CN115909748B - 节假日公路交通量预测方法、电子设备及存储介质 - Google Patents
节假日公路交通量预测方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115909748B CN115909748B CN202310021156.7A CN202310021156A CN115909748B CN 115909748 B CN115909748 B CN 115909748B CN 202310021156 A CN202310021156 A CN 202310021156A CN 115909748 B CN115909748 B CN 115909748B
- Authority
- CN
- China
- Prior art keywords
- traffic
- holiday
- cell
- features
- traffic volume
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012417 linear regression Methods 0.000 claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 238000010276 construction Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000010219 correlation analysis Methods 0.000 claims abstract description 8
- 238000013461 design Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 16
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 6
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 230000032823 cell division Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
节假日公路交通量预测方法、电子设备及存储介质,属于智能交通监控预警技术领域。为解决节前***高速公路节假日期间交通量问题。本发明利用特征工程设计方法,选取4个基本特征,进行特征构造,得到构造的特征集合;采用Pearson相关系数对构造的特征集合中的特征及预测标签进行相关性分析,筛选重要特征,得到重要特征集合;建立多元线性回归模型,设置预测精度指标;采集历史节假日高速公路交通量数据,对采集的历史节假日高速公路交通量数据进行训练,得到多元线性回归模型的待定系数矩阵;基于得到的多元线性回归模型的待定系数矩阵,对节假日分时分小区的交通量进行预测。本发明提升节假日高速公路交通量预测精度。
Description
技术领域
本发明属于智能交通监控预警技术领域,具体涉及一种节假日公路交通量预测方法、电子设备及存储介质。
背景技术
高速公路交通量预测是高速公路运营管控关注的重要问题。近两年来,一方面受益于高速公路联网收费***的建成,汇聚了大量的高速公路交通数据,可以充分反映路网的交通状况;另一方面高速公路受到出行管控事件影响,道路通行量出现新的状态趋势。
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***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,因而需要对节假日出行交通量进行***。目前高速公路出行量预测以两类研究为主,一是面向中长期规划建设的交通量预测,中长期规划建设的交通量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。二是面向短时预测,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。但针对提前一周的预测场景研究较少。
文章“基于出口流水数据的高速公路节假日日OD交通量分布预测”发表了以高速公路联网收费产生出口流水为数据支撑,综合考虑影响高速公路OD出行需求的多种因素,提出构建多维线性回归模型预测重大节假日总OD交通量,再根据往年各日占总量比例的均值将总量分配至各日的节假日OD交通量分布预测方法,但只预测了节假日期间的OD总量并按历史比例分配到天,预测粒度较粗,且不适用于事件冲击下出行比例分配与历史偏差较大的场景。
