基于系統(tǒng)關(guān)聯(lián)性的高速公路大中型貨車到達(dá)量多尺度預(yù)測

林培群，何伙華，林旭坤

(1.華南理工大學(xué) 土木與交通學(xué)院，廣東 廣州 510641；2.廣東省交通運輸廳 綜合規(guī)劃處，廣東 廣州 510101)

城市交通擁堵和交通安全問題仍然是現(xiàn)代城市主要的交通問題，近年來交通流中大中型貨車流量占比的增加是加劇以上交通問題的重要因素。首先，交通流中大中型貨車流量占比值過高，將對道路通行能力產(chǎn)生一定的消極影響?！兜缆吠ㄐ心芰κ謨浴穂1]指出，在混合交通流中，由于大中型車輛慣性較大，變速不靈活，導(dǎo)致大中型車輛難以適應(yīng)速度多變的交通流，在交通流中形成的大間隙很難由超車來填補(bǔ)，造成無法避免的道路空間的低效利用。其次，大中型貨車存在視野盲區(qū)較大、轉(zhuǎn)彎半徑較大等問題，在繁忙的城市交通中，造成了一定的交通安全隱患。此外，超重超載貨車也使得城市道路使用年限降低。隨著現(xiàn)代技術(shù)的不斷提高、交通管控水平的不斷提升，交通行業(yè)管理人員對交通擁堵問題、交通安全問題的認(rèn)識不斷加強(qiáng)，大中型貨車對城市交通的影響越來越受到交通管理人員的重視，準(zhǔn)確、及時的大中型貨車到達(dá)量預(yù)測，可以為交通管理人員實施實時交通管控提供數(shù)據(jù)依據(jù)。

交通量預(yù)測是智能交通系統(tǒng)重要的研究內(nèi)容之一，歷經(jīng)多年的研究與發(fā)展，取得了大量的研究結(jié)果[2-4]。按照不同的研究思路可將交通量預(yù)測方法分為：基于周期性的預(yù)測方法、基于自回歸的預(yù)測方法、基于系統(tǒng)關(guān)聯(lián)的預(yù)測方法?；谥芷谛缘念A(yù)測方法將歷史同期流量值作為未來預(yù)測值的參考信息，如K最近鄰算法(KNN)[5-8]；基于自回歸的預(yù)測方法考慮交通流自身歷史序列在未來短時間的延續(xù)，從而擬合自身歷史序列與預(yù)測值的關(guān)系，如求和自回歸移動平均模型(ARIMA)[9-11]、支持向量機(jī)(SVM)[12-14]等；基于系統(tǒng)關(guān)聯(lián)的預(yù)測方法考慮目標(biāo)交通量不僅與自身歷史時序存在關(guān)聯(lián)，還與周邊一定路網(wǎng)范圍內(nèi)其他因素存在關(guān)聯(lián)，基于系統(tǒng)關(guān)聯(lián)的方法多利用機(jī)器學(xué)習(xí)模型求解，如LSTM[15-16]、GRU[17-18]等對時間維度特征學(xué)習(xí)、GNN[19-21]在空間維度進(jìn)行信息的聚合等。

基于周期性的預(yù)測方法的準(zhǔn)確性取決于交通量序列自身的周期性強(qiáng)弱，基于自回歸的預(yù)測方法僅使用交通量序列自身歷史數(shù)據(jù)，以上2種方法具有一定局限性，所能達(dá)到的精度有限?；谙到y(tǒng)關(guān)聯(lián)的預(yù)測方法充分考慮路網(wǎng)的系統(tǒng)關(guān)聯(lián)性，采用神經(jīng)網(wǎng)絡(luò)方法提取有效的系統(tǒng)關(guān)聯(lián)特征，往往可以獲得非常理想的預(yù)測精度和魯棒性。

