基于天气因素影响的高速公路节假日出行交通量预测方法

技术领域

本发明属于道路交通流量预测技术领域，具体涉及基于天气因素影响的高速公路节假日出行交通量预测方法。

背景技术

随着高速公路覆盖率不断提升、高速公路联网收费系统逐步健全，高速公路在交通系统中承担着非常重要的功能。尤其是节假日期间，人们中长途出行需求增加，高速公路承担了跨市、跨省出行的主要运输。

针对节假日出行高峰信息发布和管控需求，高速公路监管部门需要在节假日前一周左右提前预测节假日的出行信息，提示出行者每日的出行总量变化、拥堵路段和时段等，因而需要对节假日出行OD进行提前预测。然而，目前高速公路出行量预测以两类研究为主，一是面向短时预测，二是面向中长期规划建设的交通量预测。中长期预测通常以往年的节假日出行规律为依据，结合历年的增长趋势进行趋势分析和预测，或结合宏观发展指标（如汽车保有量、地区生产总值、地区户籍人口数等）进行回归分析和预测。上述方法只能得到宏观的出行总量，预测粒度较粗，不足以支撑节假日出行信息发布和精细化管控需求。

短时预测则需要实时的检测数据作为输入，无法实现预警信息发布和提前制定管控措施的应用需求。针对提前一周的高速公路预测场景研究很少。而且由于节假日之间的间隔时间较长，受新增站点、出行需求增加、天气等因素影响，当前的路网和交通运行状态可能已经较去年同期节假日发生了较大变化。加上天气的多样性，导致历史样本数据较少，对交通出行量和OD分布的预测具有一定难度。

发明内容

本发明要解决的问题是基于天气因素影响下节假日的高速公路出行量的准确预测，提出基于天气因素影响的高速公路节假日出行交通量预测方法。

为实现上述目的，本发明通过以下技术方案实现：

一种基于天气因素影响的高速公路节假日出行交通量预测方法，包括如下步骤：

S1. 采集历史天气数据、历史节假日出行交通量数据，建立历史天气与出行交通量之间的相对影响系数；

S2. 基于步骤S1得到的历史天气与出行交通量之间的相对影响系数，构建基于天气数据的出行交通量转移模型；

S3. 基于步骤S1得到的历史节假日出行交通量数据，针对历史多个同类节假日的每日出行交通量进行分析，选取出行交通量基础特征，通过出行交通量基础特征之间交叉运算构造出行交通量衍生特征，然后构建基于历史出行交通量特征的多元线性回归模型；基于步骤S2构建的出行交通量转移模型，修正多元线性回归模型得到的预测出行交通量；

S4. 在节假日期间，采集到前一天的实际出行交通量数据后，通过对比实际出行交通量与基于步骤S3预测的对应日期出行交通量，修正节假日剩余日期的预测出行交通量，得到修正的节假日剩余日期的预测出行交通量；

S5. 基于步骤S2、步骤S3和步骤S4的方法，得到节假日每一天预测的每个起点出发量、每个终点到达量，基于历史特征日期的时间分配比例构建分层流路网出行交通量模型；

S6. 构建目标函数，利用反向梯度传播法对步骤S5得到的分层流路网出行交通量模型进行优化求解，得到基于天气因素影响的高速公路节假日出行交通量预测结果。

进一步的，步骤S1的具体实现方法包括如下步骤：

S1.1. 采集历史天气数据，所述历史天气数据包括日期、地区、天气类型，采集历史节假日出行交通量信息数据，所述历史节假日出行交通量信息数据包括日期、收费站、流量以及收费站所属地区；

S1.2. 建立历史天气与出行交通量之间的相对影响系数

；

其中，

进一步的，步骤S2定义因天气影响而减少的出行量为出行转出量，因天气影响而增加的出行量为出行转入量，根据天气影响系数计算总出行交通量，计算表达式为：

。

进一步的，步骤S3的具体实现方法包括如下步骤：

S3.1. 针对历史多个同类节假日的每日出行交通量进行分析，选取出行交通量基础特征，包括历史同期节日经过出行时间转移模型修正后的出行交通量特、历史同期节日节前一周平均出行交通量特征、预测节日的节前一周平均出行交通量特征、预测节日的常态一周平均出行交通量特征；

