多因素协同的大型活动场馆周边路段速度预测

doi:10.12141/j.issn.1000-565X.230386

华南理工大学学报(自然科学版) ›› 2024, Vol. 52 ›› Issue (8): 34-44.doi: 10.12141/j.issn.1000-565X.230386

多因素协同的大型活动场馆周边路段速度预测

翁剑成¹(), 吴明珠¹, 魏瑞聪², 王晶晶³^,⁴(), 毛力增³^,⁴

^1.北京工业大学交通工程北京市重点实验室，北京 100124
^2.福建省高速公路联网运营有限公司，福建福州 350001
^3.北京市交通运行监测调度中心，北京 100161
^4.综合交通运行监测与服务北京市重点实验室，北京 100161

收稿日期:2023-06-05 出版日期:2024-08-25 发布日期:2024-01-26
通信作者: 王晶晶（1983—），女，教授级高级工程师，主要从事交通信息管理与应用、智能交通等研究。 E-mail:wangjingjing@jtw.beijing.gov.cn
作者简介:翁剑成（1981—），男，博士，教授，主要从事智能交通与大数据建模、交通出行行为等研究。E-mail： youthweng@bjut.edu.cn
基金资助:
国家自然科学基金资助项目(52072011)

Speed Prediction for Road Around Large Scale Activities Venues Considering Multiple Factors Synergism

WENG Jiancheng¹(), WU Mingzhu¹, WEI Ruicong², WANG Jingjing³^,⁴(), MAO Lizeng³^,⁴

^1.Beijing Key Laboratory of Traffic Engineering，Beijing University of Technology，Beijing 100124，China
^2.Fujian Expressway Group Co. ，Ltd. Fuzhou 350001，Fujian，China
^3.Beijing Municipal Transportation Operations Coordination Center，Beijing 100161，China
^4.Beijing Key Laboratory of Integrated Traffic Operation Monitoring and Service，Beijing 100161，China

Received:2023-06-05 Online:2024-08-25 Published:2024-01-26
Contact: 王晶晶（1983—），女，教授级高级工程师，主要从事交通信息管理与应用、智能交通等研究。 E-mail:wangjingjing@jtw.beijing.gov.cn
About author:翁剑成（1981—），男，博士，教授，主要从事智能交通与大数据建模、交通出行行为等研究。E-mail： youthweng@bjut.edu.cn
Supported by:
the National Natural Science Foundation of China(52072011)

摘要/Abstract

摘要：

大型活动会引起举办场馆周边区域路网出现交通流短时骤增与消散，导致周边区域路网交通运行呈现偶发性与不确定性波动，而现有预测方法通常难以捕捉特殊事件下交通流受多维因素复杂影响及其演变机理。为充分挖掘路段速度的时间序列和影响因素特征，揭示速度预测中不同影响特征间的耦合作用机理，提出了一种结合可解释机器学习与长短时记忆网络的速度预测模型（MC-LSTM）。结合大型活动的特点构建影响因素集，采用XGBoost算法评价活动规模、性质等因素特征对场馆周边路段速度的影响相对重要度，量化多元因素对场馆周边路网运行状态的协同效用，融合LSTM网络，考虑交通状态的时间依赖关系，捕获不同历史时期的时间相关性，实现对活动期间场馆周边路段速度的精确预测。以北京市连续6个月的大型活动期间周边路网为例进行模型验证，结果表明：所构建的MC-LSTM模型的预测精度可达94.5%以上，优于考虑多因素协同的XGBoost模型、只考虑单因素特征的LSTM模型及未考虑外部特征的LSTM模型，证明该研究所提出的模型有效性与稳定性更优，可为大型活动场馆周边路网交通组织优化和制定针对性交通管控与保障措施提供定量化的决策依据。

关键词: 城市交通, 大型活动, 速度预测, 长短时记忆神经网络（LSTM）, XGBoost模型, 多因素耦合

Abstract:

