节假日公路交通量预测方法、电子设备及存储介质与流程

本发明属于智能交通监控预警，具体涉及一种节假日公路交通量预测方法、电子设备及存储介质。

背景技术：

1、高速公路交通量预测是高速公路运营管控关注的重要问题。近两年来，一方面受益于高速公路联网收费系统的建成，汇聚了大量的高速公路交通数据，可以充分反映路网的交通状况；另一方面高速公路受到出行管控事件影响，道路通行量出现新的状态趋势。

2、针对节假日出行高峰信息发布和管控需求，高速公路监管部门需要在节假日前一周左右提前预测节假日的出行信息，提示出行者每日的出行总量变化、拥堵路段和时段，因而需要对节假日出行交通量进行提前预测。目前高速公路出行量预测以两类研究为主，一是面向中长期规划建设的交通量预测，中长期规划建设的交通量预测通常以往年的节假日出行规律为依据，结合历年的增长趋势进行趋势分析和预测，或结合宏观发展指标（如汽车保有量、地区生产总值、地区户籍人口数等）进行回归分析和预测。上述方法只能得到宏观的出行总量，预测粒度较粗，不足以支撑节假日出行信息发布和精细化管控需求。二是面向短时预测，短时预测则需要实时的检测数据作为输入，无法实现预警信息发布和提前制定管控措施的应用需求。但针对提前一周的预测场景研究较少。

3、文章“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”发表了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，但只预测了节假日期间的od总量并按历史比例分配到天，预测粒度较粗，且不适用于事件冲击下出行比例分配与历史偏差较大的场景。

4、文章“多维空间bp神经网络的节假日高速公路网节点拥堵预测分析” 发表了通过小波变换处理数据噪声，建立多维bp神经网络预测第二年节假日期间每5min的流量数据，预测精度达到76%。但该方法只参考了历史节假日数据，而没有充分利用节前数据，预测精度并不高。

技术实现思路

1、本发明要解决的问题是为了解决节前提前预测高速公路节假日期间交通量问题，提出一种节假日公路交通量预测方法、电子设备及存储介质。

2、为实现上述目的，本发明通过以下技术方案实现：

3、一种节假日公路交通量预测方法，包括如下步骤：

4、s1、利用特征工程设计方法，选取基本特征，进行特征构造，得到构造的特征集合；

5、s2、采用pearson相关系数对步骤s1的构造的特征集合中的特征及预测标签进行相关性分析，筛选重要特征，得到重要特征集合；

6、s3、建立多元线性回归模型，设置预测精度指标；

7、s4、采集历史节假日高速公路交通量数据，对采集的历史节假日高速公路交通量数据通过步骤s1-s3进行训练，得到多元线性回归模型的待定系数矩阵；

8、s5、基于步骤s4得到的多元线性回归模型的待定系数矩阵，对节假日分时分小区的交通量进行预测。

9、进一步的，步骤s1的具体实现方法包括如下步骤：

10、s1.1、基本特征的个数为4个，包括：历史相同节日的交通量为，历史相同节日的节前一周平均交通量为，预测年的节日前一周平均交通量为，预测年的常态一周平均交通量为，i为交通小区，t为时间片；

11、s1.2、基于基本特征进行特征构造，得到特征集合：

12、s1.2.1、4个基本特征之间交叉相除生成12个比例特征，计算公式为：；

13、s1.2.2、4个基本特征和12个比例特征之间交叉相乘生成48个一次交叉特征，计算公式为：；

14、s1.2.3、48个一次交叉特征和12个比例特征之间交叉相乘生成528个二次交叉特征，计算公式为：；

15、s1.3、将步骤s1.2构造的特征记为，其中， v为特征集合，为第j个构造的特征项，交通小区的个数为z个，t为时间集合。

16、进一步的，步骤s2的具体实现方法包括如下步骤：

17、s2.1、设置pearson相关系数计算方程为：

18、

19、其中，为节假日的分时分小区交通量，为相关系数，为均值，为y的方差，为xj的方差，为xj的均值，为y的均值；s2.2、设定相关系数的阈值为，将步骤s1步骤构造的分小区分日期的时间序列特征进行pearson相关系数计算，当相关系数，则筛选为重要特征，得到重要特征集合， j的个数为 n个。