S3.2. 通过步骤S3.1选取的4个出行交通量基础特征，利用交叉运算构造出行交通量衍生特征，记为

S3.3. 基于

；

其中，

重复特征交叉和相关性筛选过程，保留重要出行交通量衍生特征集

S3.4. 建立基于历史出行交通量特征的多元线性回归模型，其中重要出行交通量衍生特征和预测出行交通量变量的矩阵形式为：

。

S3.5. 设置

。

进一步的，步骤S4的具体实现方法包括如下步骤：

S4.1. 假设节假日共

S4.2. 构建节假日预测出行交通量的修正系数

；

S4.3. 利用步骤S4.2得到的节假日预测出行交通量的修正系数更新节假日剩余

进一步的，步骤S5的具体实现方法包括如下步骤：

S5.1. 基于步骤S2、步骤S3和步骤S4的方法，得到节假日每一天预测的每个起点出发量

每个时刻

S5.2. 构建分层流路网出行交通量模型，包括出发站点层、OD层、路径层、旅行时间层、到达站点层；

S5.2.1. 出发站点层为出发量矩阵

S5.2.2. OD层：设置路网中的站点数为

S5.2.3. 路径层：基于历史个体出行路径数据，筛选每对OD之间出行次数最高的前

S5.2.4. 旅行时间层：基于历史个体出行数据计算每条路径的旅行时间

S5.2.5. 到达站点层：将到达流量按时间进行汇聚，得到每个站点每个时刻的到达流量

进一步的，步骤S6的具体实现方法包括如下步骤：

S6.1. 构建目标函数，计算表达式为：

；

S6.2. 以反向梯度传播法对步骤S6.1构建的目标函数进行优化求解，调整分配比例

本发明的有益效果：

本发明所述的一种基于天气因素影响的高速公路节假日出行交通量预测方法，适用于天气影响下的高速公路节假日中短期预测场景。

本发明所述的一种基于天气因素影响的高速公路节假日出行交通量预测方法，经实验验证，对节假日期间的日出行总量预测精度可达90%（MAPE）,站点进出量预测精度可达R2=94%。

本发明所述的一种基于天气因素影响的高速公路节假日出行交通量预测方法，可实现高速站点出发量、到达量和OD量的多层预测，提供了多维度的节假日出行状态预测，支撑进一步的节假日期间道路运行状态分析，支撑高速公路系统节假日预警信息发布和管控应用。

附图说明

图1为本发明所述的一种基于天气因素影响的高速公路节假日出行交通量预测方法的流程图；

图2为本发明所述的一种基于天气因素影响的高速公路节假日出行交通量预测方法的分层流路网OD出行量模型结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施方式，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅用以解释本发明，并不用于限定本发明，即所描述的具体实施方式仅仅是本发明一部分实施方式，而不是全部的具体实施方式。通常在此处附图中描述和展示的本发明具体实施方式的组件可以以各种不同的配置来布置和设计，本发明还可以具有其他实施方式。

因此，以下对在附图中提供的本发明的具体实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定具体实施方式。基于本发明的具体实施方式，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他具体实施方式，都属于本发明保护的范围。

为能进一步了解本发明的发明内容、特点及功效，兹例举以下具体实施方式，并配合附图1-附图2详细说明如下。

具体实施方式一：

一种基于天气因素影响的高速公路节假日出行交通量预测方法，包括如下步骤：

S1. 采集历史天气数据、历史节假日出行交通量数据，建立历史天气与出行交通量之间的相对影响系数；

进一步的，步骤S1的具体实现方法包括如下步骤：

S1.1. 采集历史天气数据，所述历史天气数据包括日期、地区、天气类型，采集历史节假日出行交通量信息数据，所述历史节假日出行交通量信息数据包括日期、收费站、流量以及收费站所属地区；

