基于OD的高速公路收费站出入口流量预测方法

目前,高速公路收费站拥堵问题成为影响高速公路通行效率的重要因素,为收费站管理人员提供精准高效的拥堵流量预警具有重要的现实意义。文章基于GC-LSTM模型进行改进,提出了一种称为GC-LSTM-OD的高速公路出入口多步流量预测模型。该模型能够有效预测流量演变趋势,同时具备适应非常态情况的能力。为验证模型性能,文章使用了沿江高速太仓-常州段的现实流量数据,实验结果表明,相较于其他模型,GC-LSTM-OD在多步流量预测方面表现出更加优异的性能。

Ride-hailing origin-destination demand prediction with spatiotemporal information fusion

Accurate demand forecasting for online ride-hailing contributes to balancing traffic supply and demand,and improving the service level of ride-hailing platforms.In contrast to previous studies,which have primarily focused on the inflow or outflow demands of each zone,this study proposes a conditional generative adversarial network with a Wasserstein divergence objective(CWGAN-div)to predict ride-hailing origin-destination(OD)demand matrices.Residual blocks and refined loss functions help to enhance the stability of model training.Interpretable conditional information is employed to capture external spatiotemporal dependencies and guide the model towards generating more precise results.Empirical analysis using ride-hailing data from Manhattan,New York City,demon-strates that our proposed CWGAN-div model can effectively predict the network-wide OD matrix and exhibits strong convergence performance.Comparative experiments also show that the CWGAN-div outperforms other benchmarking methods.Consequently,the proposed model displays potential for network-wide ride-hailing OD demand prediction.

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

为解决已有传统OD交通量预测方法工作量繁重而精度不高的问题,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。将广东省西片区高速公路网收费出口流水数据用于对本模型的验证。结果表明,该模型在保证较高的预测精度的前提下简化了OD矩阵预测过程,具有较高的实用价值。

快速路网实时OD预测的时间颗粒度选择

常见的基于实测数据的origin-destination（OD）预测方法分为两类：一类基于历史信息，即根据上一天或上一周同一日相同时段的数据进行预测，简称同比预测法；另一类则是根据同一天相邻时间段的数据预测本时段的OD，简称环比预测法．预测所用基础数据的时段长度称为时间颗粒度．时间颗粒度的大小对OD预测结果的稳定性、准确性具有重要影响．针对上海快速路网，采用ADF单位根检验和K—Means聚类分析方法，研究时间颗粒度对预测结果的影响，提出了时间颗粒度选择的建议，同比预测方法相比环比预测法更容易得出稳定、合理的预测结果，30-60min的时间颗粒度预测效果较好．

基于微观仿真的快速路短时交通流预测研究

随着预测时间跨度的缩短,交通流量的变化显示出越来越强的不确定性,使得一般方法的预测精度大大降低。为了能够及时准确地进行交通流短时预测,提出了一种以城市快速路为研究对象的以微观仿真技术为基础的短时交通流预测的方法。该方法以实时的快速路交通流数据为基础,应用M3分布模型对车辆进行初始分布,基于约束卡尔曼滤波进行OD矩阵估计,利用微观交通仿真的方法对快速路的未来交通流进行预测。经过实测数据验证,算法能对交通参数给出较好的预测结果。