基于XGBoost的短时交通流预测研究

作者：焦朋朋; 安玉; 白紫秀; 林坤

来源：重庆交通大学学报(自然科学版), 2022, 41(08): 17-66.

• 交通工程
• 智能交通
• 短时交通流预测
• XGBoost
• 时空相关性
• 集成学习

针对短时交通流预测模型复杂度与预测精度的矛盾，提出基于集成学习的XGBoost(eXtreme gradient boosting)模型预测交通流，充分利用其对高维特征数据预测精度高以及计算速度快的优势。首先对原始数据的异常值进行中值滤波处理；然后基于XGBoost模型建立预测模型，利用交叉验证的方法确定最优的超参数取值，对测试集进行预测得到各个特征的重要度；最终将模型预测结果与其他短时交通流预测方法的预测结果进行比较。结果表明：中值滤波降噪处理和充分利用相邻断面的交通流数据均对模型预测精度有显著提升，XGBoost模型的预测精度高达96.6%,相比其他短时交通流预测模型更能充分利用交通流的时间特性和空间相关性。

• 单位
  北京市市政工程设计研究总院有限公司; 北京建筑大学; 福州市规划设计研究院