考慮系統(tǒng)關(guān)聯(lián)性的神經(jīng)網(wǎng)絡(luò)方法國內(nèi)外學(xué)者進(jìn)行了較多的研究，但由于神經(jīng)網(wǎng)絡(luò)方法的理論基礎(chǔ)尚不完善，神經(jīng)網(wǎng)絡(luò)模型的可解釋性往往較差，在高速公路交通流中，未能充分挖掘交通流序列的時空關(guān)聯(lián)性，預(yù)測精度仍有提升空間。此外，在現(xiàn)有對道路交通量的研究中，研究對象基本為全樣本交通流，大中型貨車由于樣本量較少，預(yù)測難度較大，相關(guān)研究較少。

高速公路交通量的時空關(guān)聯(lián)性是高速公路網(wǎng)系統(tǒng)關(guān)聯(lián)性的重要特征，本文提出的考慮系統(tǒng)關(guān)聯(lián)性的高速公路大中型貨車到達(dá)量多尺度預(yù)測方法，在充分挖掘高速公路收費站進(jìn)、出口大中型貨車流量時空關(guān)聯(lián)性的基礎(chǔ)上，構(gòu)建空間權(quán)重、時間權(quán)重學(xué)習(xí)高速公路收費站進(jìn)、出口大中型貨車流量的時空關(guān)聯(lián)性，提高本文神經(jīng)網(wǎng)絡(luò)模型的可解釋性，并以京港澳高速北興收費站一定范圍內(nèi)的區(qū)域為例進(jìn)行大中型貨車到達(dá)量預(yù)測的實例分析。

1 高速公路交通流數(shù)據(jù)分析

1.1 數(shù)據(jù)來源

本文數(shù)據(jù)來源于廣東省高速公路收費系統(tǒng)產(chǎn)生的高速公路出口收費站流水表，由廣東省交通運輸廳提供，源數(shù)據(jù)暫未公開，本文模型所用訓(xùn)練數(shù)據(jù)已公開于https:∥github.com/SCUTWason/STNN.git。

源數(shù)據(jù)包含出入口路段編號、出入口站編號、出入口日期及時間、車型、車種、行駛里程等信息，部分字段的出口流水表數(shù)據(jù)結(jié)構(gòu)如表 1所示。

入口路段編號、入口站編號確定具體入口收費站；出口路段編號、出口站編號確定具體出口收費站；入口、出口日期及時間為車輛進(jìn)出高速公路的時間；車型分為1、2、3、4、5型車，是交通部統(tǒng)一標(biāo)準(zhǔn)的一至五類車；車種僅包含：0客車、1貨車；行駛里程一般為入口收費站到出口收費站的最短距離；源數(shù)據(jù)實例(部分字段)如表 2所示。本文所研究大中型貨車交通量為交通部統(tǒng)一標(biāo)準(zhǔn)的三至五類貨車(車型標(biāo)識為3～5，即核載為5 t及以上貨車)交通量。

本文以京港澳高速北興收費站25 km行程范圍內(nèi)的高速公路收費站所在區(qū)域作為目標(biāo)區(qū)域進(jìn)行研究，包含14個高速公路收費站，圖 1所示虛線范圍內(nèi)區(qū)域為目標(biāo)區(qū)域，圓點標(biāo)記點為目標(biāo)區(qū)域內(nèi)包含的14個高速公路收費站，目標(biāo)區(qū)域位于廣州核心市區(qū)北部——廣東省高速公路網(wǎng)密度最高的區(qū)域內(nèi)部，區(qū)內(nèi)有較多物流倉庫，收費站出入流量在省內(nèi)所有收費站中處于中等偏高水平[22]。

表1 數(shù)據(jù)集說明

表2 源數(shù)據(jù)實例

圖1 實驗?zāi)繕?biāo)區(qū)域及區(qū)域內(nèi)高速公路收費站Fig. 1 Experimental target area and expressway stations in the area

1.2 高速公路入口收費站的選擇——流量來源分布

高速公路收費站在某段時間內(nèi)出口流量來源于此前一定時段內(nèi)從一定空間范圍內(nèi)的入口收費站駛?cè)敫咚俾肪W(wǎng)的車輛[22]。在出口收費站流量來源分布中，入口收費站流量占出口收費站流量比例越高，說明兩者之間關(guān)聯(lián)性越大。