文章“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”发表了通过小波变换处理数据噪声,建立多维BP神经网络预测第二年节假日期间每5min的流量数据,预测精度达到76%。但该方法只参考了历史节假日数据,而没有充分利用节前数据,预测精度并不高。
发明内容
本发明要解决的问题是为了解决节前***高速公路节假日期间交通量问题,提出一种节假日公路交通量预测方法、电子设备及存储介质。
为实现上述目的,本发明通过以下技术方案实现:
一种节假日公路交通量预测方法,包括如下步骤:
S1、利用特征工程设计方法,选取基本特征,进行特征构造,得到构造的特征集合;
S2、采用Pearson相关系数对步骤S1的构造的特征集合中的特征及预测标签进行相关性分析,筛选重要特征,得到重要特征集合;
S3、建立多元线性回归模型,设置预测精度指标;
S4、采集历史节假日高速公路交通量数据,对采集的历史节假日高速公路交通量数据通过步骤S1-S3进行训练,得到多元线性回归模型的待定系数矩阵;
S5、基于步骤S4得到的多元线性回归模型的待定系数矩阵,对节假日分时分小区的交通量进行预测。
进一步的,步骤S1的具体实现方法包括如下步骤:
S1.1、基本特征的个数为4个,包括:历史相同节日的交通量为x1(i,t),历史相同节日的节前一周平均交通量为x2(i,t),预测年的节日前一周平均交通量为x3(i,t),预测年的常态一周平均交通量为x4(i,t),i为交通小区,t为时间片;
S1.2、基于基本特征进行特征构造,得到特征集合:
S1.2.1、4个基本特征之间交叉相除生成12个比例特征,计算公式为:
S1.2.2、4个基本特征和12个比例特征之间交叉相乘生成48个一次交叉特征,计算公式为:
S1.2.3、48个一次交叉特征和12个比例特征之间交叉相乘生成528个二次交叉特征,计算公式为:
S1.3、将步骤S1.2构造的特征记为V={Xj:j=1,2,…,528},Xj={xj(i,t):i∈Z,t∈T},其中,V为特征集合,Xj为第j个构造的特征项,交通小区的个数为Z个,T为时间集合。
进一步的,步骤S2的具体实现方法包括如下步骤:
S2.1、设置Pearson相关系数计算方程为:
其中,Y为节假日的分时分小区交通量,ρ(Xj,Y)为相关系数,E为均值,σY为Y的方差,为Xj的方差,/>为Xj的均值,μY为Y的均值;
S2.2、设定相关系数的阈值为δ,将步骤S1步骤构造的分小区分日期的时间序列特征进行Pearson相关系数计算,当相关系数ρ(Xj,Y)>δ,则筛选为重要特征,得到重要特征集合V'={Xj':j=1,2,…,n},j的个数为n个。
进一步的,所述节假日的分时分小区交通量为预测标签。
进一步的,步骤S3的具体实现方法包括如下步骤:
S3.1、设置多元线性回归方程为:
其中,为第i个交通小区的第m个样本的第n个特征,/>为第i个交通小区的第m个样本的标签,/>为第i个交通小区第n个特征的系数;
S3.2、设置多元线性回归方程的矩阵为:
Yi=V'iAi
其中:Yi为第i个交通小区的所有节假日分时间片样本数据、共m个样本,V'i为经过相关性分析后得到的第i个交通小区的重要特征集合、包括n×m个特征项,Ai为多元线性回归方程的第i个交通小区的系数矩阵;
S3.3、设置预测精度指标:
S3.3.1、日交通量为所有交通小区的全天交通量,采用平均绝对误差百分比MAPE指标量化预测误差,计算公式为:
其中,yi为样本真实值,为样本预测值;
S3.3.2、分时交通量为每15min所有交通小区的总交通量,采用MAPE指标量化预测误差;
S3.3.3、分小区日交通量为每个交通小区的日交通量,采用无量纲的指标R2量化预测误差,计算公式为:
其中,为样本均值;
S3.3.4、分时分小区交通量为每15min的各交通小区的交通量,采用绝对误差AE指标量化预测误差,计算公式为:
计算平均绝对误差MAE和每15min预测值AE≤15的交通小区占总交通小区的比例来衡量准确度;
进一步的,步骤S4的具体实现方法包括如下步骤:
S4.1、采集交通小区一年的历史节假日高速公路交通量数据,代入步骤S1中得到输入数据为特征集合V={Xj:j=1,2,…,528},交通小区的个数为Z个,第i个交通小区i∈Z;
S4.2、将步骤S4.1的特征集合代入步骤S2中,遍历每个特征并计算相关系数ρ(Xj,Y),然后根据设定阈值δ筛选重要特征,得到重要特征数据集合V'={V'i:i∈Z},S={j:1,2,…,n},S为重要特征序号的集合;
S4.3、遍历每个交通小区,代入步骤S3求解多元线性回归系数矩阵,计算公式为:
其中,argminAi表示||V'iAi-Yi||2值取到最小时Ai的值。
进一步的,步骤S5的具体实现方法包括如下步骤:
S5.1、输入数据:特征集合V={Xj:j=1,2,…,528},重要特征集合S,多元线性回归矩阵系数Ai;
S5.2、选取S中的重要特征序号,得到重要特征数据集合V'={V'i:i∈Z};
