10.3963/j.jssn.1674-4861.2022.03.017
基于XGBoost的短时出租车速度预测模型
准确预测短时出租车速度是识别驾驶员异常加减速行为的前提,有助于提升乘客的安全与舒适.以城市中出租车实时移动速度为研究对象,研究了基于XGBoost的短时出租车速度预测模型.将出租车的移动速度数据集划分为训练集和测试集,构造滑动时间窗口,以时间窗口内的出租车历史移动速度的时间序列为输入变量,以出租车当前时间的移动速度为输出变量,采用前向验证的方法进行模型评估.利用基于贝叶斯算法的hyperopt模块实现模型参数的快速优化,得到模型最优参数组合,并基于深圳市2013年10月22日的出租车GPS轨迹数据集进行算例分析,将模型的预测结果与非参数回归模型、神经网络模型预测结果进行比较.研究表明:所构建的短时出租车速度预测模型的平均绝对误差(MAE)为9.841,均方根误差(RMSE)为12.711,均低于非参数回归模型和神经网络模型,提高了出租车速度的预测精度;由于出租车速度序列缺乏规律性,调整后的R2(R2_adjusted)为0.592,且相较于其他2个模型,XGBoost模型在出租车速度发生急剧变化的时间点附近具有更优的拟合效果,避免了过拟合造成的预测精度下降.
城市交通、出租车速度、短时预测、XGBoost
40
U491.1+4(交通工程与公路运输技术管理)
国家重点研发计划2020YFB1600400
2022-07-25(万方平台首次上网日期,不代表论文的发表时间)
共8页
163-170