為了方便分析，本文對高速公路收費站進(jìn)行編號：

1)出口收費站：編號僅為區(qū)分收費站，無編號規(guī)律。

2)入口收費站：按高速公路出口收費站大中型貨車流量來源比例對相應(yīng)的入口收費站進(jìn)行逆序排序并編號。

首先，分析全省范圍內(nèi)高速公路出口收費站大中型貨車流量來源分布，對高速公路收費站進(jìn)行抽樣分析。隨機(jī)抽取120個出口收費站，對所有出口收費站作大中型貨車流量來源累計比例散點圖(如圖 2所示)，前50個入口收費站流量累計比例基本達(dá)到70%以上，前100個入口收費站流量累計比例基本達(dá)到80%以上，前150個入口收費站流量累計比例基本達(dá)到90%以上，而廣東有超過1 000個高速公路收費站，說明高速公路出口收費站大中型貨車流量主要來源于其中少部分入口收費站。

進(jìn)一步地，分析到達(dá)圖 1所示目標(biāo)區(qū)域的大中型貨車流量來源分布。如圖 3所示，可以發(fā)現(xiàn)目標(biāo)區(qū)域的高速公路出口收費站大中型貨車流量來源較為集中。在來源入口收費站中，流量占比最高達(dá)8.1%，隨后急劇降低，到第50個入口收費站流量僅占比0.4%，此后流量占比下降趨于緩和。目標(biāo)區(qū)域大中型貨車流量來源累計比例增長幅度先快后慢，且流量來源分布最高的前50個入口收費站總流量占目標(biāo)區(qū)域出口收費站流量的72.3%，因此可選擇到達(dá)目標(biāo)區(qū)域的大中型貨車流量最高的前50個入口收費站大中型貨車流量作為模型的輸入，不僅保證了模型輸入與輸出的關(guān)聯(lián)性，且控制了輸入的數(shù)據(jù)量，避免輸入數(shù)據(jù)過多而產(chǎn)生的數(shù)據(jù)噪聲影響。

圖2 廣東省部分高速公路出口收費站大中型貨車流量來源累計比例Fig. 2 Accumulative proportion of exit volume sources of large and medium-sized trucks at some expressway stations in Guangdong Province

圖3 目標(biāo)區(qū)域出口收費站大中型貨車流量來源累計比例Fig. 3 Accumulative proportion of exit volume sources of large and medium-sized trucks in the target area

圖2、圖3中，“入口收費站流量比例”表示“從入口收費站前往出口收費站(或目標(biāo)區(qū)域)的大中型貨車流量占出口收費站(或目標(biāo)區(qū)域)大中型貨車總流量的比例”，x軸為入口收費站編號，y軸中P(x)為出口收費站流量來源比例、∑P(x)為出口收費站流量來源累計比例。

1.3 系統(tǒng)關(guān)聯(lián)性分析——空間關(guān)聯(lián)

對圖 1所示目標(biāo)區(qū)域大中型貨車流量來源比例最高的前50個入口收費站大中型貨車流量進(jìn)行統(tǒng)計，入口流量中以目標(biāo)區(qū)域收費站為出口的流量平均占比如圖 4所示，x軸為入口收費站編號。大部分入口收費站大中型貨車流量前往目標(biāo)區(qū)域的比例不超15%，50個入口收費站中僅有4個收費站比例超30%，表明多數(shù)入口收費站大中型貨車流量中僅有較小比例流量對目標(biāo)區(qū)域高速公路大中型貨車到達(dá)量產(chǎn)生影響。

道路交通流變化趨勢具有周期性，隨機(jī)抽取某入口收費站進(jìn)行分析，該入口收費站大中型貨車前往目標(biāo)區(qū)域的流量平均占比為22.8%。選取該站一周內(nèi)各小時大中型貨車前往目標(biāo)區(qū)域流量占比進(jìn)行分析，如圖5所示，x軸為2019年8月7日0時—2019年8月13日23時各小時。由圖可以看出，入口收費站前往目標(biāo)區(qū)域的大中型貨車流量占比呈現(xiàn)周期性特征。