S5.3、遍历每个交通小区,代入多元线性回归系数矩阵Ai,对节假日分时分小区的交通量进行预测,得到:
Yi←V'iAi。
电子设备,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现所述的一种节假日公路交通量预测方法的步骤。
计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的一种节假日公路交通量预测方法。
本发明的有益效果:
本发明所述的一种节假日公路交通量预测方法,设计特征工程挖掘交通量变化,基于多元线性回归模型实现节假日期间分时、分交通小区的交通量预测,支持高速公路节假日出行信息发布。
本发明所述的一种节假日公路交通量预测方法,通过实验验证了该方法的适用性:
常态下,节假日预测的日交通量精度>92%,分时交通量精度>85%,分小区交通量精度>0.95,分时分小区交通量预测误差不超过15的比例>85%。
出行管控下,节假日预测的日交通量精度>81%,分时交通量精度>80%,分小区交通量精度>0.90,分时分小区交通量预测误差不超过15的比例>88%。
本发明所述的一种节假日公路交通量预测方法,可实现节假日分时分交通小区交通量预测,提供了细粒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。
附图说明
图1为本发明所述的一种节假日公路交通量预测方法的流程示意图。
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,并配合附图详细说明如下:
具体实施方式一:
一种节假日公路交通量预测方法,包括如下步骤:
S1、利用特征工程设计方法,选取基本特征,进行特征构造,得到构造的特征集合;
历史节假日数据是预测年节假日数据的重要依据之一,根据节假日日交通量变化趋势及对比分析,选取以下4个基本特征;
进一步的,步骤S1的具体实现方法包括如下步骤:
S1.1、基本特征的个数为4个,包括:历史相同节日的交通量为x1(i,t),历史相同节日的节前一周平均交通量为x2(i,t),预测年的节日前一周平均交通量为x3(i,t),预测年的常态一周平均交通量为x4(i,t),i为交通小区,t为时间片;
历史相同节日的交通量及其历史相同节日的节前一周平均交通量的关系是反映节假日对交通出行量影响效应的重要指标,预测年的常态一周平均交通量,即常态无特殊事件下的交通量与预测年的节日前一周平均交通量的关系是反映是否存在新的状态趋势;
S1.2、基于基本特征进行特征构造,得到特征集合:
S1.2.1、4个基本特征之间交叉相除生成12个比例特征,计算公式为:
S1.2.2、4个基本特征和12个比例特征之间交叉相乘生成48个一次交叉特征,计算公式为:
S1.2.3、48个一次交叉特征和12个比例特征之间交叉相乘生成528个二次交叉特征,计算公式为:
S1.3、将步骤S1.2构造的特征记为V={Xj:j=1,2,…,528},Xj={xj(i,t):i∈Z,t∈T},其中,V为特征集合,Xj为第j个构造的特征项,交通小区的个数为Z个,T为时间集合;
S2、采用Pearson相关系数对步骤S1的构造的特征集合中的特征及预测标签进行相关性分析,筛选重要特征,得到重要特征集合;
进一步的,步骤S2的具体实现方法包括如下步骤:
S2.1、设置Pearson相关系数计算方程为:
其中,Y为节假日的分时分小区交通量,ρ(Xj,Y)为相关系数,E为均值,σY为Y的方差,为Xj的方差,/>为Xj的均值,μY为Y的均值;
S2.2、设定相关系数的阈值为δ,将步骤S1步骤构造的分小区分日期的时间序列特征进行Pearson相关系数计算,当相关系数ρ(Xj,Y)>δ,则筛选为重要特征,得到重要特征集合V'={Xj':j=1,2,…,n},j的个数为n个;
进一步的,所述节假日的分时分小区交通量为预测标签;
S3、建立多元线性回归模型,设置预测精度指标;
进一步的,步骤S3的具体实现方法包括如下步骤:
S3.1、设置多元线性回归方程为:
其中,为第i个交通小区的第m个样本的第n个特征,/>为第i个交通小区的第m个样本的标签,/>为第i个交通小区第n个特征的系数;
S3.2、设置多元线性回归方程的矩阵为:
Yi=V'iAi
其中:Yi为第i个交通小区的所有节假日分时间片样本数据、共m个样本,V'i为经过相关性分析后得到的第i个交通小区的重要特征集合、包括n×m个特征项,Ai为多元线性回归方程的第i个交通小区的系数矩阵;
S3.3、设置预测精度指标:
S3.3.1、日交通量为所有交通小区的全天交通量,采用平均绝对误差百分比MAPE指标量化预测误差,计算公式为:
其中,yi为真实值,为预测值;
S3.3.2、分时交通量为每15min所有交通小区的总交通量,采用MAPE指标量化预测误差;
