CN114943380A - 一种节假日公路交通流量预测方法、系统和存储介质 - Google Patents

一种节假日公路交通流量预测方法、系统和存储介质 Download PDF

Info

Publication number
CN114943380A
CN114943380A CN202210621504.XA CN202210621504A CN114943380A CN 114943380 A CN114943380 A CN 114943380A CN 202210621504 A CN202210621504 A CN 202210621504A CN 114943380 A CN114943380 A CN 114943380A
Authority
CN
China
Prior art keywords
flow
holiday
daily
observation station
line
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.)
Pending
Application number
CN202210621504.XA
Other languages
English (en)
Inventor
戴剑军
黄会敏
黎乐潇
谢英杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Communications Research Institute Co ltd
Original Assignee
Hunan Communications Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Communications Research Institute Co ltd filed Critical Hunan Communications Research Institute Co ltd
Priority to CN202210621504.XA priority Critical patent/CN114943380A/zh
Publication of CN114943380A publication Critical patent/CN114943380A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种节假日公路交通流量预测方法、系统和存储介质，通过现有的观测站对待计算公路的交通状况进行观测，不需要重新增设公路观测设备，即保证了对待计算公路的全时段的有效预测，又节约了公路观测站的建设成本和建设时间，在本发明提供的节假日公路交通流量预测方法中，通过观测站数据获取流量运行特征参数，进一步基于观测站点数据向上集成，从而实现线路的分日、分时流量预测。

Description

一种节假日公路交通流量预测方法、系统和存储介质
技术领域
本发明涉及智能交通管理与控制技术领域，尤其涉及一种节假日公路交通流量预测方法、系统和存储介质。
背景技术
随着经济的发展，人均汽车保有量的增加以及物流业的快速发展，公路大面积拥堵已成为常态；尤其在部分节假日期间，为了便民出行，高速公路实施免收过路费，重要公路节点拥堵更是常见现象。因此运用科学方法对路网节假日交通流量进行预测，是辅助交通管理部门制定措施、保障路网畅通运行的有效手段，从而达到减轻路网拥堵、提高游客出游满意度、提高出行效率的效果。
然而，由于目前连续式公路交通调查观测站点分布较为稀疏，难以提供大范围的流量信息，并且仅靠增加检测设备的方式也使得建设和维护成本高昂。
鉴于此，有必要提供一种节假日公路交通流量预测方法，以解决或至少缓解上述观测站点分布稀疏流量信息提供不全面且添加检测设备增加建设维护成本的缺陷。
发明内容
本发明的主要目的是提供一种节假日公路交通流量预测方法，旨在解决上述观测站点分布稀疏流量信息提供不全面且添加检测设备增加建设维护成本的技术问题。
为实现上述目的，本发明提供了一种节假日公路交通流量预测方法，包括：
S1，获取待计算公路的历史M年的预设节假日期间及预设节假日前两周的每个观测站i的流量数据信息，i∈[1,Z]，Z为待计算公路上的观测站的总数；
S2，根据公式
Figure BDA0003674837040000011
计算所述待计算公路内的观测站i的节假日期间的日均流量Davg,i，其中，i为所述观测站编号，k为节假日中的第k天， k∈[1,T]，T为节假日假期的总天数，Dd,i,k为观测站i的第k天的日流量；
S3，根据加权移动平均法公式
Figure BDA0003674837040000021
Pt＝w1Davg，i，y(t)+w2Davg，i，y(t+1)+…+wNDavg，i，y(t-1+N)、
Figure BDA0003674837040000022
获得预测年份的所述观测站i的节假日期的日均流量趋势预测数据值
