基于收费公路历史数据的动态收费预测：以I-66内环高速公路为例
机器学习
2021-04-23 v1
摘要
为动态收费系统的用户提供收费价格以及收费公路与替代路线之间出行时间差的预测，能够使他们在出发前做出出行决策。本研究旨在通过训练和测试随机森林、多层感知机以及长短期记忆模型来提供准确的收费价格预测，并将其与当前最佳预测（即将当前收费延伸至后续时间步）的情况进行比较。预测时间范围为当前时刻之后的五个6分钟时间间隔。模型在测试集上的预测性能表明，尽管所有模型均显著优于基准模型，但随机森林优于所有模型。例如，在训练模型中，未来6分钟至未来30分钟的下一个时间步的平均绝对误差范围分别为2.5，而基准模型中同一指标的范围为6。对收费公路及其最短出行时间替代路线的出行时间差的预测显示，多层感知机的表现略优于基准模型。然而，由于出行时间差相对稳定，当前出行时间差可作为未来30分钟预测范围内的可接受预测。
引用
@article{arxiv.2104.10684,
title = {Dynamic Toll Prediction Using Historical Data on Toll Roads: Case Study of the I-66 Inner Beltway},
author = {Sara Zahedian and Amir Nohekhan and Kaveh Farokhi Sadabadi},
journal= {arXiv preprint arXiv:2104.10684},
year = {2021}
}