确定短期交通计数最佳日的指令性框架
机器学习
2025-12-09 v1
摘要
美国联邦公路管理局（FHWA）要求各州交通部门收集可靠的年度平均日交通量（AADT）数据。然而，许多美国州交通部门在获取准确的AADT方面存在困难，尤其是对于未监控道路。虽然连续计数（CC）站点提供准确的交通量数据，但其实施昂贵且部署困难，迫使机构依赖短时段交通计数。本研究提出一种机器学习框架，首次据我们所知，用于识别开展短时段计数（SC）数据收集的最佳代表性日，以提高AADT预测准确性。本研究利用得克萨斯州2022和2023年的交通量数据，对比两种情景：一种是“最佳日”方法，通过迭代选择最具信息量的日子进行AADT估计；另一种是“无最佳日”基线，反映大多数交通部门当前的实践。为符合得克萨斯州交通监测计划，利用连续计数数据模拟24小时短期计数。实际现场短期计数数据用于通过留一法（LOO）技术生成类似道路段间无偏代表性日常交通特征，以增强特征工程。我们提出的方法在前五名最佳日子中均优于基线方法，其中最佳日（第186天）实现的误差更低（RMSE: 7,871.15, MAE: 3,645.09, MAPE: 11.95%），R²值更高（0.9756），优于基线方法（RMSE: 11,185.00, MAE: 5,118.57, MAPE: 14.42%, R²: 0.9499）。本研究为交通部门提供了一种传统短时段计数实践的替代方案，提高了AADT估计 accuracy，支持高速公路性能监测系统合规性，并降低了全州交通数据收集的运营成本。
引用
@article{arxiv.2512.06111,
title = {A Prescriptive Framework for Determining Optimal Days for Short-Term Traffic Counts},
author = {Arthur Mukwaya and Nancy Kasamala and Nana Kankam Gyimah and Judith Mwakalonge and Gurcan Comert and Saidi Siuhi and Denis Ruganuza and Mark Ngotonie},
journal= {arXiv preprint arXiv:2512.06111},
year = {2025}
}