详情

原文传递基于统计学习的绕城高速路交通流特征分析及预测研究

论文题名：	基于统计学习的绕城高速路交通流特征分析及预测研究
关键词：	绕城高速;交通流;组合预测;统计学习
摘要：	绕城高速公路是指环绕城市区域的高速公路。随着人民生活水平的提高，汽车数量不断攀升，交通需求不断增加，绕城高速公路串联的道路越来越多，使得绕城高速的通行压力越来越大。为此，本文以交通流为切入点，采用济南南绕城高速南互通立交至兴隆枢纽立交路段的交通流检测数据，基于统计学习方法展开研究，以寻求交通流的变化特征与规律，辅助交通管理部门提升道路监管和服务能力。研究内容、结论与创新主要表现在：　　(1)从数据采集方式与异常数据修复两方面对数据质量进行控制。本研究所使用的数据是通过目前较为先进的固定式激光检测技术进行采集获得的实测数据，为了保证数据质量和精度，首先对数据中存在的各种异常情况进行分类汇总，其次采用模糊C-均值聚类算法对重复数据和连续缺失数据进行修复，采用局部历史数据趋势法、最近邻均值对超过合理范围的数据、突变数据、随机缺失数据进行修复。　　(2)基于时序分析方法，从不同采样间隔、不同日期特点两个角度，分析了交通流量、交通流速度和平均车头距等参数的波动性与周期性。研究发现：　　②不同日期特点下，交通流量时间序列均呈现“M”型双峰分布，周一早高峰普遍开始较早，周五的晚高峰交通流量更大、开始较早且持续时间更长；　　③周末等法定节假日的交通流量普遍要大于工作日，且随着假期时长的增加，出行需求也更大；　　④交通流速度在每个工作日的变化全距基本保持在75km/h至100km/h之间，但在法定节假日里，交通流速度明显下降，甚至出现拥堵现象；　　⑤该路段实际通行能力大约在450Veh/5min至500Veh/5min之间；　　⑥不同日期特点下，平均车头距时间序列均呈现“W”型分布，与交通流量的变化相对应，周一早高峰和周五晚高峰时段也出现类似交通流量的变化特点。　　(3)构建了交通流组合预测模型。在数据质量控制与特征分析基础上，考虑交通流时间序列波动性与周期性特征，基于三次自回归指数平滑(Exponential Smoothing，ES)、BP神经网络（Back Propagation Neural Network，BPNN）、线性回归等统计学习方法，构建了交通流预测的ES与BPNN单模型以及ES-BPNN组合预测模型；利用连续四周工作日的交通流量、速度、平均车头距时间序列数据，将前19天的912个样本数据作为训练集对模型进行训练，第20天的48个样本数据作为预测验证集，利用MAPE、RMSE等评价指标对比分析三种模型的预测效果。研究发现，无论是交通流量预测、交通流速度预测，还是交通流平均车头距预测，组合模型的稳定性和精度比单模型均有更好的表现。　　总之，本文以较新的研究视角，对济南南绕城高速南互通立交至兴隆枢纽立交路段交通流的实测数据进行质量控制、特征分析与预测研究，构建了交通流预测组合模型，具有一定的理论创新与现实应用价值。
作者：	任嘉琪
专业：	应用统计
导师：	李国锋
授予学位：	硕士
授予学位单位：	山东财经大学
学位年度：	2022