Figure BDA0003674837040000023
其中，N为预设的移动平均组的项数，t为移动平均组的排序，y(t)为移动平均组中对应的第t年，Dd，i，k，y(t)为所述观测站i在移动平均组中对应的第t年的节假日中的第k天的日流量，Davg，i，y(t)为所述观测站i在移动平均组中对应的第t年的节假日中的日均流量，wN为权重，N＜M，共M年数据；
S4，根据公式
Figure BDA0003674837040000024
计算所述观测站i的修正系数Ci，其中，
Figure BDA0003674837040000025
为预测年份的节假日前两周的所述观测站i的日均流量，
Figure BDA0003674837040000026
为预测年份的前一年的节假日前两周的所述观测站i的日均流量；
S5，根据公式
Figure BDA0003674837040000027
β1+β2＝1，计算预测年份的所述观测站i的日均修正预测流量数据值
Figure BDA0003674837040000028
其中，Davg，i，y(last)为所述预测年份前一年所述观测站i的节假日期间的日均流量，β1为趋势预测的权重，β2为修正预测的权重。
进一步地，所述步骤S2包括步骤：获取所述观测站i的第k天的第j小时的小时流量Dh，i，k，j，根据所述观测站i的小时流量Dh，i，k，j，通过公式
Figure BDA0003674837040000029
计算所述观测站i节假日期间的分日流量Dd，i，k，其中，d代表所述观测站i的日流量数据，h代表所述观测站i的小时流量。
进一步地，还包括，以下步骤：
基于所述观测站i的日流量Dd，i，k，根据观测里程加权公式
Figure BDA00036748370400000210
计算线路l的节假日期间的日流量Dd，l，k，其中，l为路段、路线或者路网，Li是所述观测站i的观测里程，δi是所述观测站i的二值函数，x代表线路l内所述观测站i的总个数；
基于所述观测站i的小时流量Dh，i，k，j，根据观测里程加权公式
Figure BDA00036748370400000211
Figure BDA00036748370400000212
计算所述线路l的节假日期间的小时流量Dh，l，k，j，其中，Dh，l，k，j为所述线路l的第k日第j时的小时流量，Dh，i，k，j为所述观测站i第k日第j时的小时流量；
基于所述观测站i的日均流量Davg，i，根据观测里程加权公式
Figure BDA0003674837040000031
Figure BDA0003674837040000032
计算所述线路l的节假日期间的日均流量Davg，l。
进一步地，所述步骤S3之前还包括对所述待计算线路内观测站i的日均流量数据进行数据处理；所述数据处理包括剔除异常值、插值填充。
进一步地，还包括，以下步骤：
根据公式
Figure BDA0003674837040000033
计算所述线路l的节假日期间的分日流量比Rd，l，k；
根据公式
Figure BDA0003674837040000034
计算所述线路l的节假日期间的分时流量比Rh，l，k，j。
进一步地，所述步骤S5之后还包括步骤S6：基于所述观测站i的日均修正预测流量数据
Figure BDA0003674837040000035
通过观测里程加权公式
Figure BDA0003674837040000036
计算所述线路l的日均修正预测流量数据
Figure BDA0003674837040000037
进一步地，还包括，以下步骤：
基于M年的节假日期间所述线路l的分日流量比Rd，l，k，根据公式
Figure BDA0003674837040000038
按权重加权计算预测年份的预测分日流量比
Figure BDA0003674837040000039
Rd，l，k，y(M)为第M年节假日第k天的分日流量占比，sM为第M年的权重，y(M)对应第M年的年份；
基于M年的节假日期间所述线路l的分时流量比Rh，l，k，j，根据公式
Figure BDA00036748370400000310
按权重加权计算预测年份的预测分时流量比
Figure BDA00036748370400000311
Rh，l，k，j，y(M)为第M年节假日第k天第j时的分时流量占比。
进一步地，所述步骤S6之后还包括，以下步骤：
基于所述线路l的日均修正预测流量数据
Figure BDA0003674837040000041
乘以对应的所述线路l的预测分日流量比
Figure BDA0003674837040000042
通过公式
Figure BDA0003674837040000043
计算预测年份的所述线路l的预测分日流量
Figure BDA0003674837040000044
其中，
Figure BDA0003674837040000045