S3.3.3、分小区日交通量为每个交通小区的日交通量,采用无量纲的指标R2量化预测误差,计算公式为:
其中,为样本均值;
S3.3.4、分时分小区交通量为每15min的各交通小区的交通量,采用绝对误差AE指标量化预测误差,计算公式为:
计算平均绝对误差MAE和每15min预测值AE≤15的交通小区占总交通小区的比例来衡量准确度;
S4、采集历史节假日高速公路交通量数据,对采集的历史节假日高速公路交通量数据通过步骤S1-S3进行训练,得到多元线性回归模型的待定系数矩阵;
进一步的,步骤S4的具体实现方法包括如下步骤:
S4.1、采集交通小区一年的历史节假日高速公路交通量数据,代入步骤S1中得到输入数据为特征集合V={Xj:j=1,2,…,528},交通小区的个数为Z个,第i个交通小区i∈Z;
S4.2、将步骤S4.1的特征集合代入步骤S2中,遍历每个特征并计算相关系数ρ(Xj,Y),然后根据设定阈值δ筛选重要特征,得到重要特征数据集合V'={V'i:i∈Z},S={j:1,2,…,n},S为重要特征序号的集合;
S4.3、遍历每个交通小区,代入步骤S3求解多元线性回归系数矩阵,计算公式为:
其中,表示/>值取到最小时Ai的值;
S5、基于步骤S4得到的多元线性回归模型的待定系数矩阵,对节假日分时分小区的交通量进行预测;
进一步的,步骤S5的具体实现方法包括如下步骤:
S5.1、输入数据:特征集合V={Xj:j=1,2,…,528},重要特征集合S,多元线性回归矩阵系数Ai;
S5.2、选取S中的重要特征序号,得到重要特征数据集合V'={V'i:i∈Z};
S5.3、遍历每个交通小区,代入多元线性回归系数矩阵Ai,对节假日分时分小区的交通量进行预测,得到:
Yi←V'iAi。
本实施方式所述的一种节假日公路交通量预测方法,通过实验验证了该方法的适用性:在常态下,节假日预测的日交通量精度>92%,分时交通量精度>85%,分小区交通量精度>0.95,分时分小区交通量预测误差不超过15的比例>85%。在出行管控下,节假日预测的日交通量精度>81%,分时交通量精度>80%,分小区交通量精度>0.90,分时分小区交通量预测误差不超过15的比例>88%,预测结果如表1所示:
表1一种节假日公路交通量预测结果
具体实施方式二:
电子设备,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现具体实施方式一所述的一种节假日公路交通量预测方法的步骤。
本发明的计算机装置可以是包括有处理器以及存储器等装置,例如包含中央处理器的单片机等。并且,处理器用于执行存储器中存储的计算机程序时实现上述的一种节假日公路交通量预测方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵
列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
具体实施方式三:
计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现具体实施方式一所述的一种节假日公路交通量预测方法。
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质,包括但不限于非易失性存储器、易失性存储器、铁电存储器等,计算机可读存储介质上存储有计算机程序,当计算机装置的处理器读取并执行存储器中所存储的计算机程序时,可以实现上述的一种节假日公路交通量预测方法的步骤。
所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本发明的技术关键点和欲保护点为:
1节假日场景下,高速公路交通量的中短期预测方法。
2在对高速公路历史节假日交通量分析的基础上,从节假日带来的交通量增长和特殊事件产生的新态势两个方面进行特征挖掘和构造,并通过构造特征与预测标签之间的相关性分析,设计了一组节假日交通量预测的特征组合。通过建立多元线性回归模型,利用构造特征对节假日分时分交通小区的交通量进行预测。
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。
Claims (6)
1.一种节假日公路交通量预测方法,其特征在于:包括如下步骤:
S1、利用特征工程设计方法,选取基本特征,进行特征构造,得到构造的特征集合;
步骤S1的具体实现方法包括如下步骤:
S1.1、基本特征的个数为4个,包括:历史相同节日的交通量为x1(i,t),历史相同节日的节前一周平均交通量为x2(i,t),预测年的节日前一周平均交通量为x3(i,t),预测年的常态一周平均交通量为x4(i,t),i为交通小区,t为时间片;
S1.2、基于基本特征进行特征构造,得到特征集合:
S1.2.1、4个基本特征之间交叉相除生成12个比例特征,计算公式为:
