基于可解釋機器學(xué)習(xí)的大型活動場館周邊路網(wǎng)運行狀態(tài)影響研究

摘要舉辦大型活動會導(dǎo)致周邊受影響區(qū)域在短時間內(nèi)集中大量人群和車輛，場館周邊路網(wǎng)與常態(tài)交通具有差異化特征．為探究大型活動對場館周邊路網(wǎng)運行狀態(tài)的影響機理，解析活動規(guī)模、路段與活動場館的空間距離等因素的影響特征，構(gòu)建融合XGBoost算法與部分依賴圖的可解釋機器學(xué)習(xí)模型，以捕捉不同因素的非線性效應(yīng)與協(xié)同影響．以北京市為例開展了實證研究，單因素的異質(zhì)性影響表明：路段與活動場館的空間距離及活動規(guī)模對場館周邊路網(wǎng)運行狀態(tài)的影響較大，其相對重要度分別達到27.1％和25.4％，距離活動開始／結(jié)束的時間對場館周邊路網(wǎng)運行狀態(tài)存在明顯非線性特征，在活動開始前30～60 min，以及活動結(jié)束后30 min內(nèi)，場館周邊3 km以內(nèi)的路段將受到顯著影響.二維因素的協(xié)同影響表明：當(dāng)活動規(guī)模大于3萬人時，節(jié)假日和不利天氣對場館周邊路網(wǎng)運行狀態(tài)呈負面影響，而在降雨和霧霾天氣下，場館周邊路網(wǎng)運行狀態(tài)受時空影響較大，影響范圍為活動開始前60 min與結(jié)束后40 min內(nèi)距離活動場館2.5 km內(nèi)的路段．相關(guān)研究結(jié)論可為大型活動期間道路擁堵致因辨別及制定科學(xué)有效的路網(wǎng)管控策略提供定量化的決策依據(jù)．關(guān)鍵詞城市交通;短時大型活動;路網(wǎng)運行狀態(tài);影響關(guān)系;XGBoost模型;部分依賴圖

中圖分類號U491.1;TP183

文獻標(biāo)志碼A

0引言

短時大型活動在有限空間范圍和較短時間內(nèi)集中大量人流與車輛，具有交通強聚散性和需求驟增等特征．活動期間，在天氣、日期等外部因素以及活動規(guī)模、活動性質(zhì)等屬性因素的共同作用下，場館周邊區(qū)域路網(wǎng)的運行壓力大幅增加，存在短時持續(xù)性交通擁堵、風(fēng)險突發(fā)等問題．因此，為保障活動期間路網(wǎng)運行的暢通與穩(wěn)定，有必要把握關(guān)鍵要素對大型活動場館周邊路網(wǎng)運行狀態(tài)的影響機理，實現(xiàn)活動期間周邊路網(wǎng)交通態(tài)勢的精細化推演，以期制定科學(xué)合理的管控方案．

研究人員從定性和定量的角度討論了路網(wǎng)交通流特征和影響機理，但是大型活動所引發(fā)的誘增交通需求導(dǎo)致場館周邊路網(wǎng)運行狀態(tài)與常態(tài)化條件存在明顯差異，具體表現(xiàn)在交通需求量、流量分布規(guī)律及服務(wù)層次性等方面［1］.研究表明大型活動期間交通需求和交通流具有潮汐性、臨時性和非平衡性等特征［2-3］．

在場館周邊交通狀態(tài)影響機理研究方面，通常關(guān)注活動期間的客流出行影響與路網(wǎng)交通流運行影響．其中，客流出行影響主要結(jié)合出行需求來考量，如洪于亮等［4］基于用戶畫像方法，結(jié)合實際客流需求調(diào)查，討論了大型活動的客流出行特征和需求，發(fā)現(xiàn)不同群體對步行、排隊和等待時間以及出行方式選擇等方面存在一定差異．在路網(wǎng)交通流運行影響的刻畫方面，王振報等［5］考慮交通流時空特征，建立目標(biāo)函數(shù)模型刻畫大型活動對路段交通的影響;楊子帆等［6］將影響評價指標(biāo)細化，綜合考慮道路擁堵和客流強度，構(gòu)建大型活動交通影響指數(shù)，客觀反映大型活動對場館周邊區(qū)域路網(wǎng)運行狀態(tài)的影響情況;Pulugurtha等［7］以大型活動舉辦地點為端點，利用出行時間度量大型活動對出行時間效率指標(biāo)的時空影響，評估大型活動當(dāng)天的出行時間效率指標(biāo)與正常日的差異;Niu等［8］分區(qū)域探究了大型活動對基本圖的影響，發(fā)現(xiàn)在活動入口處路網(wǎng)交通流平均速度和密度會產(chǎn)生顯著波動．明確大型活動突發(fā)時間對交通運行的時空影響范圍與程度，也能為活動期間交通應(yīng)急預(yù)案的生成與優(yōu)化提供依據(jù)［9］．

