详情

原文传递基于PSO-RF的高速公路货车行程时间预测研究

论文题名：	基于PSO-RF的高速公路货车行程时间预测研究
关键词：	高速公路;载货汽车;行程时间预测;随机森林模型;粒子群优化算法
摘要：	国家发展，交通先行。随着我国高速公路网结构的不断完善，物流运输行业飞速发展，载货汽车保有量不断增加，持续给高速公路运营和管理增添压力，高速公路发生拥堵、交通事故等状况，降低了货物运输的速度和质量。对此，我国持续加强智慧交通体系的研究和建设，提升智能交通系统智能化的水平，利用高新信息技术缓解交通压力。高速公路货物运输是交通运输现代化不可或缺的一部分，将其与智能交通相结合，能够提高运输效率和减少物流成本，促进物流行业的发展。而行程时间预测是智能交通系统的基础，高速公路行程时间预测可以让出行者提前掌握交通状况，让货物运输者规划好出行路径，减少运输时间成本，提高物流运输效率。通过掌控交通变化趋势，能够帮助高速公路使用者和管理者更好地利用高速公路资源，合理进行资源配置优化，推动交通运输行业的现代化和信息化，为高速公路发展提供更加广阔的空间和更加优质的服务。　　目前对行程时间的研究都没有区分车型，大多以一型客车为主，而货物运输在交通运输经济的比重越来越大，货物运输者对行程时间的敏感性也更强，货车车辆属性差异对行程时间的影响很大。因此本文针对高速公路联网收费数据，结合不同类型车辆属性的差异，重点研究了货车行程时间的预测问题。　　首先，对高速公路基础收费数据进行分析与预处理，提出了对异常数据识别和处理的方法，并且针对货车类型等特征属性进行特殊处理，为后续行程时间预测提供准确有效的数据。通过对高速公路收费数据的预处理，对高速公路交通流的特性进行了深入的分析，探究了交通量、车型、历史行程时间等影响高速公路行程时间预测的相关因素。　　然后，不考虑车型影响，针对混合流交通特性，将所有车辆转换成标准车当量数，采用随机森林（RF）预测模型，对高速公路车辆的平均行程时间进行预测。分析了交通流量、历史行程时间等与高速公路行程时间相关联的影响因素，通过Pearson相关系数和灰色关联度分析法确定行程时间影响因素，主要将交通流量、历史行程时间作为模型输入特征向量，构建基于混合交通流的随机森林行程时间预测模型，引入粒子群算法对随机森林模型进行优化，确定随机森林参数的最优组合，以此构建基于粒子群优化算法的随机森林模型（PSO-RF），对高速公路行程时间进行预测。以九永高速S7高新南收费站至永川东收费站路段作为实例进行分析，使用粒子群优化后的模型预测结果相比未优化前平均百分比误差 MAPE 减少了0.711%。同时还对历史平均模型、BP神经网络模型和支持向量机回归（SVR）模型的预测结果进行了比较和分析，RF模型较对比模型平均百分比误差MAPE分别减少2.137%、1.282%和4.738%；PSO-RF模型较对比模型平均百分比误差MAPE分别减少2.848%、1.993%和5.449%，验证了本文所提的RF模型和PSO-RF模型在高速公路行程时间预测精度上都有良好的有效性。　　最后，考虑货车行程时间受车辆本身特性以及外界交通量的影响，高速公路货车不仅与客车的车辆特性不同，货车不同车型之间的差异也很大，通过分析发现随着货车车型比例及载货重量的增加，行程时间随之增加。对高速公路货车行程时间特性进行分析，利用one-hot编码，为突出各车型间车辆特性差异，添加车型作为特征向量，构建基于粒子群优化算法的随机森林模型（PSO-RF），对高速公路货车分车型行程时间进行预测。以九永高速S7高新南收费站至永川东收费站路段为实例展开分析，对比分析了历史平均模型、BP神经网络模型和支持向量机回归模型（SVR）的预测结果，发现无论是哪种车型的货车，多特征PSO-RF模型在平均绝对误差MAE、平均绝对百分比误差MAPE和均方根误差RMSE三个评价指标的表现都优于对比模型，验证了 PSO-RF 模型在高速公路货车分车型行程时间预测上具有良好的有效性。　　综上，本文验证了基于粒子群优化算法的随机森林模型在高速公路行程时间预测的可行性和准确性，同时开拓了高速公路货车行程时间预测的新角度。本文的研究可以为高速公路出行者和货物运输者提供有价值的交通信息，根据预先预测的行程时间来计划出行路线，避免拥堵，节约出行成本；有助于交通管理部门有效掌控高速公路交通流变化趋势，及时采取诱导和控制措施，也可以为现有高速公路行程时间预测方法提供参考和思路，有良好的实际应用价值和社会效益。
作者：	刘涛
专业：	交通运输
导师：	敖谷昌
授予学位：	硕士
授予学位单位：	重庆交通大学
学位年度：	2023