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

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。

权利要求

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+ε+θ   (1)

其中Y＝(y1,y2,…,yn)T表示路径的断面交通量，T为转置，y1表示预测路径的断面交通量，y2～yn表示(n-1)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＝(1,x1,x2,…,xj,…，xm)为确定的影响因素，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＝(ε1,ε2,…,εi,…，εn)′表示误差项，εi表示对第i条路径回归的随机变量，且服从正态分布N(0，σ2)；θ＝(θ)n×1，θ表示影响y1与y2～yn间相关性的其他未知变量，随区域变化可能取不同的值，且 其中σ和σθ表示方差，σ和σθ的取值为0～

1000000；

4)采用步骤3)建立的回归模型预测主通道的交通需求y1。

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。

说明书

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

技术领域

[0001] 本发明属于需求预测技术领域，涉及区域公路主通道内与预测路径走向大致相同的其他相邻路径的影响，为一种高精度的区域公路主通道交通需求预测方法。

背景技术

[0002] 对区域交通主通道内交通需求进行预测时，通常采用单向分别预测或基于OD调查资料的四阶段预测法。单向分别预测交通量是通过对拟规划研究的道路上远景年份的基本交通量、转移交通量和诱增交通量分别进行定量预测后，汇总得到该线路的远景交通量预测值，单向分别预测时并没有考虑主通道内多条路径的相互影响。四阶段预测法是一种在研究城市交通规划的过程中发展起来的预测方法，它在城市交通规划中得到了广泛应用，但是城市交通与区域交通主通道交通存在很大的不同：城市交通的交通流流向复杂，具有发散性，通道内的交通流有很强的方向性；城市交通系统中从O到D的线路有很多，出行者有相对自由的选择权，而通道内从O到D的线路一般是固定的，选择有限。因此不适宜采用四阶段法预测通道交通需求。

[0003] 目前已有研究中，在充分考虑交通需求的影响因素后，一部分研究针对交通需求与社会活动、经济发展等影响因素的相关性，根据相关系数预测通道的交通需求总量，然后再采用可行路径吸引权分配法得到可行路径的交通流量；另一部分研究通过对通道内各路径竞争性的分析，建立了博弈模型和模糊综合评价模型，但这些算法操作复杂且主观因素较大。鉴于目前在进行区域公路主通道内某条路径交通需求线性回归预测时，通常只针对该条路径展开单独分析，而没有直接考虑走向大致相同的其他路径对此路径产生的影响这一现状，本发明提出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。

发明内容

[0004] 本发明要解决的技术问题是：针对区域公路主通道内某条路径进行需求预测时，考虑与之走向大致相同的相邻路径的影响，进行多因变量联合回归预测，然而目前还没有基于多因子回归的交通需求预测方法。

[0005] 本发明的技术方案为：

[0006] 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，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；

[0007] 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；

[0008] 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：

[0009] Y＝XB+ε+θ        (1)

[0010] 其中Y＝(y1,y2,...,yn)T表示路径的断面交通量，T为转置，y1表示预测路径的断面交通量，y2～yn表示(n-1)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＝(1,x1,x2,...,xj,...,xm)为确定的影响因素，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＝(ε1,ε2,...,εi,...,εn)′表示误差项，εi表示对第i条路径回归的随机变量，且服从正态分布N(0，σ2)；θ＝(θ)n×1，θ表示影响y1与y2～yn间相关性的其他未知变量，随区域变化可能取不同的值，且

[0011] 4)采用步骤3)建立的回归模型预测主通道的交通需求y1。

[0012] 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。

[0013] 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。

[0014] 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。

[0015] 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。

[0016] 本发明提供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，通过对通道交通需求影响因素的分析，并寻找通道内走向大致相同的至少一条可选路径，构建影响因素对可选路径的多因子多元线性回归方程，借助历史数据采用马尔科夫蒙特卡洛仿真方法进行模型参数标定，采用标定后的多因子回归模型进行区域公路主通道交通需求预测时，可提高预测精度。本发明的独创性在于对通道内某条路径进行需求预测时，直接考虑了与之走向大致相同的相邻路径的影响进行多因子联合回归预测，通过与对预测路径进行单独多元线性回归的预测结果进行对比可得到预测精度的提高值，可选路径选取的越多，主通道交通需求预测则更为精确。

[0017] 本发明从多因子回归的角度提出了高精度的区域公路主通道交通需求预测方法，该方法的计算过程简单易行，在工程实践中可快速获得区域公路主通道内预测路径的交通需求。

附图说明

[0018] 图1为本发明方法的流程图。

[0019] 图2为本发明方法的实例所选路径示意图。

[0020] 图3为本发明方法的实例中多因子回归预测结果图。

[0021] 图4为本发明方法的实例中单独回归预测结果图。

具体实施方式

[0022] 下面结合附图和实例对本发明方法的具体实施方式进行进一步说明。

[0023] 如图1所示为基于多因子回归的区域公路主通道交通需求预测方法的总体流程图，下面结合图1和本发明方法的具体步骤进行详细的实例应用介绍：

[0024] 1)确定区域公路主通道交通需求预测的影响因素，包括区域、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，以及其他会对区域公路主通道交通需求预测产生影响的未知变量；

[0025] 本实例为沈阳至山海关区域交通主通道内京哈高速的交通需求预测，考虑本实例中通道本身的特点，进行回归分析选取的因素有：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共六个。

[0026] 2)寻找主通道内与预测路径走向大致相同的相邻路径；

[0027] 本实例中京哈高速沈山段共有380km，从起点沈阳至终点山海关所经过区域依次为沈阳、鞍山、盘锦、锦州和葫芦岛；通道内国道京哈线(G102)共有434km，从起点沈阳至终点山海关经过区域依次为沈阳、锦州、葫芦岛，满足于预测路径走向大致相同的条件。本实例中沈山通道内与京哈高速沈山段走向大致相同的路径有国道京哈线(G102)，走向图如图
2所示。