近年來，離散選擇模型、統(tǒng)計回歸、機器學(xué)習(xí)等方法廣泛應(yīng)用于影響關(guān)系分析，其中，機器學(xué)習(xí)在擬合因素的非線性特征時具有更優(yōu)的建模能力，且能夠結(jié)合可解釋方法挖掘變量對模型結(jié)果的潛在影響，現(xiàn)有研究主要引入SHAP、部分依賴圖（Partial Dependence Plots）等解釋機器學(xué)習(xí)模型．Qi等［10］結(jié)合XGBoost和SHAP方法構(gòu)建可解釋框架，探討了擁堵指數(shù)、車道數(shù)和天氣等因素對高速公路出口交通安全風(fēng)險的影響;Kashifi等［11］利用LightGBDT和SHAP構(gòu)成的可解釋機器學(xué)習(xí)框架分析得到行程距離、出行者年齡等顯著影響出行者決策的因素;許奇等［12］基于XGBoost模型刻畫城市軌道交通起訖點客流與建成環(huán)境的非線性關(guān)系，并利用部分依賴圖可視化雙變量的交互效應(yīng);劉柯良等［13］利用部分依賴圖可視化梯度提升樹（GBDT）模型中自變量與因變量之間的非線性關(guān)系．

綜上所述，目前對于影響機理的分析中，大部分研究僅從交通流時空影響角度出發(fā)，確定因素對路網(wǎng)運行狀態(tài)的正負關(guān)系與影響程度，而忽略了因素局部存在的非線性關(guān)聯(lián)與協(xié)同效用，不足以支撐相關(guān)部門根據(jù)影響關(guān)系動態(tài)準確地優(yōu)化管控策略以提高路網(wǎng)運行質(zhì)量．因此需要考慮更為全面的影響因素，并定量化分析影響因素對場館周邊路網(wǎng)運行狀態(tài)的非線性效應(yīng)和因素間的協(xié)同作用，以制定更加精準合理的交通管控策略．

基于此，為深入剖析和度量多維因素對活動場館周邊路網(wǎng)運行狀態(tài)的潛在影響關(guān)系，本文首先運用XGBoost算法建立影響關(guān)系模型，探究因素的影響程度．為克服機器學(xué)習(xí)的黑箱問題，本文進一步引入可解釋機器學(xué)習(xí)方法部分依賴圖，以解讀影響模型，捕捉活動性質(zhì)、活動場地和時空影響等要素的非線性效應(yīng)與異質(zhì)性影響，并量化二維影響因素組合之間的協(xié)同作用機理，從而為大型活動期間周邊路網(wǎng)交通組織優(yōu)化提供支持．

1數(shù)據(jù)基礎(chǔ)與影響因素集

為深入探究活動屬性因素和交通流時空特征等多維因素對大型活動場館周邊路網(wǎng)運行狀態(tài)的影響機理，需要依賴路網(wǎng)基礎(chǔ)設(shè)施數(shù)據(jù)、浮動車數(shù)據(jù)和大型活動信息等多源數(shù)據(jù)．

1.1研究數(shù)據(jù)基礎(chǔ)

基于北京市基礎(chǔ)路網(wǎng)結(jié)構(gòu)數(shù)據(jù)，結(jié)合2019年6月1日—11月30日的浮動車數(shù)據(jù)與大型活動信息數(shù)據(jù)，借助ArcGIS實現(xiàn)活動期間場館周邊路段速度數(shù)據(jù)的時空關(guān)聯(lián)．其中：路網(wǎng)結(jié)構(gòu)靜態(tài)數(shù)據(jù)主要包括路段的地理位置、道路類型、路段長度、車道數(shù)量、車流方向等信息;基于浮動車的路段信息數(shù)據(jù)，其時間統(tǒng)計周期為5 min，數(shù)據(jù)例表如表1所示;大型活動信息數(shù)據(jù)共包含北京市工人體育場、凱迪拉克中心、國家體育館等主要大型活場館舉辦的57場短時性大型活動，數(shù)據(jù)例表如表2所示，大型活動場館的分布位置如圖1所示．

