In recent times, hurricanes Matthew, Harvey, and Irma have disrupted the lives of millions of people across multiple states in the United States. Under hurricane evacuation, efficient traffic operations can maximize the use of transportation infrastructure, reducing evacuation time and stress due to massive congestion. Evacuation traffic prediction is critical to plan for effective traffic management strategies. However, due to the complex and dynamic nature of evacuation participation, predicting evacuation traffic demand long ahead of the actual evacuation is a very challenging task. Real-time information from various sources can significantly help us reliably predict evacuation demand. In this study, we use traffic sensor and Twitter data during hurricanes Matthew and Irma to predict traffic demand during evacuation for a longer forecasting horizon (greater than 1 h). We present a machine learning approach using Long-Short Term Memory Neural Networks (LSTM-NN), trained over real-world traffic data during hurricane evacuation (hurricanes Irma and Matthew) using different combinations of input features and forecast horizons. We compare our prediction results against a baseline prediction and existing machine learning models. Results show that the proposed model can predict traffic demand during evacuation well up to 24 h ahead. The proposed LSTM-NN model can significantly benefit future evacuation traffic management.

最近，飓风马修、哈维和艾尔玛扰乱了美国多个州数百万人的生活。在飓风疏散下，高效的交通运营可以最大限度地利用交通基础设施，减少疏散时间和因大规模拥堵造成的压力。疏散交通预测对于规划有效的交通管理策略至关重要。然而，由于疏散参与的复杂性和动态性，在实际疏散之前很久预测疏散交通需求是一项非常具有挑战性的任务。来自各种来源的实时信息可以显着帮助我们可靠地预测疏散需求。在这项研究中，我们在飓风 Matthew 和 Irma 期间使用交通传感器和 Twitter 数据来预测疏散期间的交通需求，以进行更长的预测范围（大于 1 小时）。我们提出了一种使用长短期记忆神经网络 (LSTM-NN) 的机器学习方法，在飓风疏散（飓风艾玛和马修）期间使用输入特征和预测范围的不同组合对真实世界的交通数据进行训练。我们将我们的预测结果与基线预测和现有机器学习模型进行比较。结果表明，所提出的模型可以提前 24 小时预测疏散期间的交通需求。所提出的 LSTM-NN 模型可以显着有益于未来的疏散交通管理。在飓风疏散（飓风艾尔玛和马修）期间使用输入特征和预测范围的不同组合对真实世界的交通数据进行训练。我们将我们的预测结果与基线预测和现有机器学习模型进行比较。结果表明，所提出的模型可以提前 24 小时预测疏散期间的交通需求。所提出的 LSTM-NN 模型可以显着有益于未来的疏散交通管理。在飓风疏散（飓风艾尔玛和马修）期间使用输入特征和预测范围的不同组合对真实世界的交通数据进行训练。我们将我们的预测结果与基线预测和现有机器学习模型进行比较。结果表明，所提出的模型可以提前 24 小时预测疏散期间的交通需求。所提出的 LSTM-NN 模型可以显着有益于未来的疏散交通管理。