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

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

Abstract

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

CLC Number:

U491.1

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.

Figures/Tables 10

Table 1

Fig.1

Fig.2

Table 2

Table 3

Fig.3

Table 4

Table 5

Fig.4

Table 6

References 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