华南理工大学学报(自然科学版)

作者：林培群 夏雨 周楚昊

单位：华南理工大学 土木与交通学院，广东 广州 510640

关键词：行程时间预测,机器学习,时空特征,高速公路,贝叶斯回归

基金：国家自然科学基金资助项目（52072130,U1811463）；广东省自然科学基金资助项目（2020A1515010349）；华南理工大学中央高校基本科研业务费专项资金资助项目（2020ZYGXZR085）

为克服现有方法预测步长短、无法充分利用路网时空特征的局限性，实现高速公路行程时间的准确预测，基于高速公路起讫点（OD）数据集，采用随机森林模型（RF）、极端梯度提升模型（XGBoost）、长短时记忆神经网络模型（LSTM）、K-最近邻模型（KNN）、支持向量机回归模型（SVR）等5种常用算法对车辆行程时间进行多步长预测，并采用贝叶斯回归方法对各算法进行融合，融合模型可综合各预测算法的优点，具有更高的精度和鲁棒性。以广东水官高速龙岗至布龙段为例，对未来2h内每15min的车辆行程时间进行预测，并从预测精度和训练时长等方面对各算法的性能进行了对比分析。结果表明：多种步长下，随机森林算法和XGBoost算法的整体预测效果稳定；在步长较短（未来30min）的预测中，LSTM具有最高的精度；基于贝叶斯回归的融合预测方法综合了各预测算法的优点，整体预测精度最高。

来源：2021年第8期

《华南理工大学学报(自然科学版)》期刊编辑部

查看华南理工大学学报(自然科学版)杂志2021年第8期