1.2影響因素集

考慮到大型活動場館周邊路網(wǎng)的交通需求特征和運行狀態(tài)與活動固有性質(zhì)關(guān)聯(lián)性較強［14］，且具有明顯時空差異性．因此，除考慮天氣、日期等影響常態(tài)化交通的因素外，本文圍繞大型活動屬性與時空維度兩個方面構(gòu)建影響因素集，其中：活動屬性因素主要從活動規(guī)模、活動性質(zhì)和場館區(qū)位等內(nèi)因，以及日期屬性、活動日天氣和活動舉辦時段等外因構(gòu)建活動因素集;時空維度因素主要考慮距離活動開始與結(jié)束的時間、路段與活動場館的空間距離．本文構(gòu)建的大型活動場館周邊路網(wǎng)運行狀態(tài)影響因素集如表3所示．

1.3數(shù)據(jù)處理與關(guān)聯(lián)融合

本文利用線性插值法對速度數(shù)據(jù)集中丟失或錯誤數(shù)據(jù)進行修復(fù)與填充，之后將北京市靜態(tài)路網(wǎng)結(jié)構(gòu)、路段速度數(shù)據(jù)和大型活動場館信息輸入到ArcGIS中，并運用其中的標(biāo)識功能，設(shè)路段名稱為融合屬性，對路段屬性、歷史速度與場館周邊區(qū)域底圖屬性表關(guān)聯(lián)融合，得到與場館周邊路網(wǎng)匹配后的路段速度．

將提取后的路段速度與表3中同時刻的影響因素屬性值進行關(guān)聯(lián)匹配；同時，為降低量綱差異的影響，選用min-max標(biāo)準化方法對數(shù)據(jù)進行歸一化處理.當(dāng)數(shù)據(jù)集中樣本容量為n時，歸一化處理公式如下：

yi=xi-min1≤j≤n｛xj｝max1≤j≤n｛xj｝-min1≤j≤n｛xj｝.（1）

式中，y1，y2，…，yn∈［0，1］．

2大型活動場館周邊路網(wǎng)運行狀態(tài)的影響模型

路網(wǎng)運行狀態(tài)具有復(fù)雜性，受到多類因素的綜合作用［15-16］，機器學(xué)習(xí)模型不僅能夠刻畫影響因素的非線性作用機制，還能提供變量的相對重要度［17］，有利于對結(jié)果的解釋，一定程度上克服了線性模型的局限性．同時，為解決機器學(xué)習(xí)的黑箱問題，需引入可解釋機器學(xué)習(xí)框架以分析響應(yīng)變量與解釋變量之間的耦合作用機理［18］．因此，本文選取XGBoost建立影響關(guān)系模型，量化影響因素對場館周邊路網(wǎng)運行狀態(tài)的影響程度，并結(jié)合部分依賴圖解析單變量的非線性關(guān)系與多變量間的協(xié)同影響，本文提出的影響模型框架如圖2所示．

2.1基于XGBoost的影響關(guān)系模型

XGBoost是基于梯度提升樹（GDBT）的改進模型［19］，與傳統(tǒng)回歸模型相比，XGBoost在刻畫非線性關(guān)系時性能更優(yōu)，且不需要預(yù)設(shè)模型結(jié)構(gòu)，能夠有效量化并輸出影響因素的相對重要度以體現(xiàn)解釋變量對因變量的影響程度．因此，采用XGBoost模型探究因素與場館周邊路網(wǎng)運行狀態(tài)的影響依賴關(guān)系．

以表3中大型活動屬性和時空影響屬性作為XGBoost的解釋變量x=［x1，x2，…，x8］，被解釋變量為路段運行速度．XGBoost通過前向迭代集成每棵決策樹的預(yù)測結(jié)果作為最終輸出預(yù)測值，其函數(shù)定義如式（2）所示：

（t）i=∑tk=1fk（xi）=（t-1）i+ft（xi）.（2）

式中：（t）i為t輪迭代后模型預(yù)測第i個樣本的路段運行速度;（t-1）i 為已知t-1輪迭代后第i個樣本的預(yù)測值;fk（xi）為第k棵決策樹的預(yù)測結(jié)果;ft（xi）為第t輪迭代對殘差的預(yù)測值;xi為第i個樣本的特征向量．

