基于 STL 分解的交通流预测混合模型：LSTM、ARIMA、XGBoost
机器学习
2025-10-29 v1 人工智能
摘要
准确的交通流预测是智能交通系统和城市交通管理的关键。然而, 单一模型方法往往无法捕捉交通流数据中复杂的、非线性的、多尺度的时间模式。本研究提出一种以分解驱动的混合框架, 将季节性趋势分解使用 Loess (STL) 与三种互补预测模型相结合。STL 首先将原始时间序列分解为趋势、季节性和残差三个组成部分。随后, 长短期记忆网络 (LSTM) 模型捕捉长期趋势, 自回归积分移动平均 (ARIMA) 模型捕获季节性周期, 极端梯度提升 (XGBoost) 算法预测非线性残差波动。最终 forecast 通过子模型预测的乘法集成获得。使用 2015 年 11 月至 12 月在纽约市一个交叉口的 998 条交通流记录, 结果表明 LSTM ARIMA XGBoost 混合模型在 MAE、RMSE 和 R 平方指标上均显著优于单独的 LSTM、ARIMA 和 XGBoost 模型。分解策略有效地隔离了时间特征, 使每个模型能够专注, 从而提高了预测准确率、可解释性和鲁棒性。
引用
@article{arxiv.2510.23668,
title = {Traffic flow forecasting, STL decomposition, Hybrid model, LSTM, ARIMA, XGBoost, Intelligent transportation systems},
author = {Fujiang Yuan and Yangrui Fan and Xiaohuan Bing and Zhen Tian and Chunhong Yuan and Yankang Li},
journal= {arXiv preprint arXiv:2510.23668},
year = {2025}
}