[0028] 3)获取这些路径相关影响因素和断面交通流量的历史数据，其中断面交通流量为路径上每两个大型出入口之间所选断面的年平均日交通量(pcu/d)；区域为分类参数，代表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(万人)；区域GDP总值为断面所在城市每年全年的GDP总值(万元)；道路等级为分类参数；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(km)；

[0029] 本实例中选取了2006年～2013年的G1高速公路在22个观测断面的年平均日交通量(详见表1)和2002年～2013年的G102国道在16个观测断面的平均日交通量数据(详见表
2)，对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GDP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。

[0030] 表1 2006年～2013年G1高速公路在22个观测断面的年平均日交通量(pcu/d)

[0031]

[0032]

[0033] 表2 2002年～2013年G102国道在16个观测断面的平均日交通量数据(pcu/d)

[0034]

[0035]

[0036] 表3 各区域历年常住人口总量(单位：万人)

[0037]

[0038]

[0039] 表4 各区域历年GDP总值(单位：亿元)

[0040]年份 沈阳 鞍山 盘锦 锦州 葫芦岛 营口 大连
2002年 1400.0 572.0 302.0 242.9 197.8 217.6 1406.1
2003年 1602.0 648.0 330.8 281.7 225.5 253.4 1632.6
2004年 1900.7 849.0 369.4 343.1 262.0 318.3 1961.8
2005年 2084.1 1018.0 441.3 381.9 299.5 380.9 2152.2
2006年 2519.6 1136.0 509.2 460.2 335.4 457.7 2569.7
2007年 3221.1 1350.0 562.9 551.1 379.4 570.1 3130.7
2008年 3860.5 1608.0 675.0 690.4 414.6 703.6 3858.2
2009年 4268.5 1730.5 685.3 790.1 445.6 799.5 4417.7
2010年 5107.5 2125.0 926.5 912.6 531.5 1002.4 5158.1
2011年 5914.9 2398.8 1119.9 1115.9 650.1 1222.5 6150.1
2012年 6606.8 2429.3 1245.0 1248.5 719.3 1381.2 7002.8
2013年 7158.6 2623.3 1400.0 1344.9 784.0 1513.1 7650.8

[0041] 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：

[0042] Y＝XB+ε+θ      (1)

[0043] 其中Y＝(y1,y2,...,yn)T表示路径的断面交通量，y1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＝(ε1,ε2,...,εi,...,εn)′表示误差项，εi表示对第i条路径回归的随机变量，且服从正态分布N(0，σ2)；θ＝(θ)n×1，θ表示影响y1与y2～yn间相关性的其他未知变量，随区域变化可能取不同的值，且 其中σ和σθ的取值为0～
1000000；

[0044] 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：

[0045]

[0046] 其中y1表示G1的断面年平均日交通量；y2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；b10～b15、b20～b25为待定系数；ε1、ε2为随机误差且ε1、ε2～N(0，σ2)，ε1与ε2不相互独立；θ表示影响y1与y2间相关性的其他未知变量，随区域变化可能取不同的值，在本实施例中，σ和σθ的取值均为1000000。

[0047] 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。

[0048] 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：

[0049]

[0050] 表1 多因子线性回归方程参数估计结果

[0051]coefficients mean variance 2.50％ median 97.50％
b10 1819 978 -88.55 1810 3685
b20 -1657 965.7 -3631 -1627 187.3
b11 1757 970.3 -150.9 1727 3741
b21 6.195 1003 -1930 -2.237 1986
b12 10230 465.1 9273 10240 11080
b13 -107.4 22.85 -139.3 -113.6 -56.55
b23 -41.92 20.59 -74.45 -46.26 0.2759
b14 6.202 0.9095 4.314 6.245 7.817
b24 6.129 0.8559 4.548 6.093 7.929
b15 -27.69 23.48 -71.77 -27.96 18.71
b25 -51.26 15.21 -82.03 -51.29 -21.14
correlation 0.8628 0.1099 0.5644 0.8967 0.9822
σ2 5.64E+07 4.23E+06 4.87E+07 5.62E+07 6.51E+07
σθ2 7.63E+08 1.24E+09 7.51E+07 4.88E+08 3.06E+09

[0052] 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。

[0053] 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：

[0054] y1＝b10+b11x1+b12x2+b13x3+b14x4+b15x5+ε1    (3)

[0055] y2＝b20+b21x1+b22x2+b23x3+b24x4+b25x5+ε2    (4)

[0056] 其中ε1与ε2相互独立，其余参数意义同上。

[0057] 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：

[0058] y1＝1544+1594x1+9354x2-0.2246x3-3.201x4-48.37x5

[0059] y2＝1135+12.87x1+18.95x3+1.655x4-4.892x5

[0060] 表2 单独多元线性回归方程参数估计结果

[0061]coefficients mean variance 2.50％ median 97.50％
b10 1544 994.6 -389.2 1559 3460
b20 1135 941.5 -672.5 1142 2970
b11 1594 989.7 -326.8 1587 3526
b21 12.87 994.7 -1934 -13.28 1977
b12 9354 388.7 8576 9352 10120
b13 -0.2246 8.094 -16.21 0.1211 14.8
b23 18.95 5.603 7.953 18.83 30
b14 -3.201 0.9354 -4.965 -3.24 -1.368
b24 1.655 0.8918 -0.1064 1.659 3.355
b15 -48.37 27.96 -104.2 -48.24 4.998
b25 -4.892 17.79 -41.11 -4.88 29.53

[0062] 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
2
实测值之间的相关系数的平方为R ＝0.9095，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＝0.8368，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％。