高速公路可行性预测交通量失准分析

以某新建高速公路为例,对其可行性报告中预测交通量与运行之初实际交通量进行比较,两者误差在43%~82%之间,并对交通预测量与实际量变动的趋势规律进行分析;从路网调整、地方道路通行条件改善、收费标准偏高、公路辐射区域有限等角度,分析公路可行性报告中交通量预测值失准的原因;基于此,应用增长率法对该公路段2022—2030年的交通量进行了重新预测,以期对缓解和应对高速公路可行性预测交通量失准问题提供参考。

预测交通量与互通立交布局和设计的相关关系研究

互通立交是高速公路的重要组成部分,是路与路之间连接的纽带,车辆进出均通过立交实现,其布局设计的合理性直接关系到公路的使用效率、安全程度、行车速度、运营费用和通行能力。因此,有必要采用定性与定量相结合的方式,对预测交通量与互通立交布局和设计的相关关系作一系统阐述,并提出相应的计算方法。

高速公路工程可行性预测交通量与实际交通量差异研究

为提高高速公路工程可行性研究预测交通量的准确性,以重庆市11条已运营高速公路为例,以联网收费交通量数据为基础,研究各高速公路工程可行性预测交通量与实际交通量的差异,分析影响交通量预测准确性的因素主要有国民经济及交通运输的发展、路网结构变化、项目交通量在通道中的占比、沿线产业园区发展、收费政策等,据此提出提高交通量预测准确性的措施。

公路工程可行性研究预测交通量与实际运行交通量差异化分析

在我国公路工程建设的过程之中,工程可行性交通量预测起着至关重要的作用。但是我国目前在相关工作方面仍然存在着不足,预测值和公路通车后实际运行的交通量存在偏差,对工程路线方案选择、国民经济效益费用分析以及财务评价等方面会产生一定影响。需提出相关的建议来制定较为适合的方案以推动相关工作的顺利进行。本文就公路工程可行性研究预测过程中一些常见问题的一些看法和建议。

基于AGRU-Trans融合模型的特长海底隧道交通量预测

为了使海底隧道交通管控部门更好地掌握准确的交通数据,给出行者提供更好的交通引导,通过对循环神经网络和Transformer算法的研究,结合GRU与Transformer模型算法优点并加入自注意力机制,提出一种基于AGRU-Trans融合模型的海底隧道交通量预测模型。选取胶州湾海底隧道市南-黄岛交通运行数据,通过AGRU-Trans融合模型与3种基准模型对比发现,LSTM,Transformer,GRU模型的平均绝对误差(MAE)相比AGRU-Trans分别大了31.48%,67.54%,20.57%;均方根误差(RMSE)分别增长了35.63%,38.45%,32.02%。结果表明:AGRU-Trans融合模型的预测结果与真实数据贴合性最好,预测精度均高于基准模型,因此,基于此方法可为胶州湾海底隧道管理部门对车辆进行精细化诱导及管控提供理论参考。

改进SSA优化的BP神经网络交通量预测模型

为更加准确地进行交通量预测,针对传统的BP神经网络随机赋值、收敛速度慢等问题,提出了改进麻雀搜索算法(sparrow search algorithm,SSA)优化的BP神经网络预测模型。该模型结合SSA位置更新原理和鸡群优化算法中公鸡位置更新方法对麻雀搜索算法进行改进,在避免算法陷入局部最优和位置更新无效的同时有效地提高了算法的收敛速度。利用改进麻雀搜索算法对BP神经网络的权值和阈值进行寻优赋值,得到了改进SSA-BP神经网络预测模型。利用交通量数据,对LSTM神经网络、BP神经网络、SSA-BP神经网络和改进SSA-BP神经网络4种预测模型进行训练和测试,以MAE、MAPE、MSE、RMSE和EC 5个指标对预测结果进行对比分析。结果表明:BP神经网络优于LSTM神经网络,且麻雀搜索算法优化BP神经网络预测模型相较于BP神经网络预测模型MAE降低了0.28 veh/(3 min)、MAPE降低了1%、MSE降低了2.72 veh/(3 min)、RMSE降低了0.04;改进麻雀搜索算法优化BP神经网络预测模型相较于BP神经网络预测模型MAE降低了1.31 veh/(3 min)、MAPE降低了4%、MSE降低了9.2 veh/(3 min)、RMSE降低了0.18,且拟合度更接近于1。改进SSA-BP预测模型的性能优于SSA-BP神经网络预测模型,且有效提高了BP神经网络的预测精度,拟合度达到0.98,该模型适用于交通量预测,能够为智能交通系统提供可靠的预测值。