S1.2.2、4个基本特征和12个比例特征之间交叉相乘生成48个一次交叉特征,计算公式为:
S1.2.3、48个一次交叉特征和12个比例特征之间交叉相乘生成528个二次交叉特征,计算公式为:
S1.3、将步骤S1.2构造的特征记为V={Xj:j=1,2,…,528},Xj={xj(i,t):i∈Z,t∈T},其中,V为特征集合,Xj为第j个构造的特征项,交通小区的个数为Z个,T为时间集合;
S2、采用Pearson相关系数对步骤S1的构造的特征集合中的特征及预测标签进行相关性分析,筛选重要特征,得到重要特征集合;
所述节假日的分时分小区交通量为预测标签;
S3、建立多元线性回归模型,设置预测精度指标;
步骤S3的具体实现方法包括如下步骤:
S3.1、设置多元线性回归方程为:
其中,为第i个交通小区的第m个样本的第n个特征,/>为第i个交通小区的第m个样本的标签,/>为第i个交通小区第n个特征的系数;
S3.2、设置多元线性回归方程的矩阵为:
Yi=V'iAi
其中:Yi为第i个交通小区的所有节假日分时间片样本数据、共m个样本,V'i为经过相关性分析后得到的第i个交通小区的重要特征集合、包括n×m个特征项,Ai为多元线性回归方程的第i个交通小区的系数矩阵;
S3.3、设置预测精度指标:
S3.3.1、日交通量为所有交通小区的全天交通量,采用平均绝对误差百分比MAPE指标量化预测误差,计算公式为:
其中,yi为第i个交通小区样本真实值,为第i个交通小区样本预测值,w为交通小区的总个数;
S3.3.2、分时交通量为每15min所有交通小区的总交通量,采用MAPE指标量化预测误差;
S3.3.3、分小区日交通量为每个交通小区的日交通量,采用无量纲的指标R2量化预测误差,计算公式为:
其中,为第i个交通小区样本均值;
S3.3.4、分时分小区交通量为每15min的各交通小区的交通量,采用绝对误差AE指标量化预测误差,计算公式为:
计算平均绝对误差MAE和每15min预测值AE≤15的交通小区占总交通小区的比例来衡量准确度;
S4、采集历史节假日高速公路交通量数据,对采集的历史节假日高速公路交通量数据通过步骤S1-S3进行训练,得到多元线性回归模型的待定系数矩阵;
S5、基于步骤S4得到的多元线性回归模型的待定系数矩阵,对节假日分时分小区的交通量进行预测。
2.根据权利要求1所述的一种节假日公路交通量预测方法,其特征在于:步骤S2的具体实现方法包括如下步骤:
S2.1、设置Pearson相关系数计算方程为:
其中,Y为节假日的分时分小区交通量,ρ(Xj,Y)为相关系数,E为均值,σY为Y的方差,为Xj的方差,/>为Xj的均值,μY为Y的均值;
S2.2、设定相关系数的阈值为δ,将步骤S1步骤构造的分小区分日期的时间序列特征进行Pearson相关系数计算,当相关系数ρ(Xj,Y)>δ,则筛选为重要特征,得到重要特征集合V'={Xj':j=1,2,…,n},j的个数为n个。
3.根据权利要求2所述的一种节假日公路交通量预测方法,其特征在于:步骤S4的具体实现方法包括如下步骤:
S4.1、采集交通小区一年的历史节假日高速公路交通量数据,代入步骤S1中得到输入数据为特征集合V={Xj:j=1,2,…,528},交通小区的个数为Z个,第i个交通小区i∈Z;
S4.2、将步骤S4.1的特征集合代入步骤S2中,遍历每个特征并计算相关系数ρ(Xj,Y),然后根据设定阈值δ筛选重要特征,得到重要特征集合V'={V'i:i∈Z},S={j:1,2,…,n},S为重要特征序号的集合;
S4.3、遍历每个交通小区,代入步骤S3求解多元线性回归系数矩阵,计算公式为:
其中,表示||V'iAi-Yi||2值取到最小时Ai的值。
4.根据权利要求3所述的一种节假日公路交通量预测方法,其特征在于:步骤S5的具体实现方法包括如下步骤:
S5.1、输入数据:特征集合V={Xj:j=1,2,…,528},重要特征序号的集合S,多元线性回归系数矩阵Ai;
S5.2、选取S中的重要特征序号,得到重要特征集合V'={V'i:i∈Z};
S5.3、遍历每个交通小区,代入多元线性回归系数矩阵Ai,对节假日分时分小区的交通量进行预测,得到:
Yi←V'iAi。
5.电子设备,其特征在于,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现权利要求1-4任一项所述的一种节假日公路交通量预测方法的步骤。