圖4 入口收費站大中型貨車流量前往目標(biāo)區(qū)域比例Fig. 4 Proportion of entrance volume of large and medium-sized trucks to the target area

圖5 某入口收費站一周內(nèi)各小時大中型貨車前往目標(biāo)區(qū)域流量占比Fig. 5 Proportion of an entrance station’s volume of large and medium-sized trucks to the target area in each hour in a week

1.4 系統(tǒng)關(guān)聯(lián)性分析——時間關(guān)聯(lián)

不同收費站到目標(biāo)區(qū)域收費站所需時間與路程、實時道路交通流狀態(tài)和外界環(huán)境因素有關(guān)。如果僅考慮路程、不考慮道路交通流狀態(tài)和外界環(huán)境因素，從某入口收費站(標(biāo)記為Si)到達(dá)某出口收費站(標(biāo)記為So)的行程時間滿足獨立同分布條件，根據(jù)伯努利大數(shù)定律，車輛在tj時間段內(nèi)到達(dá)的頻率近似于其發(fā)生的概率，通過統(tǒng)計得到某入口收費站Si到達(dá)某出口收費站So的行程時間頻率分布如圖6所示，可知固定2個收費站出入口之間行程時間分布滿足一定規(guī)律；如果同時考慮路程、道路交通流狀態(tài)，若忽略外界環(huán)境因素且道路交通無突發(fā)事件(如車禍、節(jié)假日等)，道路交通流基本呈周期性的、穩(wěn)定的漸進(jìn)態(tài)勢不斷演變，那么車輛從入口收費站Si到出口收費站So的行程時間仍可視為滿足一定分布規(guī)律，該分布規(guī)律隨時間變化呈周期性變化。

圖6為某一入口收費站大中型貨車到目標(biāo)區(qū)域某一出口站行程時間分布曲線及分布直方圖，并擬合F分布以觀察行程時間分布與F分布的關(guān)系。從圖中可見，固定2個收費站出入口之間行程時間分布滿足一定規(guī)律，該分布一定程度上符合F分布。

2 模型構(gòu)建

圖6 某一入口收費站大中型貨車到目標(biāo)區(qū)域某一出口站行程時間分布Fig. 6 Travel time distribution of large and medium-sized trucks from an entrance station to an exit station in the target area

由于目標(biāo)區(qū)域出口收費站流量與各入口收費站流量的時空關(guān)聯(lián)性隨時間的推移而發(fā)生變化，為學(xué)習(xí)此變化，將神經(jīng)網(wǎng)絡(luò)設(shè)置為時間維度的循環(huán)網(wǎng)絡(luò)。

2.1 空間關(guān)聯(lián)性學(xué)習(xí)

輸入與輸出的空間關(guān)聯(lián)性體現(xiàn)在各入口收費站僅有一定比例流量前往目標(biāo)區(qū)域，因此構(gòu)建模型學(xué)習(xí)該比例，各入口收費站流量序列乘上相應(yīng)的比例權(quán)重后，才進(jìn)行下一步的時間關(guān)聯(lián)性學(xué)習(xí)。

各入口收費站流量空間權(quán)重構(gòu)建步驟如下：

步驟1 對于每一時間步t，將輸入X、所在小時φt、所在星期天數(shù)ψt通過廣播機(jī)制進(jìn)行融合后的融合向量分別經(jīng)線性層[23]、Tanh層[24]、線性層進(jìn)行非線性變換，得到空間調(diào)整向量S。

步驟2 利用Tanh激活函數(shù)將向量S映射到[-1, 1]區(qū)間，并除以超參數(shù)0<σ<1，將值域調(diào)整至[-σ,σ]區(qū)間。

步驟3 各入口收費站前往目標(biāo)區(qū)域流量的歷史平均空間權(quán)重Sh，加上縮小值域范圍的空間調(diào)整向量S′，所得向量經(jīng)ReLU[25]層得到各入口收費站流量空間權(quán)重向量S″。

S1=Ws1[X;φt;ψt]+bs1，

(1)

