基于树的集成算法在短时行程时间预测中的比较评估
人工智能
2018-10-25 v1
摘要
向道路使用者发布准确的行程时间信息有助于实现交通均衡并缓解交通拥堵。网联车辆技术的部署将为行程时间预测模型的实施提供独特机遇。本研究的目的有二：（1）利用基本安全消息（BSM）以五分钟为间隔估算高速公路路网的行程时间；（2）开发一种极端梯度提升（XGB）模型用于高速公路短时行程时间预测。该基于 XGB 树的集成预测模型与常见的基于树的集成算法进行了对比评估，评估以五分钟为间隔在 30 分钟预测范围内进行。所用 BSM 由在密歇根州安娜堡开展的安全驾驶模型部署（Safety Pilot Model Deployment）生成。为提供整个高速公路路网的行程时间估算，处理了近二十亿条消息。利用行程时间估算值，采用网格搜索与五折交叉验证技术相结合的方法来开发预测模型并调优其参数。约 9.6 公里的高速公路路段用于评估 XGB 及最常见的基于树的集成算法。结果表明，XGB 优于所有其他算法，梯度提升次之。XGB 行程时间预测准确且与高峰时段的变化一致，在 5 分钟和 30 分钟预测范围内的平均绝对百分比误差分别约为 5.9% 和 7.8%。此外，通过将所开发模型应用于 M-14 东行段另一段 4.7 公里路段，XGB 展示了其在拥堵与非拥堵条件下行程时间预测的显著优势。
引用
@article{arxiv.1810.10102,
title = {Comparative Evaluation of Tree-Based Ensemble Algorithms for Short-Term Travel Time Prediction},
author = {Saleh Mousa and Sherif Ishak},
journal= {arXiv preprint arXiv:1810.10102},
year = {2018}
}