp神经网络的节假日高速公路网节点拥堵预测分析[J].公路，2016（4）：162-169.

（编辑 傅金睿）