考虑混沌特性的PSR-XGBoost短期交通流预测

摘要

为了提升主动式交通管理的水平,结合相空间重构和XGBoost算法提出了一种短时交通流预测模型.首先,改进了传统的数据预处理方法,通过层次聚类判定交通流状态,并根据不同的交通流状态对缺失、异常数据进行填充.其次,利用相空间重构将一维数据映射为多维数据矩阵,并利用时间序列复杂网络验证数据重构效果.最后,将多维数据矩阵输入到XGBoost模型以预测未来交通流参数.结果表明,PSR-XGBoost模型预测结果的均方误差、平均绝对误差和平均绝对百分数误差分别为5.399%、1.632%和6.278%,所需运行时间为17.35 s.相比于数理统计模型和其他机器学习模型,PSR-XGBoost模型在多项预测指标上均有明显提高,从而验证了其在短时交通流预测方面的可行性和优越性.