Large scale activities can cause a sudden increase and dissipation of traffic flow in the area around the venue, resulting in occasional and uncertain fluctuations of the road network operation in the surrounding area. The existing methods are insufficient to capture the evolution mechanism of traffic flow under the influence of multi-dimensional factors in special events at the prediction scale. In order to fully exploit the information of time series and influencing factor features of road section speed and effectively deal with the coupling mechanism between different influencing features in speed prediction, this paper proposed a speed prediction model (MC-LSTM) combining Interpretable Machine Learning and Long Short-Term Memory network. Firstly, the study combined the characteristics of large scale activities to construct the set of influencing factors. Then it used the XGBoost algorithm to evaluate the relative importance of the impact of activity scale, nature and other factors characteristics on the speed of road sections around the venue. It quantified the synergistic utility of multiple factors on the operation state of the road network around the venue, fused LSTM networks, considered the time-dependent relationship of traffic state, captureed the temporal correlation of different historical periods, and accurately predicted the speed of road sections around the venue during the activity. MC-LSTM was validated by taking the road network around large scale activities venues in Beijing for six consecutive months. The results indicate that the prediction accuracy of the MC-LSTM model can reach more than 94.5%, which is better than that of XGBoost model considering multiple factors synergism, LSTM model considering only single factor features and the LSTM model not considering external features. It proved that the model proposed in this paper has better validity and stability. This study can provide a decision basis for optimizing the traffic organization of the road network around the large scale activities venues and formulating traffic control and security measures.

Key words: urban transportation, large scale activity, speed prediction, Long Short-Term Memory, XGBoost model, multiple factors synergism

中图分类号:

U491.1

翁剑成, 吴明珠, 魏瑞聪, 等. 多因素协同的大型活动场馆周边路段速度预测[J]. 华南理工大学学报(自然科学版), 2024, 52(8): 34-44.

WENG Jiancheng, WU Mingzhu, WEI Ruicong, et al. Speed Prediction for Road Around Large Scale Activities Venues Considering Multiple Factors Synergism[J]. Journal of South China University of Technology(Natural Science Edition), 2024, 52(8): 34-44.

