基于短期计数的全州 AADT 估计模型开发：以卡罗来纳州为例的比较研究

年平均日交通量（AADT）是交通工程分析中使用的重要参数。交通部（DOTs）持续利用永久计数站（即自动交通记录仪或 ATR）和临时短期计数站收集交通计数。在南卡罗来纳州，87% 的 ATR 位于州际公路和干道。对于大多数二级公路（即集散道路和地方道路），AADT 基于短期计数估算。本文采用两种机器学习技术——人工神经网络（ANN）和支持向量回归（SVR）——为不同道路功能等级开发 AADT 估计模型。这些模型旨在从短期计数预测 AADT。结果首先相互比较以确定最佳模型，然后将最佳模型结果与回归方法及基于因子的方法比较。比较显示，对于不同道路功能等级的 AADT 估计，SVR 优于所有其他方法。在所有为不同功能道路等级开发的模型中，基于 SVR 的模型对州际/快速路功能等级显示出最小均方根误差（RMSE）0.22 和平均绝对百分比误差（MAPE）11.3%。该模型相较传统基于因子模型和回归模型也显示出更高的 R 平方值。SVR 模型使用 2016 年 ATR 数据及南卡罗来纳州交通部（SCDOT）收集的选定短期计数数据对各道路功能等级进行验证。验证结果表明，基于 SVR 的 AADT 估计模型可作为 SCDOT 从短期计数预测 AADT 的可靠选择。