为所述线路l第k日的预测分日流量；
Figure BDA0003674837040000046
为所述线路l第k日的预测分日流量占比；
基于所述路线l的预测分日流量
Figure BDA0003674837040000047
乘以相应的所述线路l的预测分时流量比
Figure BDA0003674837040000048
通过公式
Figure BDA0003674837040000049
计算预测年份的所述线路l的预测分时流量
Figure BDA00036748370400000410
其中，
Figure BDA00036748370400000411
为所述线路l第k天第j小时的预测分时流量；
Figure BDA00036748370400000412
为所述线路l第k天第j小时的预测分时流量占比。
本发明还提供了一种节假日公路交通流量预测系统，其特征在于，包括存储器、处理器以及存储在所述存储器内并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时，实现如上述任一项所述的一种节假日公路交通流量预测方法的步骤。
本发明还提供了一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任一项所述的节假日公路交通流量预测方法的步骤。
与现有技术相比，本发明具有以下优点：
本发明提供了一种节假日公路交通流量预测方法，通过分析现有的公路交通调查观测站点采集的流量数据信息，并且通过观测站点数据获取流量运行特征参数，进一步基于观测站点数据向上集成，从而实现线路的分日、分时流量预测，并且无需增设公路检测设备，既保证了待计算公路的全时段的有效预测，同时节约了建设和维护成本。在本发明提供的一种节假日公路交通流量预测方法中，通过计算公路的历史M年的预设节假日期间及预设节假日前两周的每个观测站i的流量数据信息得出预测年份的观测站i的日均修正预测流量，通过日均修正预测流量得出待计算公路区间的预测分日、分时流量，既可以实现对某一线路流量的观测，又可以实现对整体待计算公路的观测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明的一种节假日公路交通流量预测方法的流程示意图。
本发明目的的实现、功能特点及优点将结合实施方式，参照附图做进一步说明。
具体实施方式
下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明的一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
需要说明，本发明实施方式中所有方向性指示(诸如上、下……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
并且，本发明各个实施方式之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
请参阅附图1，本发明提供了一种节假日公路交通流量预测方法，包括如下步骤：
S1，获取待计算公路的历史M年的预设节假日期间及预设节假日前两周的每个观测站i的流量数据信息，i∈[1,Z]，Z为待计算公路上的观测站的总数。
具体的，待计算公路包括各公路路段信息、各公路路线信息及各观测站节点信息；其中，如表1所示，观测站节点信息包括观测站编号、观测站名称、观测里程、技术等级和市州等字段；如表2所示，公路路段信息包括路段车道数量、路段方向和路段名称等字段；如表3所示，公路路线信息包括路线名称和路线类型等字段。
表1观测站信息表
Figure BDA0003674837040000061
表2公路路段信息表
Figure BDA0003674837040000062
表3公路路线信息表
Figure BDA0003674837040000063
S2，根据公式
Figure BDA0003674837040000064
计算所述待计算公路内的观测站i的节假日期间的日均流量Davg,i，其中，i为所述观测站编号，k为节假日中的第k天，k∈[1，T]，T为节假日假期的总天数，Dd，i，k为观测站i的第k天的日流量。
具体的，可以通过公式
Figure BDA0003674837040000071
计算出所述待计算公路内的观测站i的节假日期间的日均流量，同时，本领域技术人员还可以根据实际需要采用其他计算公式计算。
S3，根据加权移动平均法公式
Figure BDA0003674837040000072
Pt＝w1Davg，i，y(t)+w2Davg，i，y(t+1)+…+wNDavg，i，y(t-1+N)、
Figure BDA0003674837040000073
获得预测年份的所述观测站i的节假日期的日均流量趋势预测数据值
Figure BDA0003674837040000074
其中，N为预设的移动平均组的项数，t为移动平均组的排序，y(t)为移动平均组中对应的第t年，Dd，i，k，y(t)为所述观测站i在移动平均组中对应的第t年的节假日中的第 k天的日流量，Davg，i，y(t)为所述观测站i在移动平均组中对应的第t年的节假日中的日均流量，wN为权重，N＜M，共M年数据；
具体的，所采用加权移动平均法，是对观测值分别给予不同的权数，按不同权数求得移动平均值，并以最后的移动平均值为基础，确定预测值的方法。值得注意的是，采用加权移动平均法，是因为观测期的近期观测值对预测值有较大影响，它更能反映近期公路流量变化的趋势。所以，对于接近观测期的观测值给予较大权数值，对于距离观测期较远的观测值则相应给予较小的权数值，以不同的权数值调节各观测值对预测值所起的作用，使预测值能够更近似地反映公路未来的流量趋势。预设的移动平均组的项数N表示预设的移动平均组内的年份数据的个数。
S4，根据公式
Figure BDA0003674837040000075
计算所述观测站i的修正系数Ci，其中，
Figure BDA0003674837040000076
为预测年份的节假日前两周的所述观测站i的日均流量，
Figure BDA0003674837040000077
为预测年份的前一年的节假日前两周的所述观测站i的日均流量。
具体的，修正系数是指在数据计算、公式表达等由于理想和现实、现实和调查等产生偏差时，为了使其尽可能的体现真实性能对计算公式进行处理而加的系数。需要注意的是，所述观测站i的修正系数是基于一个常态下所述观测站i的日均流量而言，当常态下所述观测站i的日均流量因原设定的某些因素发生改变，则需要对该所述观测站i的日均流量值做出局部调整、修正，以便本领域技术人员得到更准确的所述观测站i的修正系数Ci。
S5，根据公式
Figure BDA0003674837040000081
β1+β2＝1，计算预测年份的所述观测站i的日均修正预测流量数据值
Figure BDA0003674837040000082
其中，Davg，i，y(last)为所述预测年份前一年所述观测站i的节假日期间的日均流量，β1为趋势预测的权重，β2为修正预测的权重。
具体的，根据计算的所述观测站i的修正系数Ci，可以通过公式
Figure BDA0003674837040000083
β1+β2＝1计算出预测年份的所述观测站i的日均修正预测流量数据值，需要值得注意的是，由于节前流量变化趋势不确定性强，通常认为历史趋势影响更大，若近期疫情、天气等突发因素影响较大，或历史数据波动较大，比如国庆中秋双节叠加，则适当增大修正预测β2的权重。
进一步地，所述步骤S2包括步骤：获取所述观测站i的第k天的第j小时的小时流量Dh，i，k，j，根据所述观测站i的小时流量Dh，i，k，j，通过公式
Figure BDA0003674837040000084
计算所述观测站i节假日期间的分日流量Dd，i，k，其中，d代表所述观测站i的日流量数据，h代表所述观测站i的小时流量。
作为一较佳的实施例，基于所述观测站i的小时流量Dh，i，k，j，可以通过公式
Figure BDA0003674837040000085
计算出所述观测站i节假日期间的分日流量Dd，i，k，同时，本领域的技术人员还可以根据实际需要采用其他公式计算出所述观测站i节假日期间的分日流量Dd，i，k。
进一步地，还包括，以下步骤：
基于所述观测站i的日流量Dd，i，k，根据观测里程加权公式
Figure BDA0003674837040000086
计算线路l的节假日期间的日流量Dd，l，k，其中，l为路段、路线或者路网，Li是所述观测站i的观测里程，δi是所述观测站i的二值函数，x代表线路l内所述观测站i的总个数；
基于所述观测站i的小时流量Dh，i，k，j，根据观测里程加权公式
Figure BDA0003674837040000091
Figure BDA0003674837040000092
计算所述线路l的节假日期间的小时流量Dh，l，k，j，其中，Dh，l，k，j为所述线路l的第k日第j时的小时流量，Dh，i，k，j为所述观测站i第k日第j时的小时流量；
基于所述观测站i的日均流量Davg，i，根据观测里程加权公式
Figure BDA0003674837040000093
Figure BDA0003674837040000094
计算所述线路l的节假日期间的日均流量Davg，l。
作为一较佳的实施例，基于所述观测站i的日流量Dd，i，k、小时流量Dh，i，k，j以及日均流量Davg，i，则可以通过观测里程加权公式分别计算出所述线路l的节假日期间的日流量Dd，l，k、小时流量Dh，l，k，j以及日均流量Davg，l，其中，若所述观测站i属于所述线路l则δi＝1，否则δi＝0。
进一步地，所述步骤S3之前还包括对所述待计算线路内观测站i的日均流量数据进行数据处理；所述数据处理包括剔除异常值、插值填充。
具体的，首先对所述待计算线路内观测站i的日均流量数据进行剔除异常值处理，剔除异常值的方法本领域技术人员可根据实际需要采取，再通过前后年份的所述观测站i的日均流量的均值做插值填充，利用插值填充清除所述观测站i的日均流量中的异常数据，其中，异常数据可能是由于系统本身出现故障、天气影响、特殊车流行驶或者受疫情影响等原因造成的。比如受疫情影响， 2020年春运流量大幅下降，可以通过2021年和2019年所述观测站i的日均流量的均值做插值填充。
进一步地，还包括，以下步骤：
根据公式
Figure BDA0003674837040000095
计算所述线路l的节假日期间的分日流量比Rd，l，k；
根据公式
Figure BDA0003674837040000096
计算所述线路l的节假日期间的分时流量比Rh，l，k，j。
进一步地，所述步骤S5之后还包括步骤S6：基于所述观测站i的日均修正预测流量数据
Figure BDA0003674837040000101
通过观测里程加权公式
Figure BDA0003674837040000102
计算所述线路l的日均修正预测流量数据
Figure BDA0003674837040000103
需要注意的是，若所述观测站i属于所述线路l则δi＝1，否则δi＝0。
进一步地，还包括，以下步骤：
基于M年的节假日期间所述线路l的分日流量比Rd，l，k，根据公式
Figure BDA0003674837040000104
按权重加权计算预测年份的预测分日流量比
Figure BDA0003674837040000105
Rd，l，k，y(M)为第M年节假日第k天的分日流量占比，sM为第M年的权重，y(M)对应第M年的年份；
基于M年的节假日期间所述线路l的分时流量比Rh，l，k，j，根据公式
Figure BDA0003674837040000106
按权重加权计算预测年份的预测分时流量比
Figure BDA0003674837040000107
Rh，l，k，j，y(M)为第M年节假日第k天第j时的分时流量占比。
值得注意的是，时间更近的年份予以更大的权重，同时，本领域的技术人员还可以根据实际需要采用其他方式计算出预测年份的预测分日流量比
Figure BDA0003674837040000108
预测分时流量比
Figure BDA0003674837040000109
进一步地，所述步骤S6之后还包括，以下步骤：
基于所述线路l的日均修正预测流量数据
Figure BDA00036748370400001010
乘以对应的所述线路l的预测分日流量比
Figure BDA00036748370400001011
通过公式
Figure BDA00036748370400001012
计算预测年份的所述线路l的预测分日流量
Figure BDA00036748370400001013
其中，
Figure BDA00036748370400001014
为所述线路l第k日的预测分日流量；
Figure BDA00036748370400001015
为所述线路l第k日的预测分日流量占比；
具体的，预测年份的所述线路l的预测分日流量
Figure BDA00036748370400001016
可以通过所述线路l的日均修正预测流量数据
Figure BDA00036748370400001017
乘以对应的所述线路l的预测分日流量比
Figure BDA00036748370400001018
计算得出。从而提供了辅助交通管理部门制定措施以及保障公路畅通运行的有效手段，并且在减轻路网拥堵、提高游客出游满意度以及提高出行效率等方面具有重要意义。
基于所述路线l的预测分日流量
Figure BDA0003674837040000111
乘以相应的所述线路l的预测分时流量比
Figure BDA0003674837040000112
通过公式
Figure BDA0003674837040000113
计算预测年份的所述线路l的预测分时流量
Figure BDA0003674837040000114
其中，
Figure BDA0003674837040000115
为所述线路l第k天第j小时的预测分时流量；
Figure BDA0003674837040000116
为所述线路l第k天第j小时的预测分时流量占比。
具体的，预测年份的所述线路l的预测分时流量
Figure BDA0003674837040000117
可以通过所述线路l的预测分日流量
Figure BDA0003674837040000118
乘以对应的所述线路l的预测分时流量比
Figure BDA0003674837040000119
计算得出。从而提供了辅助交通管理部门制定措施以及保障公路畅通运行的有效手段，并且在减轻路网拥堵、提高游客出游满意度以及提高出行效率等方面具有重要意义。
本发明还提供了一种节假日公路交通流量预测系统，其特征在于，包括存储器、处理器以及存储在所述存储器内并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时，实现如上述任一项所述的一种节假日公路交通流量预测方法的步骤。在本发明的具体实施例中，计算系统的处理器执行计算机程序时实现上述的节假日公路交通流量预测方法的步骤，通过现有的观测站对待计算公路的交通状况进行观测，不需要重新增设公路观测设备，即保证了对待计算公路的全时段的有效预测，又节约了公路观测站的建设成本和建设时间。
本发明还提供了一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任一项所述的节假日公路交通流量预测方法的步骤。在本发明的具体实施例中，计算系统的处理器执行计算机程序时实现上述的节假日公路交通流量预测方法的步骤，通过现有的观测站对待计算公路的交通状况进行观测，不需要重新增设公路观测设备，即保证了对待计算公路的全时段的有效预测，又节约了公路观测站的建设成本和建设时间。
本发明的上述技术方案中，以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的技术构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围。

Claims (10)

1.一种节假日公路交通流量预测方法，其特征在于，包括：
S1，获取待计算公路的历史M年的预设节假日期间及预设节假日前两周的每个观测站i的流量数据信息，i∈[1,Z]，Z为待计算公路上的观测站的总数；
S2，根据公式
Figure FDA0003674837030000011
计算所述待计算公路内的观测站i的节假日期间的日均流量Davg,i，其中，i为所述观测站编号，k为节假日中的第k天，k∈[1,T]，T为节假日假期的总天数，Dd,i,k为观测站i的第k天的日流量；
S3，根据加权移动平均法公式
Figure FDA0003674837030000012
Pt＝w1Davg,i,y(t)+w2Davg,i,y(t+1)+...+wNDavg,i,y(t-1+N)、
Figure FDA0003674837030000013
获得预测年份的所述观测站i的节假日期的日均流量趋势预测数据值
Figure FDA0003674837030000014
其中，N为预设的移动平均组的项数，t为移动平均组的排序，y(t)为移动平均组中对应的第t年，Dd,i,k,y(t)为所述观测站i在移动平均组中对应的第t年的节假日中的第k天的日流量，Davg,i,y(t)为所述观测站i在移动平均组中对应的第t年的节假日中的日均流量，wN为权重，N<M，共M年数据；
S4，根据公式
Figure FDA0003674837030000015
计算所述观测站i的修正系数Ci，其中，
Figure FDA0003674837030000016
为预测年份的节假日前两周的所述观测站i的日均流量，
Figure FDA0003674837030000017
为预测年份的前一年的节假日前两周的所述观测站i的日均流量；
S5，根据公式
Figure FDA0003674837030000018
β1+β2＝1，计算预测年份的所述观测站i的日均修正预测流量数据值
Figure FDA0003674837030000019
其中，Davg,i,y(last)为所述预测年份前一年所述观测站i的节假日期间的日均流量，β1为趋势预测的权重，β2为修正预测的权重。
2.根据权利要求1所述的一种节假日公路交通流量预测方法，其特征在于，所述步骤S2包括步骤：
获取所述观测站i的第k天的第j小时的小时流量Dh,i,k,j，根据所述观测站i的小时流量Dh,i,k,j，通过公式
Figure FDA0003674837030000021
计算所述观测站i节假日期间的分日流量Dd,i,k，其中，d代表所述观测站i的日流量数据，h代表所述观测站i的小时流量。
3.根据权利要求2所述的一种节假日公路交通流量预测方法，其特征在于，还包括，以下步骤：
基于所述观测站i的日流量Dd,i,k，根据观测里程加权公式
Figure FDA0003674837030000022
计算线路l的节假日期间的日流量Dd,l,k，其中，线路l为路段、路线或者路网，Li是所述观测站i的观测里程，δi是所述观测站i的二值函数，x代表线路l内所述观测站i的总个数；
基于所述观测站i的小时流量Dh,i,k,j，根据观测里程加权公式
Figure FDA0003674837030000023
Figure FDA0003674837030000024
计算所述线路l的节假日期间的小时流量Dh,l,k,j，其中，Dh,l,k,j为所述线路l的第k日第j时的小时流量，Dh,i,k,j为所述观测站i第k日第j时的小时流量；
基于所述观测站i的日均流量Davg,i，根据观测里程加权公式
Figure FDA0003674837030000025
Figure FDA0003674837030000026
计算所述线路l的节假日期间的日均流量Davg,l。
4.根据权利要求1所述的一种节假日公路交通流量预测方法，其特征在于，所述步骤S3之前还包括对所述待计算线路内观测站i的日均流量数据进行数据处理；所述数据处理包括剔除异常值、插值填充。
5.根据权利要求3所述的一种节假日公路交通流量预测方法，其特征在于，还包括，以下步骤：
根据公式
Figure FDA0003674837030000031
计算所述线路l的节假日期间的分日流量比Rd,l,k；
根据公式
Figure FDA0003674837030000032
计算所述线路l的节假日期间的分时流量比Rh,l,k,j。
6.根据权利要求5所述的一种节假日公路交通流量预测方法，其特征在于，所述步骤S5之后还包括步骤S6：基于所述观测站i的日均修正预测流量数据
Figure FDA0003674837030000033
通过观测里程加权公式
Figure FDA0003674837030000034
计算所述线路l的日均修正预测流量数据
Figure FDA0003674837030000035
7.根据权利要求6所述的一种节假日公路交通流量预测方法，其特征在于，还包括，以下步骤：
基于M年的节假日期间所述线路l的分日流量比Rd,l,k,，根据公式
Figure FDA0003674837030000036
按权重加权计算预测年份的预测分日流量比
Figure FDA0003674837030000037
Rd,l,k,y(M)为第M年节假日第k天的分日流量占比，sM为第M年的权重，y(M)对应第M年的年份；
基于M年的节假日期间所述线路l的分时流量比Rh,l,k,j，根据公式
Figure FDA0003674837030000038
按权重加权计算预测年份的预测分时流量比
Figure FDA0003674837030000039
Rh,l,k,j,y(M)为第M年节假日第k天第j时的分时流量占比。
8.根据权利要求7所述的一种节假日公路交通流量预测方法，其特征在于，所述步骤S6之后还包括，以下步骤：
基于所述线路l的日均修正预测流量数据
Figure FDA00036748370300000310
乘以对应的所述线路l的预测分日流量比
Figure FDA00036748370300000311
通过公式
Figure FDA00036748370300000312
计算预测年份的所述线路l的预测分日流量
Figure FDA00036748370300000313
其中，
Figure FDA00036748370300000314
为所述线路l第k日的预测分日流量；
Figure FDA00036748370300000315
为所述线路l第k日的预测分日流量占比；
基于所述路线l的预测分日流量
Figure FDA0003674837030000041
乘以相应的所述线路l的预测分时流量比
Figure FDA0003674837030000042
通过公式
Figure FDA0003674837030000043
计算预测年份的所述线路l的预测分时流量
Figure FDA0003674837030000044
其中，
Figure FDA0003674837030000045
为所述线路l第k天第j小时的预测分时流量；
Figure FDA0003674837030000046
为所述线路l第k天第j小时的预测分时流量占比。
9.一种节假日公路交通流量预测系统，其特征在于，包括存储器、处理器以及存储在所述存储器内并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-8中任一项所述的一种节假日公路交通流量预测方法的步骤。
10.一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的节假日公路交通流量预测方法的步骤。
CN202210621504.XA 2022-06-01 2022-06-01 一种节假日公路交通流量预测方法、系统和存储介质 Pending CN114943380A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210621504.XA CN114943380A (zh) 2022-06-01 2022-06-01 一种节假日公路交通流量预测方法、系统和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210621504.XA CN114943380A (zh) 2022-06-01 2022-06-01 一种节假日公路交通流量预测方法、系统和存储介质

Publications (1)

Publication Number Publication Date
CN114943380A true CN114943380A (zh) 2022-08-26

Family

ID=82908846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210621504.XA Pending CN114943380A (zh) 2022-06-01 2022-06-01 一种节假日公路交通流量预测方法、系统和存储介质

Country Status (1)

Country Link
CN (1) CN114943380A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115796404A (zh) * 2022-11-10 2023-03-14 国网江苏省电力有限公司营销服务中心 一种面向代理购电用户的用电预测方法及系统
CN115909748A (zh) * 2023-01-07 2023-04-04 深圳市城市交通规划设计研究中心股份有限公司 节假日公路交通量预测方法、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115796404A (zh) * 2022-11-10 2023-03-14 国网江苏省电力有限公司营销服务中心 一种面向代理购电用户的用电预测方法及系统
CN115909748A (zh) * 2023-01-07 2023-04-04 深圳市城市交通规划设计研究中心股份有限公司 节假日公路交通量预测方法、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN114943380A (zh) 一种节假日公路交通流量预测方法、系统和存储介质
Jeong et al. Bus arrival time prediction using artificial neural network model
CN101325004B (zh) 一种实时交通信息的数据补偿方法
CN104183119B (zh) 基于路段od反推的实时交通流分布预测方法
CN107832882A (zh) 一种基于马尔科夫决策过程的出租车寻客策略推荐方法
US7894980B2 (en) Method and apparatus for estimating real-time travel times over a transportation network based on limited real-time data
CN109191845B (zh) 一种公交车辆到站时间预测方法
CN102610088A (zh) 一种公交车站点间行程时间预测方法
CN109606286A (zh) 车辆油耗预测方法、车辆导航方法及电子设备
CN113177657B (zh) 轨道交通客流预测方法及装置
JP2022022106A (ja) コンピュータが実施する、ルートのエネルギ使用を予測する方法
CN114925483A (zh) 城市交通网络的碳排放测定方法
CN104331746B (zh) 一种分离式的动态路径优化系统及其方法
Wong et al. Estimation of multiclass origin-destination matrices from traffic counts
CN109255948A (zh) 一种基于卡尔曼滤波的分车道车流比例预测方法
CN109828270B (zh) 一种表征地面沉降时序演变的方法
CN114842641B (zh) 面向省域的多模式链式交通分配方法
Williams et al. The appraisal of highway investments under fixed and variable demand
CN105303246A (zh) 一种多线路公交到站时间预测方法
Xiao Optimal travel path planning and real time forecast system based on ant colony algorithm
CN110674990A (zh) 设置滑动窗口更新机制的即时配送路径选择方法及系统
CN105243848A (zh) 实时路况的预测方法和系统
CN113077629B (zh) 动态车流量测算方法、装置、电子设备及存储介质
CN114662304A (zh) 一种城市道路交通车流量的动态事件触发滤波估计方法
Gur Estimating trip tables from traffic counts: Comparative evaluation of available techniques

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