S2=Tanh(S1)，

(2)

S=Ws2S2+bs2，

(3)

S′=σTanh(S)，

(4)

S″=ReLU (Sh+S′)。

(5)

式中:Ws1、Ws2是線性層的權(quán)重矩陣，bs1、bs2是線性層的偏置項，以上為需要學(xué)習(xí)的參數(shù)；Sh是各入口收費站前往目標(biāo)區(qū)域流量的歷史平均空間權(quán)重，σ是控制空間權(quán)重調(diào)整范圍的超參數(shù)。

此后，將t時間步的輸入xt與空間權(quán)重S″融合后的x′t進(jìn)行時間關(guān)聯(lián)性的學(xué)習(xí),

x′t=xt⊙S″，

(6)

式中⊙表示哈達(dá)瑪積。

2.2 時間關(guān)聯(lián)性學(xué)習(xí)

各入口收費站流量時間權(quán)重構(gòu)建步驟如下：

步驟1 對于每一時間步t，將輸入X、所在小時φt、所在星期天數(shù)ψt通過廣播機(jī)制進(jìn)行融合后的融合向量分別經(jīng)線性層、Tanh層、線性層進(jìn)行非線性變換，得到的時間權(quán)重矩陣E；

步驟2 時間權(quán)重矩陣E經(jīng)Softmax[26]歸一化處理，得到歸一化時間權(quán)重矩陣E′。

E1=We1[X;φt;ψt]+be1，

(7)

E2=Tanh(E1)，

(8)

E=We2E2+be2，

(9)

(10)

式中：We1、We2是線性層的權(quán)重矩陣，be1、be2是線性層的偏置項，以上為需要學(xué)習(xí)的參數(shù)；Eij、E′ij分別表示時間權(quán)重矩陣E、歸一化時間權(quán)重矩陣E′中的元素。

此后，將t時間步的輸入x′t與時間權(quán)重矩陣E′融合，得到t時間步輸出向量Yt，

Yt=x′tE′。

(11)

2.3 偏置項學(xué)習(xí)

由于目標(biāo)區(qū)域流量不僅與輸入的入口收費站流量有關(guān)，還與其他入口收費站流量有關(guān)，且交通流具有隨機(jī)性、波動性特征，因此在模型中設(shè)置偏置項學(xué)習(xí)，對t時間步輸出進(jìn)行修正。

考慮交通流的時變特征和總體趨勢的延續(xù)性，在每一時間步中，將輸入X、所在小時φt、所在星期天數(shù)ψt、目標(biāo)區(qū)域收費站自身歷史出口流量向量y，通過廣播機(jī)制進(jìn)行融合后再進(jìn)行線性變換，得到的向量作為偏置項。公式為

b=W′[X;φt;ψt;y]+b′，

(12)

式中W′、b′為需要學(xué)習(xí)的參數(shù)。

t時間步的修正輸出為

Y′t=Yt+b。

(13)

2.4 預(yù)測結(jié)果

t時間步的輸出向量Y′t為t時間步后M個時間段內(nèi)的預(yù)測結(jié)果，因此各時間步預(yù)測結(jié)果需要變換為相同時間段內(nèi)的預(yù)測結(jié)果：

(14)

(15)

3 實例驗證

3.1 數(shù)據(jù)說明與實驗設(shè)置

3.1.1 數(shù)據(jù)說明

以京港澳高速北興收費站25 km行程范圍內(nèi)收費站所在區(qū)域作為目標(biāo)區(qū)域，包含14個高速公路收費站，如圖1所示，以目標(biāo)區(qū)域出口收費站大中型貨車總流量作為輸出，以到達(dá)目標(biāo)區(qū)域的大中型貨車流量最高的前50個入口收費站大中型貨車流量作為輸入。

實驗采用2019年5月—2019年9月的高速公路收費站收費流水?dāng)?shù)據(jù)，其中2019年5月—2019年8月數(shù)據(jù)作為訓(xùn)練集，2019年9月數(shù)據(jù)作為測試集。實驗采用過去120 min作為歷史時段，未來60 min作為預(yù)測時段，輸入數(shù)據(jù)時間尺度取5 min，預(yù)測時間尺度分別采用15、30、60 min進(jìn)行對比。