XGBoost的目標(biāo)函數(shù)見式（3）.為防止模型過擬合，在損失函數(shù)中加入正則項Ω（fk）．

O（θ）=∑ni=1l（yi，i）+∑Kk=1Ω（fk）. （3）

式中：O（θ）為XGBoost的目標(biāo)函數(shù);l（yi，i）為樣本xi的損失函數(shù);Ω（fk）表示第k棵樹的正則項，用于控制模型復(fù)雜度，其計算公式見式（4）;K為學(xué)習(xí)器個數(shù)．

Ω（fk）=ζTk+12λ‖ωk‖2.（4）

式中：Tk為第k棵決策樹;ωk為第k棵樹葉子節(jié)點的預(yù)測值;ζ和λ為權(quán)重系數(shù)．

根據(jù)模型最終訓(xùn)練結(jié)果計算各個解釋變量的相對重要性，具體計算見式（5）．

R2l=1K∑Kk=1R2l （Tk）.（5）

式中：R2l 為變量l對路段速度的相對重要度;J為該樹的葉節(jié)點數(shù)．

2.2基于部分依賴圖的影響機理解析

雖然XGBoost在準確性和泛化能力等方面優(yōu)于回歸模型，但其可解釋性低．因此，本文引入部分依賴圖解釋黑箱機器學(xué)習(xí)模型中因素間的影響機理，同時可視化單變量對場館周邊路網(wǎng)運行狀態(tài)的非線性效應(yīng)和異質(zhì)性影響，以及二維因素組合的協(xié)同作用機理．部分依賴圖的核心思想是通過控制其他變量不變，計算單個或兩個解釋變量對模型中目標(biāo)函數(shù)的邊際貢獻［20］，利用部分依賴相對值表示一組變量影響目標(biāo)函數(shù)時的交互作用程度，具體的計算方法如式（6）所示：

S（xS）=1N∑Nj=1f（xS，x（j）C）.（6）

式中：fS（xS）是部分依賴函數(shù)，S（xS）絕對值越大，說明該特征組合對目標(biāo)函數(shù)的影響程度越強;xS為S中二維特征取值;S為影響因素屬性變量x=［x1，x2，…，x8］的子集，包含兩個選定的特征（xa，xb）;x（j）C 為其他特征在數(shù)據(jù)集中第j個實例上對應(yīng)的取值;N是數(shù)據(jù)集中實例數(shù);特征向量xS和xC組成總特征空間x;f為XGBoost模型．

3實證分析

本文以北京市57場大型活動與活動日當(dāng)天場館周邊路段速度數(shù)據(jù)為基礎(chǔ)，利用XGBoost和部分依賴圖分析各類特征與場館周邊路網(wǎng)運行狀態(tài)的影響關(guān)系．采用網(wǎng)格搜索法和交叉驗證法搜索XGBoost模型超參數(shù)的最優(yōu)組合，發(fā)現(xiàn)當(dāng)模型包含50棵最大深度為5的決策樹、學(xué)習(xí)參數(shù)為0.05、最小樣本權(quán)重為3時，模型具有最佳擬合效果．

3.1影響因素的相對重要度

將表3中的8個影響因素作為影響關(guān)系模型的輸入特征，學(xué)習(xí)模型輸出各類特征的相對重要度，其值越大，特征貢獻度越大，表明該指標(biāo)對路網(wǎng)運行狀態(tài)的影響越大．

圖3是8個影響因素的相對重要度．易知，大型活動屬性和時空影響屬性對場館周邊路網(wǎng)運行狀態(tài)影響具有明顯差異．具體而言，路段與活動場館的空間距離的重要度排序第一，達到27.1％，其次是活動規(guī)模和距離活動開始／結(jié)束的時間，其重要度分別為25.4％和21.3％，說明場館周邊路網(wǎng)資源的時空聚集程度和參加活動人群集聚規(guī)模對路網(wǎng)運行狀態(tài)的影響顯著，而活動性質(zhì)和活動舉辦時段的影響不顯著．

在明確各類因素對場館周邊路網(wǎng)運行狀態(tài)的定量影響基礎(chǔ)上，本文選取相對重要度較高的因素應(yīng)用于部分依賴圖的影響機理解析，分別討論單一變量對路網(wǎng)運行狀態(tài)的非線性效應(yīng)與多變量的協(xié)同作用．

3.2單變量對場館周邊路網(wǎng)運行狀態(tài)的非線性效應(yīng)與異質(zhì)性影響

根據(jù)重要度排序選取路段與活動場館的空間距離、活動規(guī)模、距離活動開始／結(jié)束的時間、活動日天氣狀況、活動日期屬性共5個變量，利用部分依賴圖方法，分別計算每個變量對路段速度的邊際貢獻，以探究其對場館周邊路網(wǎng)運行狀態(tài)的非線性關(guān)系或異質(zhì)影響．

