SSSDScientific and Social Sustainable Development3066-89643066-8980Art and Technology10.61369/SSSD.2025170027Article基于时间序列分解的黄茅海跨海通道交通流时空变化分析https://artdesignp.com/journal/SSSD/1/17/10.61369/SSSD.2025170027罗嘉荣20251172025-11-14为揭示黄茅海跨海通道交通流的时空变化特征，本研究基于2025年7月1日至8月31日的每小时交通监测数据，采用时间序列分解、统计分析和可视化方法，对车型占比、周期特征及流向分布进行研究。结果表明：客车占比约86%，货车占14%，反映通道以通勤和旅游需求为主，物流运输为辅；时间序列分解显示流量呈稳定增长趋势，日周期特征显著，工作日早晚高峰流量较均值高70%；流向分布呈现珠海至江门方向货车流量（不考虑客车）占优，反映货运经济的不对称性。研究结果为通道交通管理（如高峰期车道优化、物流调度调整）提供科学依据，未来可整合外部因素开发时空预测模型以提升运营效率。交通运输规划与管理,高速公路,时间序列,时空分析

[1] 雷永巍. 基 于多源数据融合的公路网货物运输指标统计与预测方法研究[D]. 广州: 华南理工大学, 2018.[2] Fu Y, Shi X. Research on Freight Truck Operation Characteristics Based on GPS Data[J]. Procedia - Social and Behavioral Sciences. 2013, 96: 2320-2331.[3] 王振，张志敏 ，李同飞，等. 基于手机信令数据的通勤出行分析—— 以青岛市为例[J]. 青岛理工大学学报. 2022, 43(01): 129-136.[4] Li B, Gao S, Liang Y, et al. Estimation of Regional Economic Development Indicator from Transportation Network Analytics[J]. Scientific Reports. 2020, 10(1).[5] 程刚，张艳. 基于刷卡数据的民族节日期间公交线网优化[J]. 交通工程. 2021, 21(06): 31-36.[6] Newman D A. Missing da ta: Five practical guidelines[J]. Organizational Research Methods. 2014, 17(4): 372-411.[7] 韩卫国，王劲 峰，胡建军. 交通流量数据缺失值的插补方法[J]. 交通与计算机. 2005(01): 39-42.[8] 赵然杭, 甘甜, 逄晓腾, 等. 基于时间序列分解的降雨数据挖掘与预测[J]. 中国农村水利水电, 2021, 11: 116-122.