實驗采用Min-Max歸一化公式[27]分別將輸入、輸出數(shù)據(jù)映射到[0，1]區(qū)間，歸一化公式為

(16)

式中:z為歸一化后數(shù)據(jù)，x為原始數(shù)據(jù)，xmin、xmax分別為x的最小值、最大值。

3.1.2 評價指標(biāo)

為了評價模型的預(yù)測性能，本文采用均方根誤差(RMSE)、平均絕對誤差(MAE)、平均絕對百分比誤差(MAPE)[28]作為評價指標(biāo)。

(17)

(18)

(19)

3.1.3 實驗設(shè)置

實驗中模型批處理大小為256，學(xué)習(xí)率采用梯級下降的動態(tài)學(xué)習(xí)率，初始值為0.001，每迭代1 000次衰減5%[22]：

(20)

模型損失函數(shù)采用均方誤差(MSE)[28]，計算公式為

(21)

此外，為減小模型的過擬合，實驗中添加值為0.000 1的權(quán)重衰減(weight decay)。

3.2 實驗結(jié)果

3.2.1 實驗結(jié)果分析

本文所提出模型在15、30、60 min預(yù)測時間尺度下預(yù)測值與實際值對比結(jié)果如圖7所示。在3個時間尺度下，模型預(yù)測結(jié)果均能較好貼合實際值，且貼合效果隨時間尺度增大而更優(yōu)。

3.2.2 模型對比分析

實驗采用GRU、LSTM、STGCN[29]、AGCRN[30]模型與本文提出的模型進(jìn)行比較，以驗證模型性能的優(yōu)劣。

1)GRU：門控循環(huán)單元，隱藏層單元數(shù)為128。

2)LSTM：長短期記憶網(wǎng)絡(luò)，隱藏層單元數(shù)為128。

3)STGCN：時空圖卷積神經(jīng)網(wǎng)絡(luò)，取所有入口收費站及出口收費站作為節(jié)點構(gòu)建圖，鄰接矩陣采用依距離衰減的Dijkstra矩陣，圖卷積操作采用1階切比雪夫多項式進(jìn)行求解。

4)AGCRN：自適應(yīng)圖卷積遞歸網(wǎng)絡(luò)，一種基于圖卷積網(wǎng)絡(luò)設(shè)計節(jié)點自適應(yīng)參數(shù)學(xué)習(xí)模塊和自適應(yīng)圖生成模塊、并結(jié)合遞歸網(wǎng)絡(luò)自動捕獲交通流序列時空關(guān)聯(lián)性的圖神經(jīng)網(wǎng)絡(luò)，取所有入口收費站及出口收費站作為節(jié)點構(gòu)建圖。

為保證公平，所有模型都在相同環(huán)境下運行，基于Python 3.7開發(fā)，調(diào)用Pytorch 1.6.0深度學(xué)習(xí)函數(shù)庫，并使用GPU加速。實驗結(jié)果如表 3所示。

從表3中可以看出，在15、30、60 min預(yù)測時間尺度下，本文提出的模型均達(dá)到了較好的預(yù)測結(jié)果，平均百分比誤差(MAPE)分別降到9.08%、7.52%、5.67%，MAPE隨時間尺度的增大而降低。這是因為隨著時間尺度的增大，大中型貨車到達(dá)量的隨機(jī)性、波動性越小，數(shù)據(jù)噪聲越小，預(yù)測精度越高。

