新冠肺炎流行期间高速公路交通流恢复期预测研究

2020-05-21闫明月沈孟如黄世尧邓雯王松波

中国公路 2020年8期

闫明月沈孟如黄世尧邓雯王松波

（1.交通运输部路网监测与应急处置中心，北京 100029 ；2.北京交通大学交通运输部综合交通运输大数据应用技术交通运输行业重点实验室，北京100044）

一、引言

2020年春节前，新冠肺炎疫情以武汉为中心向全国蔓延，疫情持续升级在短期内对我国经济社会造成冲击，交通运输业在充分发挥支撑保障作用的同时，自身发展也受到影响。

防疫初期，各地纷纷采取封闭性管理措施，民众积极配合疫情防控，普遍居家隔离，全国公路通行量受到巨大影响。当前，随着联防联控举措不断深入及社会公众对疫情防控重视与配合程度越来越高，中国的新冠肺炎疫情已得到有效控制。考虑到经济社会发展、人民生活质量保障及各行业逐步复工的需求，恢复公路交通正常通行迫在眉睫。显然，研究疫情与高速公路网流量变化之间的影响机理，根据疫情发展形势预测交通流量恢复正常的规律，不但具有理论研究价值，也极具现实指导意义。

图1.2019～2020年春运前后交通流量数据对比（柱状图表示周六、周日）

二、新冠肺炎疫情发展与交通流情况分析

2019～2020年1～3月全国高速公路总流量、客车流量、货车流量及2020年以来新冠肺炎疫情发展情况如图1所示。

2020年1月1日至20日，全国高速公路流量总体呈平稳上升态势，日均流量比去年同期增长13.1%，农历同比增长19.8%。其中客车日均流量比去年同期增长20.2%，农历同比增长5.6%；货车日均流量比去年同期减少11.3%，农历同比减少4.0%。

受疫情影响，从1月23日起至2月16日，高速公路总体流量大幅下降，最大降幅达84.6%，日均流量仅为去年同期的31.8%；农历同期最大降幅达80.3%，日均流量为去年同期的35.1%。客车流量最大降幅达87.0%，日均流量仅为去年同期的32.6%；农历同期最大降幅达82.0%，日均流量为去年同期的33.8%。货车流量最大降幅达93%，日均流量仅为去年同期的35.1%；农历同期最大降幅达83.0%，日均流量为去年同期的32.9%。

2月16日，交通运输部发布《关于新冠肺炎疫情防控期间免收收费公路车辆通行费的通知》，自2月17日零时起到疫情防控工作结束，全国收费公路免收车辆通行费。政策实施后，自2月16日成为总流量、客车流量、货车流量等日流量指标的最低点之后，高速公路流量快速恢复，3月2日，货车流量超过去年同期水平；3月4日，总流量超过去年同期水平；3月5日，客车流量超过去年同期水平。

总的来说，高速公路流量在防疫期间具有以下特点：

（一）前期客货车出行需求降低，高速公路通行流量显著下降；

（二）各地逐步复工后，小客车尤其是私家车成为主要出行方式；

（三）防疫期间，防疫物品及各种生产生活物资仍有运输需求，高速公路的货车流量在低位波动较为平缓，后期呈持续上升趋势。

三、算法设计

（一）数据说明

本文对防疫后期的高速公路流量展开预测分析，选用2018～2020年的高速公路流量统计数据，以春节为基准，选取相同时间段（2018～2020年春节前后农历两月数据），使用2020年的时间跨度为1月1日至2月29日，分析其与新冠肺炎感染人数（包括确诊、疑似、治愈、死亡数量和存留感染人数）、百度指数（包括居家、隔离、社区/小区封闭、检疫站、高速防疫检查、口罩和肺炎的搜索指数）、检疫站设置、高速是否免通、是否周末以及2020年与2019年春运期间交通流量数据总共25个字段进行相关性分析，使用SPSS逐步回归方式分别筛选对总流量、客车流量、货车流量影响最大的各个要素，并以此优化预测参数，对2020年3～4月的高速公路交通流量进行预测分析。其中，百度指数数据来自百度网。数据清洗后经过最大最小标准化处理，值域（0.1～0.9）。

（二）预测方案设计

长短期记忆网络（Long-Short Term Memory，LSTM）可以记忆不定时间长度的数值，一般被用来处理和预测时间序列中间隔和延迟非常长的重要事件。门控循环单元(Gated Recurrent Unit，GRU)神经网络作为LSTM的改进神经网络，经实验验证在交通流预测中具有良好的预测性能。

