基于XGBoost融合模型的交通流量预测技术研究

作者：李青

来源：自动化仪表, 2022, 43(12): 123-128.

DOI：10.16086/j.cnki.issn1000-0380.2022010008

• 道路信息识别
• 决策树
• 支持向量机分类器
• 分类回归树
• XGBoost融合模型

为了提高城市交通信息管理能力、交互能力和处理能力，提出了基于XGBoost融合模型的交通流量预测系统。构建了梯度方向直方图(HOG)特征信息模型，采用支持向量机(SVM)分类器对城市交通信息进行识别，增强了道路信息识别能力。同时，构建了基于XGBoost融合模型的交通流量预测系统。XGBoost融合模型将分类回归树(CART)作为基分类器，应用Label Encoding和one-hot Encoding方式实现原始数据集的编码，集成多个决策树模型，共同决定样本的预测结果。通过调整模型参数，可防止出现过拟合。通过对不同数据信息进行分类，提高了数据监控能力。试验结果表明，该研究对车辆图像的识别率较高，对交通流量的预测数据的误差百分比始终低于0.1。该研究能够加强城市交通系统监控，提高交通数据信息分析和应用能力。