图/表 10

表1

图1

图2

表2

表3

图3

表4

表5

图4

表6

参考文献 23

1	GUO J H， HUANG W， WILLIAMS B M ．Adaptive Kalman filter approach for stochastic short term traffic flow rate prediction and uncertainty quantification［J］．Transportation Research Part C：Emerging Technologies，2014，43（1）：50-64.
2	MA T， ANTONIOU C， TOMER T ．Hybrid machine learning algorithm and statistical time series model for network-wide traffic forecast［J］．Transportation Research Part C：Emerging Technologies，2020，111：352-372.
3	SHAYGAN M， MEESE C， LI W X，et al ．Traffic prediction using artificial intelligence：review of recent advances and emerging opportunities［J］．ransportation Research Part C：Emerging Technologies，2022，145：10392/1-50.
4	TANG J J， CHEN X Q， HU Z，et al ．Traffic flow prediction based on combination of support vector machine and data denoising schemes［J］．Physica A：Statistical Mechanics and its Applications，2019，534：120642/1-19.
5	焦朋朋，安玉，白紫秀，等．基于XGBoost的短时交通流预测研究［J］．重庆交通大学学报（自然科学版），2022，41（8）：17-23，66.
	JIAO Pengpeng， AN Yu， BAI Zixiu，et al ．Short-term traffic flow forecasting based on XGBoost［J］．Journal of Chongqing Jiaotong University （Natural Science），2022，41（8）：17-23，66.
6	TEDJOPURNOMO D A， BAO Z， ZHENG B，et al ．A survey on modern deep neural network for traffic prediction：trends，methods and challenges［J］．IEEE Transactions on Knowledge and Data Engineering，2022，34（4）：1544-1561.
7	姚俊峰，何瑞，史童童，等．基于机器学习的交通流预测方法综述［J］．交通运输工程学报，2023，23（3）：44-67.
	YAO Jun-feng， HE Rui， SHI Tong-tong，et al ．Review on machine learning-based traffic flow prediction methods［J］．Journal of Traffic and Transportation Engineering，2023，23（3）：44-67.
8	霍嘉男，成卫，李冰．基于多特征数据融合的城市道路行程速度预测［J］．深圳大学学报（理工版），2023，40（2）：195-202.
	HUO Jianan， CHENG Wei， LI Bing ．Urban road travel speed prediction based on muliti-feature data fusion［J］．Journal of Shenzhen University （Science and Engineering） 2023，40（2）：195-202.
9	MURCA M C R， HANSMAN R J ．Identification，characterization，and prediction of traffic flow patterns in multi-airport systems［J］．IEEE Transactions on Intelligent Transportation Systems，2019，20（5）：1683-1696.
10	林培群，夏雨，周楚昊．引入时空特征的高速公路行程时间预测方法［J］．华南理工大学学报（自然科学版），2021，49（8）：1-11.
	LIN Peiqun， XIA Yu， ZHOU Chuhao ．Freeway travel time prediction based on spatial and temporal characteristics of road networks［J］．Journal of South China University of Technology （Natural Science Edition），2021，49（8）：1-11.
11	POLSON N G， SOKOLOV V O ．Deep learning for short-term traffic flow prediction［J］．Transportation Research Part C Emerging Technologies，2017，79：1-17.
12	付宇，翁剑成，钱慧敏，等．基于XGBoost算法的大型活动期间轨道进出站量预测［J］．武汉理工大学学报（交通科学与工程版），2020，44（5）：832-836.
	FU Yu， WENG Jiancheng， QIAN Huimin，et al ．Prediction of metro passenger flow during large-scale activities based on XGBoost algorithm［J］．Journal of Wuhan University of Technology （Transportation Science & Engineering），2020，44（5）：832-836.
13	董春娇，刘晓珂，常乃心，等．基于网络搜索引擎的大型活动客流规模预测［J］．北京交通大学学报，2022，46（4）：52-59.
	DONG Chunjiao， LIU Xiaoke， CHANG Naixin，et al ．Passenger flow prediction for large-scale events based on network search engine［J］．Journal of Beijing Jiaotong University，2022，46（4）：52-59.
14	李楚依．冬奥会开闭幕式观众散场组织［D］．北京：北京交通大学，2022.
15	NIU X J， ZHAO X M， XIE D F，et al ．Impact of large-scale activities on macroscopic fundamental diagram：field data analysis and modeling［J］．Transportation Research Part A：Policy and Practice，2022，161：241-268.
16	王志建，李达标，崔夏．基于LSTM神经网络的降雨天旅行时间预测研究［J］．交通运输系统工程与信息，2020，20（1）：137-144.
	WANG Zhijian， LI Dabiao， CUI Xia ．Travel time prediction based on LSTM neural network in precipitation［J］．Journal of Transportation Systems Engineering and Information Technology，2020，20（1）：137-144.
17	赵晓华，亓航，姚莹，等．基于可解释机器学习框架的快速路立交出口风险预测及致因解析［J］．东南大学学报（自然科学版），2022，52（1）：152-161.
	ZHAO Xiaohua， QI Hang， YAO Ying，et al ．Risk prediction and causation analysis of expressway interchange exits based on interpretable machine learning framework［J］．Journal of Southeast University （Natural Science Edition），2022，52（1）：152-161.
18	KWOCZEK S， DI Martino S， NEJDL W ．Predicting and visualizing traffic congestion in the presence of planned special events［J］．Journal of Visual Languages & Computing，2014，25（6）：973-980.
19	PULUGURTHA S S， DUDDU V R， VENIGALLA M ．Evaluating spatial and temporal effects of planned special events on travel time performance measures［J］．Transportation Research Interdisciplinary Perspectives，2020，6：100168/1-12.
20	王振报，李金山，陈艳艳．大型活动期间交通影响分析方法研究［J］．武汉理工大学学报（交通科学与工程版），2010，34（4）：758-761.
	WANG Zhenbao， LI Jinshan， CHEN Yanyan ．Research on traffic impact analysis method under special events［J］．Journal of Wuhan University of Technology （Transportation Science & Engineering），2010，34（4）：758-761.
21	杨子帆，徐海辉，钱慧敏，等．基于多源数据的城市大型活动交通影响评价方法［J］．交通工程，2022，22（3）：7-12.
	YANG Zifan， XU Haihui， QIAN Huimin，et al ．Traffic impact evaluation method for urban large-scale activities based on multi-source data［J］．Journal of Transportation Engineering，2022，22（3）：7-12.
22	CHEN T， GUESTRIN C ．XGBoost：a scalable tree boosting system［C］∥Proceedings of the 22nd ACM Sigkdd international Conference on Knowledge Discovery and Data Mining．New York：Association for Computing Machinery，2016：785-794.
23	HASTIE T， TIBSHIRANI R， FRIEDMAN J ．The elements of statistical learning：data mining，inference，and prediction［M］．New York：Springer，2009.