S1.2. 建立历史天气与出行交通量之间的相对影响系数

；

其中，

S2. 基于步骤S1得到的历史天气与出行交通量之间的相对影响系数，构建基于天气数据的出行交通量转移模型；

进一步的，步骤S2定义因天气影响而减少的出行量为出行转出量，因天气影响而增加的出行量为出行转入量，根据天气影响系数计算总出行交通量，计算表达式为：

；

S3. 基于步骤S1得到的历史节假日出行交通量数据，针对历史多个同类节假日的每日出行交通量进行分析，选取出行交通量基础特征，通过出行交通量基础特征之间交叉运算构造出行交通量衍生特征，然后构建基于历史出行交通量特征的多元线性回归模型；基于步骤S2构建的出行交通量转移模型，修正多元线性回归模型得到的预测出行交通量；

进一步的，步骤S3的具体实现方法包括如下步骤：

S3.1. 针对历史多个同类节假日的每日出行交通量进行分析，选取出行交通量基础特征，包括历史同期节日经过出行时间转移模型修正后的出行交通量特、历史同期节日节前一周平均出行交通量特征、预测节日的节前一周平均出行交通量特征、预测节日的常态一周平均出行交通量特征；

S3.2. 通过步骤S3.1选取的4个出行交通量基础特征，利用交叉运算构造出行交通量衍生特征，记为

S3.3. 基于

；

其中，

重复特征交叉和相关性筛选过程，保留重要出行交通量衍生特征集

S3.4. 建立基于历史出行交通量特征的多元线性回归模型，其中重要出行交通量衍生特征和预测出行交通量变量的矩阵形式为：

。

S3.5. 设置

；

S4. 在节假日期间，采集到前一天的实际出行交通量数据后，通过对比实际出行交通量与基于步骤S3预测的对应日期出行交通量，修正节假日剩余日期的预测出行交通量，得到修正的节假日剩余日期的预测出行交通量；

进一步的，步骤S4的具体实现方法包括如下步骤：

S4.1. 假设节假日共

S4.2. 构建节假日预测出行交通量的修正系数

；

S4.3. 利用步骤S4.2得到的节假日预测出行交通量的修正系数更新节假日剩余

S5. 基于步骤S2、步骤S3和步骤S4的方法，得到节假日每一天预测的每个起点出发量、每个终点到达量，基于历史特征日期的时间分配比例构建分层流路网出行交通量模型；

进一步的，步骤S5的具体实现方法包括如下步骤：

S5.1. 基于步骤S2、步骤S3和步骤S4的方法，得到节假日每一天预测的每个起点出发量

每个时刻

S5.2. 构建分层流路网出行交通量模型，包括出发站点层、OD层、路径层、旅行时间层、到达站点层；

S5.2.1. 出发站点层为出发量矩阵

S5.2.2. OD层：设置路网中的站点数为

S5.2.3. 路径层：基于历史个体出行路径数据，筛选每对OD之间出行次数最高的前

S5.2.4. 旅行时间层：基于历史个体出行数据计算每条路径的旅行时间

S5.2.5. 到达站点层：将到达流量按时间进行汇聚，得到每个站点每个时刻的到达流量

S6. 构建目标函数，利用反向梯度传播法对步骤S5得到的分层流路网出行交通量模型进行优化求解，得到基于天气因素影响的高速公路节假日出行交通量预测结果。

进一步的，步骤S6的具体实现方法包括如下步骤：

S6.1. 构建目标函数，计算表达式为：

；

S6.2. 以反向梯度传播法对步骤S6.1构建的目标函数进行优化求解，调整分配比例

本发明的技术关键点和欲保护点为：

1.天气与节假日叠加场景下，高速公路收费站进出量的中短期预测方法。

2.以起点流量、终点流量、历史的OD路径集和行程时间分布为可靠约束的路网OD流量反推方法。

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

虽然在上文中已经参考具体实施方式对本申请进行了描述，然而在不脱离本申请的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本申请所披露的具体实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本申请并不局限于文中公开的特定具体实施方式，而是包括落入权利要求的范围内的所有技术方案。