1）路段與活動場館的空間距離

路段與活動場館的空間距離對場館路網(wǎng)運行狀態(tài)的影響關(guān)系如圖4所示．當(dāng)空間距離小于2 km時，處于較高影響狀態(tài)，當(dāng)空間距離大于2 km時，整體呈正相關(guān)趨勢，而當(dāng)空間距離大于3 km后，其影響程度顯著降低．這表明越接近于活動場館，路段中交通流的聚集程度越高，路網(wǎng)運行質(zhì)量越低，該結(jié)論同樣反映了大型活動場館對路網(wǎng)運行狀態(tài)的影響半徑約為3 km，這為大型活動交通運輸保障的空間布局提供參考．

2）活動規(guī)模

活動規(guī)模變量對場館路網(wǎng)運行狀態(tài)的影響關(guān)系如圖5所示．可以看出：當(dāng)活動規(guī)模低于2萬人次時，路網(wǎng)運行狀態(tài)與活動規(guī)模呈顯著負相關(guān);當(dāng)活動規(guī)模為2萬～4萬人次時，路網(wǎng)運行質(zhì)量呈現(xiàn)波動式降低，場館周邊路段運行速度降低約6 km／h;之后其影響不再隨著規(guī)模的增加而明顯變化．這可能是由于當(dāng)活動規(guī)模超過4萬人時場館周邊路網(wǎng)資源已趨于飽和，道路擁堵嚴重，路段運行速度變化較小．

3）距離活動開始／結(jié)束的時間

距離活動開始／結(jié)束的時間對場館路網(wǎng)運行狀態(tài)的影響關(guān)系如圖6所示．

從活動開始前2.5 h，路段運行速度開始下降，在活動開始前1～2 h內(nèi)，路段運行速度下降速率變緩．但在開始前30 min至1 h內(nèi)，路段運行速度下降幅度增大，最高降低了6.8 km／h，而在活動開始前30 min內(nèi)，路網(wǎng)運行狀態(tài)逐漸恢復(fù)至正常水平．

在活動結(jié)束后，時間變量與路網(wǎng)運行狀態(tài)呈負相關(guān)，路段運行速度開始迅速下降，平均降低了5.6 km／h，持續(xù)約30 min．在活動結(jié)束后的30～90 min內(nèi)，路網(wǎng)運行狀態(tài)逐漸恢復(fù)到正常水平．這種特征說明，在活動開始前30 min至1 h內(nèi)和活動結(jié)束后的30 min內(nèi)客流的集散程度增強，導(dǎo)致路網(wǎng)運行質(zhì)量降低．

4）活動日天氣狀況

活動日天氣狀況對場館路網(wǎng)運行狀態(tài)的影響關(guān)系如圖7所示．晴天和多云對路網(wǎng)運行狀態(tài)較為一致且影響不顯著;陰天對路網(wǎng)運行狀態(tài)具有抑制作用，但影響程度較弱．相較于晴天，霧霾天氣下場館周邊路段運行速度平均降低了6.6 km／h，原因可能是中度及以上霧霾天氣的能見度會縮小駕駛員視野范圍，對其駕駛行為產(chǎn)生影響，從而導(dǎo)致路段運行速度明顯降低．降雨天氣下活動場館周邊路網(wǎng)運行狀態(tài)降幅明顯．這表明霧霾和降雨天氣舉辦大型活動會增加場館周邊路網(wǎng)交通擁堵和事故風(fēng)險，在進行交通運輸保障時可制定針對性路網(wǎng)管控策略．

5）活動日期屬性

活動日期屬性對場館路網(wǎng)運行狀態(tài)的影響關(guān)系如圖8所示．相比工作日，在周末和節(jié)假日舉辦大型活動時場館周邊路段運行速度分別下降12.6％和14.7％，這可能是大型活動客流與周末和法定節(jié)假日期間居民彈性出行的交通流疊加，出現(xiàn)較為明顯的車流與人流增長．

