基于网络特征预测延迟轨迹：荷兰铁路网络研究
机器学习
2025-07-17 v1 人工智能
摘要
荷兰铁路网络是全球最繁忙的铁路网之一，延迟问题是铁路主要运营商 NS 最大的顾虑。本研究聚焦于荷兰铁路网络延迟预测领域的空白，通过采用 XGBoost 分类器并聚焦于拓扑特征来实现预测。当前研究主要强调短期预测，忽视了对于缓解叠加效应至关重要的更广泛的网络级模式。本研究对现有方法进行改进与实现，后者原本用于预测美国空中网络的快速变化，现被用于预测荷兰铁路的延迟。通过整合节点中心度度量并比较 RandomForest、DecisionTree、GradientBoosting、AdaBoost 与 LogisticRegression 等多种分类器，目标是预测延迟轨迹。然而，结果显示在非同时性测试情境下性能有限，表明需要更具情境特定性的适配。无论如何，本研究促进了交通网络评估的理解，并提出了为开发更稳健的延迟预测模型展开未来研究的方向。
引用
@article{arxiv.2507.11776,
title = {Predicting Delayed Trajectories Using Network Features: A Study on the Dutch Railway Network},
author = {Merel Kampere and Ali Mohammed Mansoor Alsahag},
journal= {arXiv preprint arXiv:2507.11776},
year = {2025}
}