典型文献
基于XGBoost的短时交通流预测研究
文献摘要：
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.
文献关键词：
交通工程;智能交通;短时交通流预测;XGBoost;时空相关性;集成学习
中图分类号：
作者姓名：
焦朋朋;安玉;白紫秀;林坤
作者机构：
北京建筑大学北京未来城市设计高精尖创新中心,北京100044;北京市市政工程设计研究总院有限公司,北京100082;福州市规划设计研究院集团有限公司,福建福州350000
文献出处：
引用格式：
[1]焦朋朋;安玉;白紫秀;林坤-.基于XGBoost的短时交通流预测研究)[J].重庆交通大学学报（自然科学版）,2022(08):17-23,66
A类：
B类：
XGBoost,短时交通流预测,预测研究,模型复杂度,集成学习,eXtreme,gradient,boosting,高维特征,特征数据,数据预测,计算速度,原始数据,异常值,中值滤波,滤波处理,交叉验证,超参数,参数取值,测试集,重要度,终将,滤波降噪处理,流数据,时间特性,空间相关性,交通工程,智能交通,时空相关性
AB值：
0.285519
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
