Volume 1,Issue 9
引入通勤特征的车辆行程时间组合预测方法
为了缓解通勤高峰期的交通拥堵，提升交通运行效率和舒适度。本文基于高速公路收费数据集，设计了表征车辆个体通勤行为特征的指标，引入通勤特征、天气特征等外部特征，结合时间等内部特征，采用4种常用的算法：K-最近邻算法（KNN）、极端梯度提升算法（XGBoost）、多层感知机算法（MLP）、长短时记忆神经网络算法（LSTM）对流量进行预测，最后采用贝叶斯回归方法对各算法进行融合。选取跨粤港澳大湾区各市、各区县通勤OD交通量较大，车辆往来频繁的15个路段作为实验对象，以15min为时间粒度进行统计，输入步长为8，预测步长为4，对车辆的行程时间进行预测。分别对引入通勤特征前后模型效果，各模型预测误差，峰值预测效果、模型动态权重几个方面展开分析。结果表明：引入通勤特征变量能有效提升模型预测准确率，贝叶斯组合模型在预测精度、预测稳定性及峰值预测效果方面均表现更优，采用动态调整权重的方式进行融合能克服单一预测方法的局限性，提升整体模型性能。
[1] 韩超,宋苏,王成红. 基于ARIMA模型的短时交通流实时自适应预测[J]. 系统仿真学报, 2004(07): 1530-1532.
[2] 杨兆升,朱中. 基于卡尔曼滤波理论的交通流量实时预测模型[J]. 中国公路学报, 1999(03): 63-67.
[3] 蔡昌俊,姚恩建,王梅英,等. 基于乘积ARIMA模型的城市轨道交通进出站客流量预测[J]. 北京交通大学学报, 2014, 38(02): 135-140.
[4] 谭满春,冯荦斌,徐建闽. 基于ARIMA与人工神经网络组合模型的交通流预测[J], 中国公路学报. 2007(04): 118-121.
[5] 罗向龙,焦琴琴,牛力瑶,等. 基于深度学习的短时交通流预测[J]. 计算机应用研究, 2017, 34(01): 91-93.
[6] 张悦,张磊,刘佰龙,等. 基于时空Transformer的多空间尺度交通预测模型[J]. 计算机工程与科学, 2024, 46(10): 1852-1863.
[7] 李帅,杨柳,赵欣卉. 基于深度学习的城市区域短时交通拥堵预测算法[J]. 科学技术与工程, 2023, 23(25): 10866-10878.
[8] 陆百川,马新露,郭鹏,等．基于注意力机制与时空图卷积网络的短时交通流预测模型[J]．交通运输工程学报,2022,22(4): 214-225．
[9] 于德新,杨苹,高学英,等．基于CEEMDAN-SSA-BiLSTM的组合短时交通流预测模型[J]．吉林大学学报(工学版),2023,53(5): 1420-1431．
[10] 黄刚,柳祖鹏,王宝杰．基于多组件时空融合的深度学习交通流预测[J]．计算机工程与应用,2024,60(1): 89-98．