维度		影响因素	属性值
大型活动属性	活动内部因素	活动规模	以不同的活动规模进行赋值
		活动性质	体育活动为1；文艺活动为2；商业活动为3
		活动场馆区位	根据不同场馆所属区域分别赋值
	活动外部因素	活动日期属性	工作日为1；周末为2；节假日为3
		活动日天气状况	晴天为0；多云为1；阴天为2；明显降雨为3；雾霾为4；降雪为5
		活动举办时段	白天时段（08：00—18：00）为1；夜晚时段（18：00—24：00）为2
时空影响属性		距离活动开始/结束的时间	以距离活动开始/结束的时间进行赋值（5 min粒度）
时空影响属性		路段与活动场馆的空间距离	根据ArcGIS生成的路段拓扑点到大型活动场馆的路径距离进行赋值（以m为单位）

序号	活动名称	举办地点	活动类型	活动规模/人	起止时间	日期
1	2019罗大佑巡回演唱	工人体育场	文艺演出	40 000	19：00—22：00	2019-06-08
2	踏冰筑梦	工人体育场	文艺演出	5 300	19：00—21：30	2019-07-05
3	818从辛出发群星演唱会	奥体中心体育场	文艺演出	9 000	18：00—21：30	2019-08-18
4	2019中国好声音巅峰之夜	国家体育馆	文艺演出	45 000	19：00—22：00	2019-10-07

维度		影响因素	影响程度/%	总计/%
大型活动属性	活动内部因素	活动规模	25.4	31.6
		活动性质	1.9
		活动场馆区位	4.3
	活动外部因素	活动日期属性	5.5	20.0
		活动日天气状况	11.4
		活动举办时段	3.1
时空影响属性		距离活动开始/结束的时间	21.3	48.4
时空影响属性		路段与活动场馆的空间距离	27.1

单次训练迭代次数	均方差（MSE）/（km·h^-1）
单次训练迭代次数	1^1）	32^1）	64^1）
280	5.073	4.201	4.234
300	4.729	4.398	4.316
320	4.660	4.252	4.247
340	4.463	3.974	4.213
360	4.571	4.009	4.122

序号	活动名称	举办地点	活动类型	活动规模/人	起止时间	日期	选取预测路段	选取预测时间段
1	莫文蔚北京演唱会	凯迪拉克中心	文艺演出	9 000	18：30—21：30	2019-11-23	复兴路（西翠路—万寿路）	16：30—22：30
2	2019—2020男篮职业联赛	凯迪拉克中心	体育赛事	14 000	19：35—21：30	2019-11-28	复兴路（西翠路—万寿路）	17：05—23：00
3	2019—2020男篮职业联赛	凯迪拉克中心	体育赛事	14 000	19：35—21：30	2019-11-28	永定路（阜石路—金沟河路）	17：05—23：00
4	2019赛季中国足球协会超级联赛	工人体育场	体育赛事	35 000	15：00—17：00	2019-12-01	工人体育场北路（工人体育场西路—工人体育场东路）	12：20—18：40

多因素协同的大型活动场馆周边路段速度预测

Speed Prediction for Road Around Large Scale Activities Venues Considering Multiple Factors Synergism