基于WNN模型的短时交通量预测研究

科学准确预测运营期公路交通量是实现智能交通系统的重要组成部分,并能对公路基础设施的优化设置提供关键支持。本文采用小波神经网络、GA-BP、SVM、GA-LSSVM、PSO-LSSVM五种模型对短时交通量进行预测,并将预测值与实际值进行对比。研究发现:神经网络预测模型整体优于支持向量机及其优化模型,能提升交通量预测的有效性和准确性,其中GA-BP模型相对于其他模型在短期交通量预测中具有预测精度高、收敛速度快的特点,能满足公路运营管理及智能交通需求。

G112(千松梁至五道营段)交通量预测研究

为尽可能准确预测交通量,以国道G112千松梁至五道营段改建工程为例,在详细进行交通调查的基础上,采用四阶段预测法对未来交通量进行预测分析。分析结果表明,现状路段货车占比较高,且以中小型货车为主,客车则以小客车为主;未来货车占比将逐年下降,而客车占比将相应上升。

基于改进GCN-sbuLSTM模型的高速公路交通量预测方法

为解决现有高速公路交通量预测方法在捕捉动态时空依赖关系方面的不足,提出了一种融合信息几何方法与注意力机制的新型高速路网交通量预测模型。首先,利用信息几何方法量化ETC门架之间的动态数据分布差异。然后,利用注意力机制来捕获交通的动态空间依赖关系。最后,结合一种堆叠的双向递归层结构,提出了一种长时间跨度的并行子模型算法,即基于信息几何方法(Information Geometry)和注意力机制(Attention Mechanism)优化的图卷积神经网络(GCN)结合堆叠双向单向长短期记忆神经网络(sbuLSTM)的组合模型—IGAGCN-sbuLSTM。采用该模型对100多条路段、3000多处门架近7亿条高速公路ETC门架系统数据进行分析,结果显示:与LSTM、GCN、GCN-LSTM、ASTGCN等现有4种模型相比,在10 min时间尺度下,IGAGCN-sbuLSTM组合模型的平均绝对误差(MAE)分别降低了2.39,3.72,1.02,1.46,均方根误差(RMSE)分别降低了3.25,4.32,2.05,5.65,平均绝对百分比误差(MAPE)分别降低了5.49%,12.54%,1.56%,0.5%。研究表明,IGAGCN-sbuLSTM模型在预测精度和不同时间间隔的预测性能上均优于现有的单一捕获特性模型及其他常用的组合模型,可广泛应用于高速公路收费、车速等数据的预测分析。

探究新建道路的交通量预测数学模型

随着社会经济的持续发展,我国的道路建设水平、建设规模在不断提升,社会车辆的数量也在增长,交通拥堵问题是目前发展非常重要的一个问题。因此,我们需要采用交通阻抗的方法,以及诱增经济增长模型法,预测道路交通量,明确新建交通道路对于交通布局所产生的影响。采用先进的预测方法,能够为实际工作提供有价值的参考,助推我国交通网络的健康发展。基于此,本文详细探讨了新建道路的交通量预测数学模型,旨在为解决交通拥堵问题提供科学依据,推动我国交通事业的持续进步。

改建公路交通量分析及预测研究

以潍坊市X005灶朱路G206至朱里段改建工程为例,在交通量观测、OD调查等交通调研的基础上,运用增长率法、弹性系数法、Fratar模型、重力模型等进行交通量分析及预测。结果表明:该改建工程中小客车、小货车比重较大,项目影响区内发生量、吸引量比重较大的交通小区是潍坊市城区、昌邑市城区、寒亭区等地区;未来该项目所在区的中型车和小货车占比有下降趋势,汽车列车和大型车占比有上升趋势。

基于算法融合的高速公路断面交通量预测

高速公路断面交通量是交通状态分析和管控策略制定的重要数据支撑。本论文对交通流进行服务水平划分,将不同时刻的交通流按饱和度划分成四类服务水平,采用ARIMA、XGBoost、SVR、BP和GRU五种常用的预测模型对高速公路交通量进行了预测,并提出基于SVR、BP和GRU模型的融合预测模型,提高了高速公路断面交通量预测的准确率,为高速公路规划和管理提供信息支撑。

基于Python改进的高速公路扩建项目交通量预测

以传统的四阶段法为基础,在交通生成阶段使用Python(计算机编程语言)对现状高速公路路段OD(origin-destination,起讫点)进行拆分,从四阶段法的第一个阶段入手,提高高速公路扩建项目中交通量预测的精度。同时,将研究方法应用于沪武高速公路太仓至常州段扩建项目,结合不同过江通道的建设时序,对道路各特征年的交通量进行预测,分析远景年的路段OD,为扩建技术方案的制定及交通组织提供依据。结果表明:该方法提高了高速公路扩建项目交通量的预测精度,对类似工程具有指导意义。

