基于BO-FCM和PSO-XGBoost的城市快速路交通状态识别

摘要：

为准确识别城市快速路交通拥堵状态,基于交通状态识别的实时性和变化性,构建了一种基于贝叶斯优化改进的模糊 C 均值(Fuzzy C-Means,FCM)算法与粒子群优化(Particle Swarm Optimization,PSO)-极度梯度提升树(eXtreme Gradient Boosting,XGBoost)相结合的交通状态识别模型.首先,考虑到FCM算法初始聚类中心的随机性对聚类结果的影响,利用贝叶斯算法对FCM算法进行优化,以避免FCM算法陷入局部最优解;然后,针对XGBoost算法的参数过多且对参数敏感的问题,使用PSO对其重要参数进行优化;最后,采用已分类的交通流数据对PSO-XGBoost模型进行训练,并采用北京市三环快速路的交通流数据对模型进行实例验证和性能对比分析.结果表明,所建模型能较准确和稳定地识别交通状态,识别准确率达99.94%,相比于支持向量机(Support Vector Machine,SVM)模型、随机森林(Random Forest,RF)模型、K-近邻规则(K-Nearest Neighbor,KNN)模型分别提高1.23%,1.06%,1.57%,交通状态的识别精度和稳定性都得到有效提升,可为准确提供交通出行信息和缓解交通拥堵提供方法支撑.

关键词：快速路、交通状态识别、XGBoost、贝叶斯优化、FCM、粒子群优化

所属期刊栏目：9

分类号：U491.1(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;北京市科技计划项目

在线出版日期：2023-09-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：64-71