深度学习与集成学习在交通预测时程延伸上的比较研究

交通预测是智能交通系统的核心任务，机器学习方法已广泛用于开发数据驱动的人工智能解决方案。近期研究聚焦于建模空间-时间相关性以实现短期交通预测，将较长时程的预测留作具有挑战性和开放性的议题。本文基于大规模实际信号灯化干道和高速公路交通流数据集，进行比较研究，旨在评估在最高可达 30 天的预测时程范围内，各种机器学习方法的潜在效果。侧重于捕捉时序动态的建模能力，本文构建了一种集成机器学习方法——eXtreme Gradient Boosting (XGBoost)，以及一系列深度学习方法，包括基于循环神经网络 (Recurrent Neural Network, RNN) 的方法和最新 Transformer 方法。时间嵌入被用于增强其对季节性和事件因素的理解。实验结果表明，虽然注意力机制/Transformer 框架在捕捉序列数据的长程依赖方面有效，但随着预测时程的延伸，有效交通预测的关键逐渐从时序依赖捕捉转向周期性建模。时间嵌入在此背景下尤为有效，帮助 Naive RNN 在 30 天预报预测中超过 Informer 31.1%。与深度学习方法相比，XGBoost 作为一种高效稳健的模型，虽仅基于时间特征学习，却表现出与深度学习方法相当的竞争力。此外，本文还考察了各种因素的影响，如输入序列长度、假日交通、数据粒度和训练数据规模。研究结果为未来的长期交通预测研究以及提升 AI 学习能力提供了宝贵洞见。