道路维修排程中交通均衡的机器学习预测

准确估计道路维修计划对交通状况的影响至关重要，因为维护操作如果未慎重规划，可以显著恶化拥堵。可靠的估计允许规划者在施工期间避免过度延误。由于精确预测拥堵的增加困难，通常会使用交通仿真来评估交通流的重新分配。然而，当应用于涉及大量重叠项目和多种排程方案的长期维护规划时，这些仿真必须运行数千次，导致计算负担巨大。本文研究了使用基于机器学习的替代模型来预测由同时道路维修造成的网络范围内拥堵。我们将问题定义为监督学习任务，使用 one-hot 编码、工程化交通特征和启发式近似方法。评估了线性模型、集成模型、概率模型和神经回归模型，在在线学习框架下进行评估，该框架中数据逐步可用。实验结果表明，当训练数据有限时，Costliest Subset Heuristic 提供了相当合理的近似，而大多数回归模型未能优于其效果，仅 XGBoost 实现了显著更好的准确率。在总体性能方面，XGBoost 在各种指标中均显著优于其他替代方案，最为突出的是均方绝对百分比误差 (MAPE)，其 MAPE 为 11%，且优于下一名模型高达 20% 和 38%。这种建模方法有望减少大规模交通分配问题在维护规划中的计算负担。