20、进一步的，所述节假日的分时分小区交通量为预测标签。

21、进一步的，步骤s3的具体实现方法包括如下步骤：

22、s3.1、设置多元线性回归方程为：

23、

24、其中，为第i个交通小区的第m个样本的第n个特征，为第i个交通小区的第m个样本的标签，为第i个交通小区第n个特征的系数；

25、s3.2、设置多元线性回归方程的矩阵为：

26、

27、

28、

29、

30、其中：为第i个交通小区的所有节假日分时间片样本数据、共个样本，为经过相关性分析后得到的第i个交通小区的重要特征集合、包括个特征项，为多元线性回归方程的第i个交通小区的系数矩阵；

31、s3.3、设置预测精度指标：

32、s3.3.1、日交通量为所有交通小区的全天交通量，采用平均绝对误差百分比 mape指标量化预测误差，计算公式为：

33、

34、其中为样本真实值，为样本预测值；

35、s3.3.2、分时交通量为每15min所有交通小区的总交通量，采用mape指标量化预测误差；

36、s3.3.3、分小区日交通量为每个交通小区的日交通量，采用无量纲的指标r2量化预测误差，计算公式为：

37、

38、其中，为样本均值；

39、s3.3.4、分时分小区交通量为每15min的各交通小区的交通量，采用绝对误差ae指标量化预测误差，计算公式为：

40、

41、计算平均绝对误差mae和每15min预测值ae≤15的交通小区占总交通小区的比例来衡量准确度；

42、。

43、进一步的，步骤s4的具体实现方法包括如下步骤：

44、s4.1、采集交通小区一年的历史节假日高速公路交通量数据，代入步骤s1中得到输入数据为特征集合，交通小区的个数为z个，第i个交通小区；

45、s4.2、将步骤s4.1的特征集合代入步骤s2中，遍历每个特征并计算相关系数，然后根据设定阈值筛选重要特征，得到重要特征数据集合，，s为重要特征序号的集合；

46、s4.3、遍历每个交通小区，代入步骤s3求解多元线性回归系数矩阵，计算公式为：

47、

48、其中，表示值取到最小时的值。

49、进一步的，步骤s5的具体实现方法包括如下步骤：

50、s5.1、输入数据：特征集合，重要特征集合，多元线性回归矩阵系数；

51、s5.2、选取s中的重要特征序号，得到重要特征数据集合；

52、s5.3、遍历每个交通小区，代入多元线性回归系数矩阵，对节假日分时分小区的交通量进行预测，得到：

53、。

54、电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现所述的一种节假日公路交通量预测方法的步骤。

55、计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种节假日公路交通量预测方法。

56、本发明的有益效果：

57、本发明所述的一种节假日公路交通量预测方法，设计特征工程挖掘交通量变化，基于多元线性回归模型实现节假日期间分时、分交通小区的交通量预测，支持高速公路节假日出行信息发布。

58、本发明所述的一种节假日公路交通量预测方法，通过实验验证了该方法的适用性：

59、常态下，节假日预测的日交通量精度>92%，分时交通量精度>85%，分小区交通量精度>0.95，分时分小区交通量预测误差不超过15的比例>85%。

60、出行管控下，节假日预测的日交通量精度>81%，分时交通量精度>80%，分小区交通量精度>0.90，分时分小区交通量预测误差不超过15的比例>88%。

61、本发明所述的一种节假日公路交通量预测方法，可实现节假日分时分交通小区交通量预测，提供了细粒度的节假日出行状态预测，支撑进一步的节假日期间道路运行状态分析。