Resumen

Se propone y mejora eXtreme Gradient Boosting (XGBoost), un algoritmo escalable de elevación de árboles, para predecir con mayor resolución el estado del tráfico utilizando la relación origen-destino (OD) de los datos de flujo de segmentos entre aguas arriba y aguas abajo en la autopista. Para lograr una predicción precisa, se añade un modo generalizado de adquisición de datos de segmentos extendidos mediante la incorporación de información del Sistema de Reconocimiento Automático de Matrículas (ANPRS) de las salidas y entradas de las estaciones de peaje y adquirida mediante el cálculo matemático OD indirectamente sin cámaras. Para garantizar la eficacia de la predicción, se lleva a cabo un preprocesamiento de los datos anómalos y un cotejo de las relaciones espaciotemporales. El análisis de Pearson de correlación espacial se realiza para encontrar la relevancia entre carreteras adyacentes, y la importancia relativa de los modos de entrada puede verificarse mediante la entrada de desfase espacial y la entrada ordinaria. Se llevan a cabo dos modelos mejorados, XGBoost independiente (XGBoost-I) con parámetros de ajuste individual de diferentes secciones y XGBoost estático (XGBoost-S) con ajuste global de parámetros, y se combinan con intervalos temporales relevantes y desfase espacial escalonado de secciones. Se introduce el mecanismo de ajuste early_stopping_rounds (EAM) para mejorar el efecto del modelo XGBoost. La precisión de predicción de XGBoost-I-lag es, en general, superior a la de XGBoost-I, XGBoost-S-lag, XGBoost-S y otros métodos de línea de base para la predicción a corto y largo plazo. Además, la precisión de XGBoost-I-lag se evalúa bien en condiciones no recurrentes y casos perdidos con un tiempo de ejecución considerable. Los resultados del experimento indican que el marco propuesto es convincente, satisfactorio y razonable desde el punto de vista computacional.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:xgboost, retardo, sistema de reconocimiento automático de matrículas, algoritmo de elevación de árbol escalable, modo de adquisición de datos de segmentos, retardo seccional escalonado espacial, preprocesamiento de datos anómalos, tiempo de ejecución considerable, parámetros de ajuste individual, sistemas de tráfico inteligentes
• Keywords:xgboost, lag, automatic number plate recognition system, scalable tree lifting algorithm, segment data acquirement mode, spatial staggered sectional lag, abnormal data preprocessing, considerable running time, individual adjustment parameters, intelligent traffic systems