数据驱动的交通流预测模型性能如何随预测期增加而退化？一种涵盖统计、机器学习与深度学习模型的综合方法
机器学习
2025-11-13 v1 人工智能
摘要
随着近几十年来的快速城市化，人员和货物流动的增加加剧了交通拥堵。随着规划从基于需求的策略转向以供给为导向的策略，智能交通系统（ITS）已成为在现有基础设施内管理交通的必要手段。ITS 的核心功能是交通预测，通过 Google Maps 等平台实现匝道控制、信号控制和动态路线规划等主动措施。本研究评估了统计、机器学习（ML）和深度学习（DL）模型在使用来自 Caltrans Performance Measurement System (PeMS) 的加州 Harbor Freeway 真实数据预测交通速度和流量方面的性能。每个模型在 20 个预测窗口（最长 1 小时 40 分钟）内使用 RMSE、MAE 和 R-Square 指标进行了评估。结果显示，ANFIS-GP 在早期窗口表现最佳，RMSE 为 0.038，MAE 为 0.0276，R-Square 为 0.9983；而 Bi-LSTM 由于其建模长程时间依赖的能力，在中期预测中更为稳健，在预测期为 20 时实现了 0.1863 的 RMSE、0.0833 的 MAE 和 0.987 的 R-Square。模型性能的退化通过对数变换进行了量化，斜率值用于衡量稳健性。在 DL 模型中，Bi-LSTM 的斜率最平缓（RMSE 为 0.0454，流量 MAE 为 0.0545），而 ANFIS-GP 的 RMSE 为 0.1058，流量 MAE 为 0.1037。该研究总结指出，混合模型是一个有前景的未来方向。
引用
@article{arxiv.2511.09450,
title = {How does the Performance of the Data-driven Traffic Flow Forecasting Models deteriorate with Increasing Forecasting Horizon? An Extensive Approach Considering Statistical, Machine Learning and Deep Learning Models},
author = {Amanta Sherfenaz and Nazmul Haque and Protiva Sadhukhan Prova and Md Asif Raihan and Md. Hadiuzzaman},
journal= {arXiv preprint arXiv:2511.09450},
year = {2025}
}
备注
6,227 words text + 2*250 (2 tables) = 6,727 words