基于时空结构化数据与机器学习方法的短期交通拥堵预测框架研究

《Applied Sciences》：Short-Term Traffic Congestion Forecasting Using Machine Learning and Deep Learning Models for Spatiotemporal Traffic Analysis

　　

摘要

交通拥堵是一种复杂的时空现象，其特征是由交通网络中的时间依赖性、重复移动模式以及位置特定变化引起的交通流量快速波动。准确的短期交通预测对于增强智能交通系统（ITSs）、实现主动拥堵管理和支持实时决策至关重要。本研究提出一种在时空结构化数据环境中开发的数据驱动交通预测框架，利用机器学习和深度学习方法预测 10 分钟后的交通拥堵。所提出的框架在 MATLAB R2020a 中实现，并利用时间和交通相关特征，包括日期、时间、节假日指标、星期指标和观测平均速度，以捕捉动态交通行为。该方法论包括数据预处理、空间结构化数据准备和时间特征表示、模型训练、平均速度预测、拥堵等级分类和性能评估。我们开发并比较评估了三个预测模型：随机森林（RF）、长短期记忆网络（LSTM）和支持向量回归（SVR）。实验结果表明，LSTM 实现了最高的拥堵等级分类准确率 99.13%，其次是随机森林的 98.26% 和 SVR 的 94.21%。在连续速度预测方面，随机森林获得了最低的 MAE 0.62 和 MAPE 0.71%，而随机森林和 LSTM 都实现了 RMSE 0.86 和 R² 0.9790。与获得 MAE 1.95、MAPE 2.21%、RMSE 2.78 和 R² 0.7829 的 SVR 相比，随机森林和 LSTM 表现出显著更低的预测误差和与观测交通速度的更强一致性。这些结果表明两个领先模型之间存在互补优势：随机森林最小化了平均数值预测误差，而 LSTM 实现了更高的拥堵等级分类准确率并密切重现了观测到的时间交通变化。结果表明，在空间结构化交通数据框架内，结合时间信息的数据驱动学习对于 10 分钟提前交通预测的有效性。所提出的框架为短期拥堵警报、交通监控决策支持和自适应交通应用提供了潜在基础，但需进一步验证计算效率和部署需求。