Journal of Wuhan University of Technology.
2026, 48(1):
81.
Download PDF (0)
Knowledge map
Save
为解决大规模收费站逐站构建预测模型工作量大、资源消耗高,而统一模型预测精度不足的难题,支撑收费站精细化管理,提出“聚类分类建模”短时交通需求预测框架。该框架先采用动态时间规整(DTW)与KMedoids 结合的算法,对收费站交通流时序特征进行聚类;再针对每类站点,构建融合时间卷积网络(TCN)、长短期记忆网络(LSTM)与注意力机制(Attention)的预测模块,实现短时交通需求预测。基于南宁市2023年79月123个收费站每小时流量数据的实验表明:所提CBTCNLSTMAttention模型参数量精确为411 286个,较逐站建模的单点模型减少96%;在1~3 h预测步长下,该模型的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)分别较全站点统一模型下降0.76%~16.02%、2.55%~33.49%和0.73%~13.28%。该模型在预测精度与计算效率间实现高效平衡,可适配低流量平缓型、中高流量高峰型等不同特征的收费站,为区域高速公路运营管理提供可靠科学依据。