基于高分量随机森林的局部道路年平均日交通量区间预测
机器学习
2025-10-22 v1 机器学习
应用统计
摘要
准确的年平均日交通量（AADT）数据对交通规划和基础设施管理至关重要。然而，跨国道路网络中自动交通探测器往往提供的覆盖不完整，导致对次要道路的代表性不足。虽然最近的机器学习进展提高了在未测量位置的 AADT 估计，但大多数模型仅产生点预测，忽略了估计不确定性。本研究通过引入区间预测方法来弥补这一差距，该方法显式量化预测不确定性。我们将 Quantile Random Forest 模型与主成分分析相结合，用于生成 AADT 预测区间，提供由估计的最小值和最大值所界定的合理交通范围。我们使用来自英格兰和威尔士超过 2000 条次要道路的数据，并使用专用的区间指标进行评估。结果显示，所提方法实现了 88.22% 的区间覆盖概率，归一化平均宽度为 0.23，Winkler 评分达 7468.47。通过将机器学习与空间和高维分析相结合，该框架提高了 AADT 估计的准确性和可解释性，支持更稳健、更具信息性的交通规划。
引用
@article{arxiv.2510.18548,
title = {Interval Prediction of Annual Average Daily Traffic on Local Roads via Quantile Random Forest with High-Dimensional Spatial Data},
author = {Ying Yao and Daniel J. Graham},
journal= {arXiv preprint arXiv:2510.18548},
year = {2025}
}