在预测模型的设计中将考虑如下几点：

1.监督学习目标

前n天数据预测后一天所有维度数据。

2.模型结构的选择

(1)GRU层数及单元数；

(2)全连接层层数、位置（两层循环神经网络之间/输出前）、单元数量；

(3)激活函数的选择（relu/sigmoid/sigmax/tanh）；

(4)输入的数据窗口大小。

3.输入数据的选择

(1)“疫情+2020与2019流量数据差值”“2020与2019流量数据差值”“百度指数+2020与2019流量数据差值”；

(2)“疫情+2019年数据+2020与2019流量数据差值”“2019年数据+2020与2019流量数据差值”“百度指数+2019年数据+2020与2019流量数据差值”；

(3)“疫情+百度指数+2020与2019流量数据差值”。

4.预测算法

数据保留最后7天作为测试集。每组输入数据迭代1000次取最优结果，将预测数据结合原数据作为输入数据，迭代向前预测（例如：输入day33～day44预测day45，输入day34～day44加入预测值day45预测day46），向前预测长度为14天。

5.参数优化与模型结构选择

模型结构16个，模型层次4种（结构一至结构四），核心数量4种（模型一至模型四），经8组数据组合，3项预测目标，重复迭代次数15次，统计预测的标准误差均值，对应总体分数如表1所示。

表1.交通流预测模型及各自结构

可见，结构二最优，其结构为双层GRU加输出层，且GRU两层数量有差异。最优模型结构为：第一层GRU（20），第二层GRU(50)，全连接层（90）。输入数据得分如表2所示。

表2.最优结构下不同数据组合误差得分

通过误差比较，选择出了较优结构及较优的数据输入组合：结构三及数据组合三、数据组合四。

进一步对模型调整，进行超参数微调：每次分别调整其中一个变量进行重新计算，发现中间层核心应大于等于第二层GRU核心数，且存在与第二层GRU相同核心数的中间层平均标准误差降低14.6；输出全连接层核心数越多，性能越好；第二层核心数应大于第一层核心数量，且相差倍数不易过大。

经参数搜索获得更优超参数：第一层GRU（20核心），（中间层50核心），第二层GRU（50核心），输出层130核心，输入数据为数据组合四（疫情+2019年数据+2020与2019流量数据差值）。

四、未来交通流预测分析

利用上一步得到的最优组合计算，得到2019与2020年总流量、客车流量、货车流量的预测差值，结合2019年数据预测2020年总流量、客车流量、货车流量至4月底，如图2、图3、图4所示。

从预测结果可以看到，客车、货车及总流量未来将在波动中快速增长，客车流量将在3月底的最后一个周末达到小高峰；4月遇到清明假期，假期前流量回落积累，清明将出现节假小高峰，高峰略高于2019年同期；流量节后迅速回落，至5月劳动节小长假再次出现高峰，高峰略低于2019年同期。货车流量周期性明显，趋势稳定，在节假期间，货车流量趋势与客车流量相反，呈现下降趋势，清明节和劳动节流量都有回落；自2月末以来，货车流量维持高位且高于去年同期水平。总流量维持稳定，2月末以来超过去年同期水平，流量高位将持续至清明节假期结束。

五、政策建议

根据疫情防控、复工复产的进展和相关政策的调整情况，应在总结前段公路保畅成效的基础上，提高路网监测能力、强化分类指导、实施差异管控、建立长效机制，动态开展路网运行状态评估和发展态势研判，保障路网安全、稳定、顺畅运行，为促进经济社会发展提供高品质的公路交通服务。

图2.2020年客车流量趋势预测（至4月底）

图3.2020年货车流量趋势预测（至4月底）

（一）提升路网监测能力

利用现有高速公路视频监控设施，加强高速公路网运行状态监测，准确掌握路网运行状况，加强网络调度联动，做好通行保障。

（二）加强分析评估

强化高速公路网多源数据应用，动态开展路网运行状况评估与趋势分析研判，加强分类指导，提升保通保畅工作精准性。加强对常发、易发拥堵路段的跟踪评估，抓住关键少数，有针对性地提高保通保畅效果。

（三）强化协作协同

在高速公路免费通行期间，出现流量高峰和持续拥堵的状况时，会同公安交管等部门，采取入口管控、路网分流等措施，协同高速公路与普通国省道通行，充分发挥普通国省干线公路的通行能力，保障高速公路网通畅。加强与气象等部门的联动，做好雨雪雾恶劣天气的预报预警，通过微博、微信、广播、电视、导航软件、情报板等方式提前发布出行信息，引导公众合理安排出行。