3.3場館周邊路網(wǎng)運行狀態(tài)的二維協(xié)同作用機理分析

場館周邊路網(wǎng)運行狀態(tài)具有復(fù)雜矢量性，與大型活動屬性密切相關(guān)，同時又受時空影響.為進一步刻畫兩個單變量組合成雙變量后對場館周邊路網(wǎng)運行狀態(tài)的交互影響，本文結(jié)合單變量的相對重要度與其非線性特征，選取活動規(guī)模和活動日天氣狀況、活動規(guī)模和活動日期屬性、活動日天氣狀況和路段與活動場館的空間距離、活動日天氣狀況和距離活動開始／結(jié)束時間共4類因素組合，采用二維部分依賴圖可視化其協(xié)同作用機理．

1）活動規(guī)模和活動日天氣狀況

活動規(guī)模與活動日天氣狀況對場館周邊路網(wǎng)運行狀態(tài)的協(xié)同作用關(guān)系如圖9所示．當(dāng)活動規(guī)模低于2萬人次時，活動日天氣對路網(wǎng)運行狀態(tài)的整體影響不明顯;當(dāng)活動規(guī)模高于3萬人次時，霧霾和降雨天氣對路網(wǎng)運行質(zhì)量的負面影響逐漸顯著，而相比霧霾天氣，降雨天氣與活動規(guī)模對路網(wǎng)運行狀態(tài)的協(xié)同影響更明顯．

2）活動規(guī)模和活動日期屬性

活動規(guī)模與活動日期屬性對場館周邊路網(wǎng)運行狀態(tài)的協(xié)同作用關(guān)系如圖10所示．在節(jié)假日與活動規(guī)模高于3萬人次的共同影響下，路網(wǎng)運行質(zhì)量降低幅度更大．

3）活動日天氣狀況和路段與活動場館的空間距離

活動日天氣狀況和路段與活動場館的空間距離對場館周邊路網(wǎng)運行狀態(tài)的協(xié)同作用關(guān)系如圖11所示．在降雨和霧霾天氣條件下，路段與活動場館的空間距離對場館周邊路網(wǎng)運行狀態(tài)具有顯著影響，尤其是距離場館2 500 m內(nèi)的路段．

場館周邊路網(wǎng)運行狀態(tài)的協(xié)同作用關(guān)系如圖12所示．與路段和活動場館的空間距離類似，在降雨和霧霾天氣下，距離活動開始／結(jié)束的時間距離對場館周邊路網(wǎng)運行狀態(tài)的影響較為顯著．其中：降雨天氣對路網(wǎng)運行狀態(tài)的影響作用時間約為活動開始前2.5 h至活動開始后的15 min內(nèi)以及活動結(jié)束前10 min至結(jié)束后90 min內(nèi);霧霾天氣對路網(wǎng)運行狀態(tài)的影響時間短于降雨天氣，在臨近活動開始時路網(wǎng)運行狀態(tài)基本恢復(fù)正常水平．

4結(jié)論與展望

本文基于路網(wǎng)數(shù)據(jù)、浮動車數(shù)據(jù)及大型活動信息等多源異構(gòu)數(shù)據(jù)，構(gòu)建基于XGBoost的影響關(guān)系模型，結(jié)合部分依賴圖解釋多維因素對大型活動場館周邊路網(wǎng)運行狀態(tài)的非線性關(guān)系、異質(zhì)性影響和協(xié)同作用機理，并以北京市的實際大型活動多源數(shù)據(jù)為基礎(chǔ)開展模型實證分析，得到主要結(jié)論如下：

1）路段與活動場館的空間距離和活動規(guī)模是影響場館周邊路網(wǎng)運行狀態(tài)的主要因素，其相對重要度分別為27.1％和25.4％．

2）單變量對場館周邊路網(wǎng)運行狀態(tài)的非線性效應(yīng)與異質(zhì)性影響表現(xiàn)為：距離活動開始／結(jié)束的時間對場館周邊路網(wǎng)運行狀態(tài)存在明顯非線性特征;大型活動對場館周邊路網(wǎng)運行狀態(tài)的影響半徑約為3 km，主要影響時段為活動開始前30 min至1 h內(nèi)與活動結(jié)束后30 min．

3）多變量對場館周邊路網(wǎng)運行狀態(tài)的協(xié)同影響表現(xiàn)為：節(jié)假日和活動日不利天氣在活動規(guī)模大于3萬人時與場館周邊路網(wǎng)運行狀態(tài)具有負相關(guān)性，并且其負相關(guān)性隨活動規(guī)模的增大而愈發(fā)顯著;在霧霾和降雨天氣條件下，活動開始前1 h與活動結(jié)束后40 min內(nèi)對距離活動場館2 500 m內(nèi)路段運行狀態(tài)呈顯著負面影響．

