引入时空特征的高速公路行程时间预测方法

摘要：

为克服现有方法预测步长短、无法充分利用路网时空特征的局限性,实现高速公路行程时间的准确预测,基于高速公路起讫点(OD)数据集,采用随机森林模型(RF)、极端梯度提升模型(XGBoost)、长短时记忆神经网络模型(LSTM)、K-最近邻模型(KNN)、支持向量机回归模型(SVR)等5种常用算法对车辆行程时间进行多步长预测,并采用贝叶斯回归方法对各算法进行融合,融合模型可综合各预测算法的优点,具有更高的精度和鲁棒性.以广东水官高速龙岗至布龙段为例,对未来2 h内每15 min的车辆行程时间进行预测,并从预测精度和训练时长等方面对各算法的性能进行了对比分析.结果表明:多种步长下,随机森林算法和XGBoost算法的整体预测效果稳定;在步长较短(未来30 min)的预测中,LSTM具有最高的精度;基于贝叶斯回归的融合预测方法综合了各预测算法的优点,整体预测精度最高.

关键词：行程时间预测;机器学习;时空特征;高速公路;贝叶斯回归

所属期刊栏目：49

分类号：U491(交通工程与公路运输技术管理)

资助基金：国家自然科学基金资助项目;广东省自然科学基金资助项目;华南理工大学中央高校基本科研业务费专项资金资助项目

在线出版日期：2021-09-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：1-11