行程时间预测是支撑高速公路交通运行评价、行车诱导、交通智能化管控等应用的关键技术,在高速公路交通大数据日渐丰富的背景下,如何保障高效、准确的行程时间预测结果值得关注.为弥补现有预测数据单一、实时性不佳等问题,文中提出一种基于LightGBM(Light Gradient Boosting Machine)算法和路警数据融合的行程时间预测模型,基于多源数据,构建交通量、大车占比、天气、日期类型、车型、路段长度、平均行程时间等多维特征集;利用山东济广(济南—广州)高速公路ETC(电子不停车收费系统)门架系统(出入口收费站和路段ETC门架)、视频卡口等数据进行行程时间预测模型训练与验证,采用均方根误差RMSE、平均绝对误差MAE、平均绝对百分比误差MAPE及运算时间4项评价指标对该模型与最邻近(KNN)、随机森林(RF)、支持向量机回归(SVR)3种常用机器学习算法的预测结果进行对比,结果表明采用该模型,4个验证路段的RMSE为5.78,分别比KNN、RF、SVR模型降低22.8％、13.5％、21.0％,运算速度分别提高-60％、98％、96％,可应用于高速公路网实时行程时间预测,并支持面向不同车型的差异化行程时间信息服务.

高速公路;行程时间预测;路警融合数据;LightGBM算法;机器学习

景峻;仝瑶;李鹏;么新鹏;王孜健

山东高速集团有限公司,山东 济南 250098;北京工业大学城市交通学院,北京 100124;北京市交通工程重点实验室,北京 100124

公路与汽运

[1]景峻;仝瑶;李鹏;么新鹏;王孜健-.基于路警数据与LightGBM算法的高速公路行程时间预测)[J].公路与汽运,2022(06):13-19,31

交通运行评价,视频卡口,路警融合数据

LightGBM,行程时间预测,高速公路交通,智能化管控,交通大数据,预测数据,Gradient,Boosting,Machine,数据融合,时间预测模型,多源数据,建交,交通量,大车,车型,路段,段长度,多维特征,征集,济南,ETC,不停车收费,收费系统,门架,出入口,收费站,行行,模型训练,RMSE,平均绝对误差,MAE,平均绝对百分比误差,MAPE,运算时间,KNN,RF,支持向量机回归,SVR,机器学习算法,高速公路网,时行,同车,时间信息,信息服务

0.279261