基于改进XGBoost算法的交通流预测研究.pdf

基于改进XGBoost算法的交通流预测研究

摘要

随着经济的不断发展，城市中汽车的数量也在不断增加，但道路交通基础

设施建设速度与汽车保有量增速逐渐无法匹配，这样城市将面临交通拥堵不断

加剧的问题。因此，准确预测交通流量对于实现高效的交通规划、智能交通系

统的运行以及交通管理的有效性至关重要。然而，由于交通流数据的复杂性和

非线性特征，传统的预测方法往往难以满足其准确性和稳定性的要求。因此，

本文研究目标是为了更准确地预测出交通流量情况，提高城市系统的效率，为

了实现这一目的，本文通过对XGBoost算法进行研究和改进并和DBLSTM算

法进行组合，最终提出了组合模型预测方法。

本文主要工作内容如下：

首先，针对交通流具有非线性和随机变化的特点，构建了基于XGBoost集

成学习的交通流预测模型。其中针对XGBoost算法参数过多且对参数敏感的问

题，本文采用粒子群算法对其关键参数进行优化，同时对粒子群的惯性权重和

学习因子的变化策略进行了改进，以平衡全局搜索和快速收敛。最后，选取了

中国青岛山东路与闽江路交叉口的跨断面交通流数据集作为基础训练数据。通

过对处理后的数据集进行预测，并与改进前的XGBoost等预测模型进行对比，

证实本章所提的改进粒子群优化的XGBoost算法能够获取到更好的预测结果。

其次，提出了一种基于DBLSTM的交通流预测模型。首先，针对传统时序

模型存在忽略交通流数据历史周期性特性的不足，引入了BILSTM神经网络模

型，然后通过引入BILSTM神经网络模型，提出了一种DBLSTM的交通流预测

模型，该模型能够捕捉交通流的深层特征，充分利用时间感知的交通流数据。

最后，为了验证交通流预测模型的准确性，我们将该模型与其他不同模型进行

比较，通过三组实验进行分析，实验结果表明，与其他模型相比，DBLSTM模

型相较于BILSTM，LSTM等模型能够获取到更好的预测结果。

最后，为了进一步提高交通流应用场景下预测模型的准确性和适用性，本

文提出了一种基于XGBoost和DBLSTM的组合模型。该模型通过将XGBoost

和DBLSTM两个独立的模型结合，并采用逆误差法优化各模型预测结果的权重

-I-

系数。与第三，四章模型作对比可知，与单一的预测模型相比，本文所构建的组

合模型在数据集上15分钟、30分钟和60分钟的预测误差明显低于各单模型。

综上所述，本文提出的组合模型在交通流预测方面展现了较高的预测精度和适

用性。因此，这一组合模型在交通流预测领域具有较高的实用性。

关键词交通流预测；XGBoost算法；粒子群算法；深度学习；组合模型

-II-

ResearchonTrafficFlowPredictionBasedon

ImprovedXGBoostAlgorithm

Abstract

Withthecontinuousdevelopmentoftheeconomy,thenumberofcarsincitiesis

alsoincreasing.However,thespeedofroadtrafficinfrastructureconstructionis

graduallyunabletomatchthegrowthrateofcarownership,whichwillleadtothe

problemofincreasingtrafficcongestionincities.Therefore,accuratepredictionof

trafficflowiscrucialforachievingefficienttrafficplanning,theoperationof

intelligenttransportation