解析多維因素對大型活動場館周邊路網(wǎng)運行狀態(tài)的非線性影響關(guān)系與協(xié)同作用機理，有助于精準制定路網(wǎng)管控策略．研究結(jié)果表明，大型活動交通保障不僅需從交通生成角度分析活動本身對場館周邊路網(wǎng)運行狀態(tài)的影響，還應(yīng)考慮大型活動場館的潛在影響時空范圍，從交通分布角度研究大型活動期間場館周邊路網(wǎng)交通資源協(xié)同配置，進而改善路網(wǎng)運行質(zhì)量．本文的研究重點關(guān)注路段運行速度對路網(wǎng)狀態(tài)的影響，未來可結(jié)合交通指數(shù)、道路負荷度等指標(biāo)探究因素對場館周邊路網(wǎng)運行狀態(tài)的影響，更加全面地反映場館周邊交通流運行特征和影響機制，進而設(shè)置科學(xué)合理的交通專項保障實施方案．

參考文獻

References

［1］戴鈴.大型活動交通運行多源風(fēng)險協(xié)同評估方法［D］.南京：東南大學(xué)，2021

DAI Ling.Study on the method of collaborative assessment of traffic operation multisource risk for big event［D］.Nanjing：Southeast University，2021

［2]梁興柳.大型活動對區(qū)域道路交通網(wǎng)穩(wěn)定性的影響分析方法研究［D］.石家莊：石家莊鐵道大學(xué)，2021

LIANG Xingliu.Research on the analysis method of the influence of large-scale activities on the stability of regional road traffic network［D］.Shijiazhuang：Shijiazhuang Tiedao University，2021

［3]崔洪軍，陸建，魏連雨，等.大型活動散場交通流的時空消散規(guī)律［J］.中國公路學(xué)報，2007，20（2）：102-107

CUI Hongjun，LU Jian，WEI Lianyu，et al.Traffic flow time space dissipation rule under large-scale activity［J］.China Journal of Highway and Transport，2007，20（2）：102-107

［4]洪于亮，許寧，秦?zé)溃?基于用戶畫像的大型冬季戶外活動客流需求特征挖掘：以哈爾濱和長春國際滑冰雪馬拉松為例［J］.科學(xué)技術(shù)與工程，2023，23（10）：4400-4407

HONG Yuliang，XU Ning，QIN Huanmei，et al.Characteristics mining of passenger flow based on user portrait in large winter outdoor events：take Harbin and Changchun international skating marathon as an example［J］.Science Technology and Engineering，2023，23（10）：4400-4407

［5]王振報，李金山，陳艷艷.大型活動期間交通影響分析方法研究［J］.武漢理工大學(xué)學(xué)報（交通科學(xué)與工程版），2010，34（4）：758-761

WANG Zhenbao，LI Jinshan，CHEN Yanyan.Research on traffic impact analysis method under special events［J］.Journal of Wuhan University of Technology （Transportation Science ＆ Engineering），2010，34（4）：758-761

［6]楊子帆，徐海輝，錢慧敏，等.基于多源數(shù)據(jù)的城市大型活動交通影響評價方法［J］.交通工程，2022，22（3）：7-12

YANG Zifan，XU Haihui，QIAN Huimin，et al.Traffic impact evaluation method for urban large-scale activities based on multi-source data［J］.Journal of Transportation Engineering，2022，22（3）：7-12

［7]Pulugurtha S S，Duddu V R，Venigalla M.Evaluating spatial and temporal effects of planned special events on travel time performance measures［J］.Transportation Research Interdisciplinary Perspectives，2020，6：100168

［8]Niu X J，Zhao X M，Xie D F，et al.Impact of large-scale activities on macroscopic fundamental diagram：field data analysis and modeling［J］.Transportation Research Part A：Policy and Practice，2022，161：241-268

［9]沈凌，陸建，王成晨.面向大型活動的交通應(yīng)急預(yù)案快速生成與動態(tài)優(yōu)化方法［J］.交通信息與安全，2021，39（3）：33-40

SHEN Ling，LU Jian，WANG Chengchen.Rapid generation and dynamic optimization of traffic emergency plans for large-scale events［J］.Journal of Transport Information and Safety，2021，39（3）：33-40

［10]Qi H，Yao Y，Zhao X H，et al.Applying an interpretable machine learning framework to the traffic safety order analysis of expressway exits based on aggregate driving behavior data［J］.Physica A：Statistical Mechanics and its Applications，2022，597：127277

