基于XGBoost的短时交通流预测研究

针对短时交通流预测模型复杂度与预测精度的矛盾,提出基于集成学习的XGBoost(eXtreme gradient boosting)模型预测交通流,充分利用其对高维特征数据预测精度高以及计算速度快的优势。首先对原始数据的异常值进行中值滤波处理;然后基于XGBoost模型建立预测模型,利用交叉验证的方法确定最优的超参数取值,对测试集进行预测得到各个特征的重要度;最终将模型预测结果与其他短时交通流预测方法的预测结果进行比较。结果表明：中值滤波降噪处理和充分利用相邻断面的交通流数据均对模型预测精度有显著提升,XGBoost模型的预测精度高达96.6%,相比其他短时交通流预测模型更能充分利用交通流的时间特性和空间相关性。     

预约出行条件下私家车通勤客流分配方法

预约能调整城市交通的供需关系, 最大化利用交通资源。针对私家车通勤引发的交通拥堵, 研究了预约出行条件下私家车通勤客流分配方法。将车辆分为受控的预约车辆和不受控的非预约车辆, 道路状态分为可预约状态和不可预约状态, 给出了道路状态判别及车辆行程时间计算方法, 构建了城市通勤私家车的预约出行模型。以Nguyen-Dupuis网络作为算例, 从行程时间和预约数量2个方面评价车辆实施预约出行的效果。结果表明: 预约比例由0%提升至100%时, 路径的行程时间降低20%~30%, 平均行程时间从610 s降低至466 s; 当预约比例为30%时能获得全部预约比例的80%收益; 全部车辆均期望参与预约时, 由于预约需求的不均衡仍有2%的车辆预约失败。得出结论, 当预约出行的比例达到30%~40%时, 即可达到缓解拥堵的预期效果。