面向交通流预测的路况分级融合模型

作者：巢成; 许建秋^*

来源：计算机应用, 2023, S2: 47-53.

• 交通流预测
• 融合模型
• 长短期记忆网络
• 轻量级梯度提升机
• 道路属性
• 可视化

针对复杂交通网的路况拥堵问题，提出了L2(LSTM(Long Short-Term Memory)+LGBM(Light Gradient Boosting Machine))融合模型，为道路决策提供数据驱动的基础，优化交通调度，提高出行效率。首先，通过前向关联边结构存储路网模型；其次，提取历史序列数据特征，保留路网中的时序特征；最后，通过将时间序列数据与道路拓扑结构融合进行特征提取，训练模型并完成预测。为便于理解路段状态，采用分级评价，将预测结果划分为：拥堵、缓行和畅通。实验采用北京地区真实路况作为数据集，数据规模达1 500余万条。实验将融合模型L2与深度神经网络(DNN)、LSTM和LGBM做对比，实验结果表明，L2的预测精度达91.22%，优于其他模型。最后，采用可视化技术展示实验结果，完成5种可视化图表的实现，便于用户直观理解道路的实时状态。

• 单位
  南京航空航天大学