6.计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-4任一项所述的一种节假日公路交通量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310021156.7A CN115909748B (zh) | 2023-01-07 | 2023-01-07 | 节假日公路交通量预测方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310021156.7A CN115909748B (zh) | 2023-01-07 | 2023-01-07 | 节假日公路交通量预测方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115909748A CN115909748A (zh) | 2023-04-04 |
CN115909748B true CN115909748B (zh) | 2023-08-01 |
Family
ID=86476822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310021156.7A Active CN115909748B (zh) | 2023-01-07 | 2023-01-07 | 节假日公路交通量预测方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115909748B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116229727A (zh) * | 2023-05-10 | 2023-06-06 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于在线仿真的道路拥堵诱导方法及管控*** |
CN117173894B (zh) * | 2023-11-02 | 2024-03-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 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 |
CN118155423A (zh) * | 2024-05-08 | 2024-06-07 | 四川智能交通***管理有限责任公司 | 基于时间序列模型的节假日长期交通态势预测方法及设备 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI619036B (zh) * | 2016-02-22 | 2018-03-21 | 財團法人資訊工業策進會 | 交通時間預測系統、交通時間預測方法以及交通模型建立方法 |
CN108961762A (zh) * | 2018-08-24 | 2018-12-07 | 东北林业大学 | 一种基于多因素融合的城市道路交通流量预测方法 |
CN109191846B (zh) * | 2018-10-12 | 2021-03-09 | 国网浙江省电力有限公司温州供电公司 | 一种交通出行流量预测方法 |
CN110675621B (zh) * | 2019-05-23 | 2021-01-15 | 北京嘀嘀无限科技发展有限公司 | 预测交通信息的***和方法 |
CN110414719B (zh) * | 2019-07-05 | 2023-02-21 | 电子科技大学 | 一种基于多变量灰色模型时间序列的车流量预测方法 |
CN113055923B (zh) * | 2019-12-27 | 2022-06-17 | ***通信集团湖南有限公司 | 移动网络流量预测方法、装置及设备 |
CN111445694B (zh) * | 2020-03-04 | 2022-02-01 | 青岛海信网络科技股份有限公司 | 一种基于交通流量预测的节假日交通调度方法及装置 |
CN112561146B (zh) * | 2020-12-08 | 2023-04-18 | 哈尔滨工程大学 | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 |
CN114120637A (zh) * | 2021-11-05 | 2022-03-01 | 江苏中路工程技术研究院有限公司 | 一种基于连续监测器的智慧高速交通流量预测方法 |
CN114664091A (zh) * | 2022-04-26 | 2022-06-24 | 中远海运科技股份有限公司 | 一种基于节假日流量预测算法的预警方法及*** |
CN115148019A (zh) * | 2022-05-16 | 2022-10-04 | 中远海运科技股份有限公司 | 一种基于节假日拥堵预测算法的预警方法及*** |
CN114943380A (zh) * | 2022-06-01 | 2022-08-26 | 湖南省交通科学研究院有限公司 | 一种节假日公路交通流量预测方法、***和存储介质 |
-
2023
