具有理论信息特征的可解释集体架构,用于查隆拉特高速公路的高准确度实时拥堵预测
Pongphatana Puttima1, Tongtong Zhou2, Zhihua Chen1
1School of Ocean and Civil Engineering, Shanghai Jiao Tong University, 800, Dongchuan Road, Minhang District, Shanghai 200240, China.
Sensors (Basel, Switzerland)
|November 27, 2025
概括
这项研究引入了一种新的机器学习框架,用于准确预测城市高速公路上的交通拥堵. 可解释模型提高了智能运输系统的预测准确性,特别是在不稳定的流量条件下.
科学领域:
- 智能运输系统 (ITS) 是一种智能运输系统.
- 机器学习 (ML) 是指机器学习.
- 交通工程是交通工程.
背景情况:
- 在城市高速公路上准确预测交通拥堵是很困难的,特别是在不稳定的流量条件下.
- 在这些场景中,传统的机器学习模型往往缺乏准确性和可解释性.
研究的目的:
- 开发一个域理论机器学习框架,用于实时预测曼谷查龙高速公路的拥堵情况.
- 提高交通拥堵预测模型的准确性和可解释性.
主要方法:
- 整合宏观 (细胞传输模型) 和微观 (克纳三相理论,赫尔宾动力学) 交通原理的特征工程.
- 开发和评估混合随机森林-XGBoost组合模型.
- 使用夏普利添加式解释 (SHAP) 来实现模型的解释性.
主要成果:
- 混合组合模型在MAE,RMSE,R2和PICP中表现优于标准机器学习基线.
- 在拥堵过渡边界附近观察到更好的性能.
- SHAP分析确定了纠正的外流,堵塞速度和排斥力作为关键预测因素,证实了模型的解释性.
结论:
- 拟议的框架将交通理论与可解释的机器学习相结合,用于准确和可解释的拥堵预测.
- 这种方法使智能运输系统可部署的实时拥堵预测解决方案成为可能.