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 23

相关文章 15

编辑推荐

Metrics

本文评价

实验编号	MC-LSTM			考虑多因素协同的XGBoost			考虑单因素特征的LSTM			未考虑外部特征的LSTM
实验编号	MAE/（km·h^-1）	MSE/（km·h^-1）	MAPE/%	MAE/（km·h^-1）	MSE/（km·h^-1）	MAPE/%	MAE/（km·h^-1）	MSE/（km·h^-1）	MAPE/%	MAE/（km·h^-1）	MSE/（km·h^-1）	MAPE/%
平均值	1.95	4.23	4.82	3.06	6.03	6.35	3.30	6.98	6.97	3.40	7.29	7.53
1	1.77	3.92	4.51	3.01	6.13	6.41	3.37	7.04	7.02	3.48	7.30	7.47
2	2.11	4.81	5.10	3.42	6.29	6.70	3.58	7.32	7.07	3.23	7.19	7.39
3	2.04	4.16	4.98	2.93	5.69	6.03	3.05	6.69	6.63	3.16	7.04	7.32
4	1.88	4.03	4.72	2.88	6.01	6.26	3.21	6.88	7.16	3.72	7.61	7.95

[1]	何庆龄, 裴玉龙, 董春彤, 等. 基于混合策略改进ASO-LSSVM的风险驾驶行为分类识别[J]. 华南理工大学学报(自然科学版), 2024, 52(9): 131-141.
[2]	苏跃江, 温惠英, 袁敏贤, 吴德馨, 周芦芦, 漆巍巍. 基于居民属性数据的出行碳排放预测模型[J]. 华南理工大学学报(自然科学版), 2024, 52(8): 23-33.
[3]	杨亚璪, 翁唐政. 时空约束对运动出行的影响[J]. 华南理工大学学报(自然科学版), 2024, 52(2): 113-123.
[4]	唐进君, 任茂昕, 李志涛, 等. 基于代理模型辅助NSGA-II算法的地铁接驳公交优化[J]. 华南理工大学学报(自然科学版), 2024, 52(11): 95-105.
[5]	庄焱, 董春娇, 米雪玉, 等. 基于改进网络核密度和负二项回归的事故黑点鉴别[J]. 华南理工大学学报(自然科学版), 2024, 52(1): 119-126.
[6]	赵小梅, 郝郭宇, 牛晓婧, 等. 不同降雨量下基于宏观基本图的边界控制策略[J]. 华南理工大学学报(自然科学版), 2024, 52(1): 72-82.
[7]	陈小鸿, 田田甜, 张华. 城市居民活动韧性——新冠肺炎疫情期间轨道客流恢复的实证[J]. 华南理工大学学报(自然科学版), 2023, 51(7): 109-119.
[8]	魏海斌, 魏东升, 蒋博宇, 等. 基于IPSO-SVR的盾构下穿既有道路沉降预测分析[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 62-71.
[9]	胡兴华, 陈兴辉, 汪然, 等. 随机特性下考虑碳排放的公交优先控制优化模型[J]. 华南理工大学学报(自然科学版), 2023, 51(10): 160-170.
[10]	许伦辉, 余佳芯, 裴明阳, 等. 基于几何路网结构和强化学习的车辆重定位策略[J]. 华南理工大学学报(自然科学版), 2023, 51(10): 99-109.
[11]	沈羽桐, 李明, 崔志勇, 等. 混合服务模式车辆资源多时段分配方法研究[J]. 华南理工大学学报(自然科学版), 2023, 51(10): 89-98.
[12]	王昊, 谢凝. 考虑有轨电车效率的干线分段绿波协调优化模型[J]. 华南理工大学学报(自然科学版), 2023, 51(1): 95-105.
[13]	赵建东, 朱丹, 刘佳欣. 基于时间序列分解与门控循环单元的地铁换乘客流预测 [J]. 华南理工大学学报(自然科学版), 2022, 50(5): 22-31.
[14]	张驰, 任士鹏, 王博, 等. 长大下坡路段货车运行速度特性及预测[J]. 华南理工大学学报(自然科学版), 2022, 50(3): 38-49.
[15]	吴娇蓉谢金宏王宇沁. 公交线路运行不稳定性画像方法及其应用[J]. 华南理工大学学报(自然科学版), 2022, 50(2): 15-22.