- 2023-01-07 CN CN202310021156.7A patent/CN115909748B/zh active Active
Non-Patent Citations (1)
Title |
---|
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;王征;;公路(第04期) * |
Also Published As
Publication number | Publication date |
---|---|
CN115909748A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115909748B (zh) | 节假日公路交通量预测方法、电子设备及存储介质 | |
CN106960359B (zh) | 一种基于流式计算的全自动竞价优化方法及*** | |
Weiss et al. | Grazing response patterns indicate isolation of semi‐natural European grasslands | |
Zou et al. | Passenger flow prediction using smart card data from connected bus system based on interpretable xgboost | |
CN108256724B (zh) | 一种基于动态行业系数的配电网可开放容量规划方法 | |
WO2022021727A1 (zh) | 城市综合体用电量预测方法、装置、电子设备及存储介质 | |
CN110414715B (zh) | 一种基于社团检测的客流量预警方法 | |
Berk | The role of race in forecasts of violent crime | |
Wang | A big data framework for stock price forecasting using fuzzy time series | |
CN111598333A (zh) | 客流数据的预测方法及装置 | |
Shukla et al. | A multivariate regression model for identifying, analyzing and predicting crimes | |
CN115375205A (zh) | 一种用水用户画像的确定方法、装置及设备 | |
CN113222322A (zh) | 一种地区协同度评价方法、终端设备及存储介质 | |
CN114037138A (zh) | 基于双层分解和深度学习的地铁短时进站客流预测***及实施方法 | |
CN113191533A (zh) | 仓库用工预测方法、装置、设备及存储介质 | |
Chen | Estimating latent group structure in time-varying coefficient panel data models | |
Coulaud et al. | Modeling dwell time in a data-rich railway environment: with operations and passenger flows data | |
CN117173894B (zh) | 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 | |
Ho et al. | An adaptive information-theoretic approach for identifying temporal correlations in big data sets | |
CN111145535B (zh) | 一种复杂场景下的行程时间可靠性分布预测方法 | |
CN116703132A (zh) | 共享车辆动态调度的管理方法、装置及计算机设备 | |
CN111737308A (zh) | 基于最小熵分值的股票交易点预测方法、***及存储介质 | |
Leverger et al. | Toward a framework for seasonal time series forecasting using clustering | |
CN112801415A (zh) | 基于马尔科夫链分布模型的超短期负荷预测方法及*** | |
Orwat-Acedańska | Accuracy of small area mortality prediction methods: evidence from Poland |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |