应获取了所选年份观测断面所在区域的年常住人口总量（详见表3)和年 ⑶P总值（详见表4)，同时获取了观测断面的单向车道数和距市中心的距离，见表1和表2。 道路等级采用分类变量，高速公路取0, 一级公路取1，二级公路取2。
[0031] 表1 2006年~2013年Gl高速公路在22个观测断面的年平均日交通量（pcu/d)
[0032]
[0042] 4)根据步骤1)确定的影响因素和步骤2)确定的可选相邻路径，构建多因子回归 模型，如下式：
[0043] Y = XB+ ε + Θ ⑴
[0044] 其中Y = (Y1, y2,…，yn)T表示路径的断面交通量，y 1表示预测路径的断面交通量， y2~yn表示与预测路径走向大致相同的（n-1)条路径的断面交通量，yi表示第i条路径的 断面交通量；X = (1，X1, X2，…，Xj,…，xm)表示影响因素，Xj表示第j个影响因素，共有m个 影响因素
.表示对应各影响因素的未知参数，bji表示第j 个影响因素对第i条路径的回归系数；ε = ( ε ε 2，…，ε i，…，ε n)'表示误差项，ε 1表 示对第i条路径回归的随机变量，且服从正态分布Ν(0,。2) ;θ = (θ)ηΧ1，Θ表示影响71 与y2~y "间相关性的其他未知变2)，其中σ和〇 0的取值为〇~1000000 ;
[0045] 本实施例中，步骤2)确定的可选路径为1条，步骤2)确定的可选影响因素为5个， 构建的多因子回归模型为：
[0047] 其中Y1表示Gl的断面年平均日交通量；y 2表示G102的断面年平均日交通量； X1.~X5分别表示观测断面道路等级、车道数、区域常住人口总数、区域GDP总值、距市中心 的距离；b1(l~b15、b2(l~b25为待定系数；ε η ε2为随机误差且ε ^2)，￡1与ε 2不相互独 立；Θ表示影响相关性的其他未知变量，随区2)，在本实施例中，σ和σ 0的取 值均为1000000。
[0048] 5)利用步骤3)中所获得的数据对步骤4)中的模型进行参数标定，采用马尔科夫 蒙特卡洛仿真方法进行编程计算。
[0049] 根据本实例的历年实测数据，分别将两条路径的交通量与道路等级、车道数、区域 常住人口总数、区域GDP总值和距市中心的距离进行对因子线性回归，回归计算结果见表 1，显著性水平取0.05。可得本实例中基于多因子回归的区域公路主通道交通需求预测回归 方程为：
[0053] 本发明可以通过对预测路径进行单独的多元线性回归进行预测精度对比，其中预 测路径的影响因素和各参数取值均与多因子回归模型中的相同。
[0054] 下面对本实例中的两条路径进行单独的多元线性回归，回归方程如下：
[0055] Y1= b 10+b11x1+b12x2+b 13x3+b14X4+b15x5+ ε j (3)
[0056] y2 - b go+t^Xi+t^Xg+t^Xg+b^XA+b^Xg+ ε 2 (4)
[0057] 其中￡1与ε 2相互独立，其余参数意义同上。
[0058] 采用相同的数据和参数标定方法得到的参数估计结果见表2。所得到的回归方程 为：
[0059] Y1= 1544+1594χ ,9354x2-0· 2246χ3_3· 201χ4_48· 37χ5
[0060] y2= 1135+12. 87x i+18. 95χ3+1· 655χ4_4· 892χ5
[0061] 表2单独多元线性回归方程参数估计结果
[0064] 利用表1中计算的多因子线性回归方程进行交通需求预测，将预测值与真实值进 行对比分析，结果如图3所示；利用表2中计算的单独多元线性回归方程进行交通需求预 测，将预测值与真实值进行对比分析，结果如图4所示。可以看出：联合回归方程的预测结 果与实测值之间的相关系数的平方为R 2= 〇. 9095,比较接近于1，而单独多元回归方程的 预测结果与实测值之间的相关系数的平方为R2= 〇. 8368,预测效果相对较差。本实例使用 本发明方法进行多因子回归交通需求预测，将预测精度提高了 5. 7%。
【主权项】
1. 基于多因子回归的区域公路主通道交通需求预测方法，其特征是，包括以下步骤： 1) 确定区域公路主通道交通需求预测的影响因素； 2) 确定与主通道路径起点和终点相同的至少一条可选路径； 3) 根据步骤1)确定的影响因素和步骤2)确定的可选路径，构建多因子回归模型： Y=XB+e+ 0 (1) 其中Y= (yi，y2，…，yn)T表示路径的断面交通量，T为转置，y:表示预测路径的断面交 通量，y2~yn表示（n_i)条可选路径的断面交通量，yi表示第i条路径的断面交通量；x = (l，Xl，x2，…，…^)为确定的影响因素，x廣示第j个影响因素，共有m个影响因素；:表示对应各影响因素的未知参数，表示第j个影响因素 对第i条路径的回归系数；e= (ee2，…，e,，…，en)'表示误差项，e廣示对第i条 路径回归的随机变量，且服从正态分布N(0, 〇2) ;0 = (0)nX1，0表示影响71与72~5% 间相关性的其他未知变量，随区域变化可能取不同的值，且0~A/(〇,以)； 4) 采用步骤3)建立的回归模型预测主通道的交通需求yi。2. 根据权利要求1所述的基于多因子回归的区域公路主通道交通需求预测方法，其特 征是：所述步骤4)预测主通道交通需求采用马尔科夫蒙特卡洛仿真方法进行编程计算。3. 根据权利要求1所述的基于多因子回归的区域公路主通道交通需求预测方法，其特 征是：所述影响因素包括：断面交通流量、区域、区域常住人口总量、区域GDP总值、道路等 级、车道数量和断面距市中心的距离。4. 根据权利要求3所述的基于多因子回归的区域公路主通道交通需求预测方法，其特 征是：其中断面交通流量为路径上每两个出入口之间所选断面的年平均日交通量；区域为 调查断面所在的城市；区域常住人口总量为每年年末的统计值；区域GDP总值为断面所在 城市每年全年的GDP总值；车道数为调查断面的单向车道数；断面距市中心的距离采用调 查断面距城市市域中心的直线距离。5. 根据权利要求1所述的基于多因子回归的区域公路主通道交通需求预测方法，其特 征是：步骤2)中所述可选路径为路径长度的80%以上所经过的区域与预测路径所经过区 域相同或相邻。
【专利摘要】本发明公开了一种基于多因子回归的区域公路主通道交通需求预测方法，包括以下步骤：确定区域公路主通道交通需求预测的影响因素；确定与主通道路径起点和终点相同的至少一条可选路径；根据上述确定的影响因素和可选路径，构建多因子回归模型；采用建立的回归模型预测主通道的交通需求y1。本发明改进了现有区域公路主通道交通需求预测方法只针对单一路径进行回归预测而不考虑与之走向大致相同的其他相邻路径的影响的做法，利用多因子联合回归进行通道内某条路径的交通需求预测，该方法提高了现有需求预测的精度，可为工程实践中的后续工作提供更准确的需求预测结果。
【IPC分类】G08G1/01, G06Q10/04
【公开号】CN104916134
【申请号】CN201510313078
【发明人】席广恒, 孙玉武, 田园, 魏雪延, 王昊
【申请人】辽宁省交通规划设计院, 南京全司达交通科技有限公司
【公开日】2015年9月16日
【申请日】2015年6月9日