用于精准交通流量预测的改进 SHAP 引导集成框架

《Intelligent Data Analysis》：Improved SHAP-guided ensemble framework for precise traffic flow prediction

　　

摘要

准确可靠的交通流量预测是智能交通系统（ITS）的关键组成部分，有助于实现更好的交通管理和环境可持续性。集成方法论结合了多个预测模型的优势，已成为复杂预测任务中的强大方法。本文介绍了一种先进的 SHAP 驱动的 boosting 框架，该框架在 CatBoost 和 XGBoost 模型开发过程以及网格搜索优化器中，将 SHapley 加性解释（SHAP）分析作为迭代指南，以提高交通流量预测的准确性和可解释性。引入 SHAP 分析是为了识别最具影响力的滞后特征，从而提供驱动交通动态的关键模式见解。同时，结合网格搜索对范式超参数进行微调，以确保最佳性能。提出的框架使用来自犹他州高速公路的多源数据集进行了系统评估，并与传统模型（决策树、随机森林、SVR、线性/Lasso 回归）以及深度学习模型（CNN、LSTM、GRU、BiLSTM、CNN-LSTM）进行了基准比较。实验结果证实，SHAP 驱动的 boosting 框架持续优于所有比较模型，在各种数据源和采样间隔下实现了最高的 $R^2$ 得分和最低的错误指标（$RMSE$、$MAE$ 和 $MAPE$）。这些发现得到了 Diebold–Mariano 和 Wilcoxon 符号秩检验的证实（$p<0.05$）。该框架持续产生更锐利、校准良好的预测区间，使其成为交通流量预测的一种高度准确、统计上稳健且可解释的解决方案。

获取本文完整访问权限

查看本文的所有访问和购买选项。

获取访问权限