原文传递
基于XGBoost的短时出租车速度预测模型
| 题名： | 基于XGBoost的短时出租车速度预测模型 |
| 正文语种： | 中文 |
| 作者： | 肖宇;赵建有;叱干都;刘清云 |
| 作者单位： | 长安大学运输工程学院;长安大学汽车学院 |
| 关键词： | 城市交通;出租车速度;短时预测;XGBoost |
| 摘要： | 准确预测短时出租车速度是识别驾驶员异常加减速行为的前提，有助于提升乘客的安全与舒适。以城市中出租车实时移动速度为研究对象，研究了基于XGBoost的短时出租车速度预测模型。将出租车的移动速度数据集划分为训练集和测试集，构造滑动时间窗口，以时间窗口内的出租车历史移动速度的时间序列为输入变量，以出租车当前时间的移动速度为输出变量，采用前向验证的方法进行模型评估。利用基于贝叶斯算法的hyperopt模块实现模型参数的快速优化，得到模型最优参数组合，并基于深圳市2013年10月22日的出租车GPS轨迹数据集进行算例分析，将模型的预测结果与非参数回归模型、神经网络模型预测结果进行比较。研究表明：所构建的短时出租车速度预测模型的平均绝对误差（MAE）为9.841，均方根误差（RMSE）为12.711，均低于非参数回归模型和神经网络模型，提高了出租车速度的预测精度；由于出租车速度序列缺乏规律性，调整后的R2（R2_adjusted）为0.592，且相较于其他2个模型，XGBoost模型在出租车速度发生急剧变化的时间点附近具有更优的拟合效果，避免了过拟合造成的预测精度下降。 |
| 期刊名称： | 交通信息安全 |
| 出版年： | 2022 |
| 期： | 03 |
| 页码： | 163-170 |
检索历史
应用推荐