基于Bi-LSTM模型的短时交通量多步预测研究

多数短时交通量的预测研究仅集中在单步预测上,并且预测时长不足,为使得交通管理与控制等措施发挥更好的效果,提高短时交通量多步预测精度,最大限度提高交通管理决策和出行决策合理性,本文提出一种基于Bi-LSTM模型进行短时交通量多步预测。首先利用Bi-LSTM模型进行单步预测,将得到的预测值与原始值替换,通过递归迭代进行五步的多步长预测。根据本文研究结果表明:Bi-LSTM模型在多步预测中具有一定优势,相比于ARIMA模型和BP神经网络模型,其平均多步RMSE、MAE、MAPE、RMSRE分别降低了11.1085和9.4134、9.7884和7.2474、26.52%和14.91%、25.01%和14.95%。最后得出,Bi-LSTM在交通量多步预测上具有较大优势。

基于GA-tBP模型的城市道路交通量预测

针对城市道路交通量时间差异性强的问题,提出了一种使用遗传算法(genetic algorithm,GA)优化BP(back propagation)神经网络并考虑时间特性的模型(GA-tBP)预测道路交通量。从月、周、日3个维度统计分析了历史交通量数据存在的差异,得出影响城市道路交通量的时间因素。以江西省南昌市赣江中大道交通量为例,对未来24 h内每5 min交通量进行预测,对比分析了不同模型在预测精度和学习能力等方面的表现。研究结果表明,同不考虑时间特性的模型及其他传统预测模型相比较,GA-tBP模型的预测效果最好,其均方误差(mean squared error, MSE)及平均绝对误差(mean absolute error, MAE)分别为14.87 veh/5 min和2.44 veh/5 min,故该模型具有可行性和有效性。

基于改进GRU模型的高速公路短时交通量预测

为了提高短时交通流的预测精度,采用灰狼算法(grey wolf optimizer,GWO)优化门控循环单元(gate recurrent unit,GRU)神经网络参数,构建基于超参数自适应寻优的高速公路短时交通流量预测模型,提取交通流的时变特征,准确预测短时交通流量。选取高速公路出口匝道交通数据作为实验数据输入,基于TensorFlow为后端的Keras完成GWO-GRU模型框架的搭建,并与支持向量回归算法(support vector regression,SVR)、K近邻算法(k-nearest neighbor,KNN)、长短期记忆神经网络(long-short term memory,LSTM)、门控循环单元(GRU)模型进行对比分析。实验结果表明,在3种不同时间间隔的高速公路匝道交通数据集的预测中,改进后的GRU模型具有较好的预测性能,其平均绝对误差(mean absolute error,MAE)比次优模型分别减小了9.22%、8.54%、8.03%。

基于交通量分析的城市道路网的布局优化

随着城市的发展,仅扩大交通基础设施的供应能力已无法满足城市交通需求,需结合具体区域的交通流量做出合理的道路网规划。利用四阶段法对山东省阳信县的主干路交通流量进行科学预测,分析该地交通量的发展特征,计算各路径在公路网中的重要性。结果表明,阳信县6条主干道的公路等级最低均需配置在二级以上。目前,经济发展重心位于F大道区域附近,重要度C大道最高,根据车流大小,后期在进行道路规划时需将B、E大道进行扩建,此结果可为类似工程规划提供参考。

企业投资类高速公路项目交通量评估要点浅析

近年来,企业投资类高速公路建设项目逐年增多,这些项目在建设前须进行投资评估,其中对交通量预测的评估是这类项目投资评估的重中之重。交通量预测很大程度上具有不确定性,这样的因素也就为企业投资类高速公路带来一定的难度。本文将围绕预测中初年交通量、车型比例和增长率三大指标对投资类项目的交通量预测评估要点进行分析。

基于LSTM的短时高速公路交通量预测

高速公路交通量预测中原始数据存在大量缺失值,为了挖掘高速公路交通量时间序列中的更多信息,提高交通量预测的精度,构建了缺失值修复方法、Dropout以及长短时记忆网络(long short term memory, LSTM)相结合的高速公路流量混合预测模型。通过缺失值修复方法对高速公路流量数据进行数据修复;在LSTM网络中非循环的部分加入Dropout机制来减少过拟合情况;通过实测交通量数据进行实验,实验结果表明考虑缺失值修复的Dropout-LSTM的高速公路流量预测模型相较于LSTM及常用高速公路预测模型,预测精度更高,验证了该模型在短时高速公路交通量预测中的有效性。

施工场景下灰色小波神经网络短时交通量预测模型研究

在城市道路施工场景下应用短时交通量预测对提高施工区域交通效率及安全水平至关重要。考虑到施工场景下短时交通量历史样本量小且样本呈现非线性的特点,引入灰色预测模型,构建施工场景下的灰色小波神经网络短时交通量预测模型。以行宫西大街由西向东断面的交通量数据为例,分别基于小波神经网络短时交通量预测模型、灰色小波神经网络短时交通量预测模型,利用Matlab进行训练。结果显示,灰色小波神经网络短时交通量预测结果的平均绝对误差、平均相对误差和均方误差相较于小波神经网络短时交通量预测模型,分别降低了74.14%、75.21%和92.70%,该模型对城市道路施工场景下的短时交通量预测精确度更高。