對比各個模型實驗結(jié)果，GRU和LSTM能夠?qū)W習(xí)交通流序列時間維度特征，但未能捕捉空間維度關(guān)系，在5個實驗?zāi)Ｐ椭行Ч畈睿籗TGCN采用圖卷積操作提取空間維度特征、采用普通卷積操作提取時間維度特征，預(yù)測結(jié)果優(yōu)于GRU和LSTM；AGCRN基于圖卷積網(wǎng)絡(luò)設(shè)計節(jié)點自適應(yīng)參數(shù)學(xué)習(xí)模塊和自適應(yīng)圖生成模塊，并結(jié)合遞歸網(wǎng)絡(luò)自動捕獲交通流序列時空關(guān)聯(lián)性，預(yù)測結(jié)果更優(yōu)于STGCN。相比于其他模型，本文提出的模型實驗結(jié)果均達(dá)到了最好：當(dāng)時間尺度為15 min時，本文提出的模型RMSE、MAE、MAPE精度分別比AGCRN提高6.21%、7.07%、9.33%；當(dāng)時間尺度為30 min時，RMSE、MAE、MAPE精度分別比AGCRN提高6.68%、7.57%、8.48%；當(dāng)時間尺度為60 min時，RMSE、MAE、MAPE精度分別比AGCRN提高12.14%、14.04%、16.13%。

圖7 目標(biāo)區(qū)域高速公路大中型貨車到達(dá)量預(yù)測值與實際值對比Fig. 7 Comparison of predicted and true values of large and medium-sized trucks arriving on expressways in target areas

表3 不同模型的均方根誤差(RMSE)、平均絕對誤差(MAE)和平均絕對百分比誤差(MAPE)值

4 結(jié)語

本文通過分析目標(biāo)區(qū)域高速公路大中型貨車到達(dá)量與高速公路入口收費站大中型貨車流量的時空關(guān)聯(lián)性，提出考慮系統(tǒng)關(guān)聯(lián)性的高速公路大中型貨車到達(dá)量多尺度預(yù)測模型，并設(shè)置實驗對模型進(jìn)行驗證，本文主要研究結(jié)論：

1)目標(biāo)區(qū)域大中型貨車主要來源于其中較少一部分入口收費站，即這較少部分入口收費站大中型貨車流量對目標(biāo)區(qū)域大中型貨車流量產(chǎn)生較大影響，因此可以選擇到達(dá)目標(biāo)區(qū)域的大中型貨車流量最高的前n個(本文實例n=50)入口收費站流量作為預(yù)測模型的輸入。

2)多數(shù)入口收費站大中型貨車流量中僅有較小比例流量對目標(biāo)區(qū)域高速公路大中型貨車到達(dá)量產(chǎn)生影響，該比例隨時間變化呈現(xiàn)周期性特征。

3)某入口收費站大中型貨車到達(dá)目標(biāo)區(qū)域出口收費站的行程時間滿足一定分布規(guī)律，該分布規(guī)律隨時間變化呈周期性變化。

4)根據(jù)高速公路收費站出入口大中型貨車流量的時空關(guān)聯(lián)性，構(gòu)建考慮時空關(guān)聯(lián)性的神經(jīng)網(wǎng)絡(luò)預(yù)測模型對目標(biāo)區(qū)域大中型貨車到達(dá)量進(jìn)行預(yù)測，實驗結(jié)果表明，在15、30、60 min的時間尺度上，本文模型均達(dá)到了較高的預(yù)測精度，優(yōu)于GRU、LSTM等基準(zhǔn)模型和STGCN、AGRCN等前沿模型，證明考慮高速公路收費站出入口大中型貨車流量的時空關(guān)聯(lián)性、提升神經(jīng)網(wǎng)絡(luò)模型的可解釋性，模型的預(yù)測精度得到了提高。

本文雖然在高速公路大中型貨車到達(dá)量多尺度預(yù)測方面取得了一定成果，預(yù)測效果相比對比模型有明顯提升，但本文選擇到達(dá)目標(biāo)區(qū)域的大中型貨車流量最高的前50個(n=50)入口收費站流量作為預(yù)測模型的輸入，并未深入探究n的取值(或前n個入口收費站流量累計占目標(biāo)區(qū)域高速公路出口收費站大中型貨車流量比例)對預(yù)測結(jié)果的影響，后續(xù)可對該問題進(jìn)行研究，以獲得最佳n值(或入口收費站流量累計占目標(biāo)區(qū)域高速公路出口收費站大中型貨車流量比例)，提高預(yù)測精度和模型的實用價值。