［11]Kashifi M T，Jamal A，Kashefi M S，et al.Predicting the travel mode choice with interpretable machine learning techniques：a comparative study［J］.Travel Behaviour and Society，2022，29：279-296

［12］許奇，李雯茜，陳越，等.建成環(huán)境對城市軌道交通起訖點客流的非線性影響及閾值效應(yīng)［J］.交通運輸系統(tǒng)工程與信息，2023，23（4）：290-297

XU Qi，LI Wenqian，CHEN Yue，et al.Nonlinear and threshold effects of built environment on origin-destination flows of urban rail transit［J］.Journal of Transportation Systems Engineering and Information Technology，2023，23（4）：290-297

［13]劉柯良，陳堅，祝燁，等.社區(qū)建成環(huán)境對小汽車使用行為的非線性影響模型［J］.北京交通大學(xué)學(xué)報，2022，46（3）：49-56

LIU Keliang，CHEN Jian，ZHU Ye，et al.Non-linear impact model of community built environment on car usage behavior［J］.Journal of Beijing Jiaotong University，2022，46（3）：49-56

［14]付宇，翁劍成，錢慧敏，等.基于XGBoost算法的大型活動期間軌道進出站量預(yù)測［J］.武漢理工大學(xué)學(xué)報（交通科學(xué)與工程版），2020，44（5）：832-836

FU Yu，WENG Jiancheng，QIAN Huimin，et al.Prediction of metro passenger flow during large-scale activities based on XGBoost algorithm［J］.Journal of Wuhan University of Technology （Transportation Science ＆ Engineering），2020，44（5）：832-836

［15]Zheng Y，Wang S Y，Dong C J，et al.Urban road traffic flow prediction：a graph convolutional network embedded with wavelet decomposition and attention mechanism［J］.Physica A：Statistical Mechanics and its Applications，2022，608：128274

［16]Nigam A，Srivastava S.Hybrid deep learning models for traffic stream variables prediction during rainfall［J］.Multimodal Transportation，2023，2（1）：100052

［17]Ullah I，Liu K，Yamamoto T，et al.Modeling of machine learning with SHAP approach for electric vehicle charging station choice behavior prediction［J］.Travel Behaviour and Society，2023，31：78-92

［18]Angelini M，Blasilli G，Lenti S，et al.A visual analytics conceptual framework for explorable and steerable partial dependence analysis［J］.IEEE Transactions on Visualization and Computer Graphics，2023：1-16

［19]Chen T Q，Guestrin C.XGBoost：a scalable tree boosting system［C］／／Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.San Francisco，CA，USA.New York，NY，USA：ACM，2016：785-794

［20]Hastie T，Tibshirani R，F(xiàn)riedman J H.Data mining，inference，and prediction［M］.2nd ed.New York：Springer，2009

Research on impact of short-term large-scale events on

nearby traffic flow via interpretable machine learning

WU Mingzhu1FENG Kai1WENG Jiancheng1WEI Ruicong2WANG Jingjing3QIAN Huimin3

1Beijing Key Laboratory of Traffic Engineering，Beijing University of Technology，Beijing 100124，China

2Fujian Expressway Group Co.，Ltd.，F(xiàn)uzhou 350001，China

3Beijing Municipal Transportation Operations Coordination Center，Beijing 100161，China

AbstractThe large number of people and vehicles gathered in a short period of time around large-scale events will lead to a differentiated traffic flow.Here，an interpretable machine learning model integrating XGBoost algorithm and partial dependence plots is proposed to capture the nonlinear effects and synergistic influences of large-scale events and their characteristics on the operation of nearby road network，and an empirical study has been conducted in Beijing.The heterogeneity of single factors shows that the distance of road section away from event venue and the event scale have great impact on nearby traffic flow，with relative importance of 27.1％ and 25.4％，respectively;time before start and after end of the event has obvious nonlinear characteristics，and the road sections within 3 km from the venue will be significantly affected within 30-60 minutes before the event and 30 minutes after the event.The synergistic effect of two-dimensional factors shows that，if an event attracted more than 30，000 people，holidays and adverse weather have a negative impact on the nearby traffic flow;in rain or haze weather，the road section within 2.5 km from the venue will be affected within 60 minutes before the event and 40 minutes after the event.The findings can provide quantitative data support for identifying the causes of road congestion and formulating reasonable and effective road network control strategies during large events.

Key wordsurban transportation;short-term large-scale events;road network operation state;influencing relationship;eXtreme Gradient Boosting（XGBoost）;partial dependence plots