SSSDScientific and Social Sustainable Development3066-89643066-8980Art and Design10.61369/SSSD.2025090001Article基于XGBoost-LightGBM 混合模型的拥堵指数预测模型https://artdesignp.com/journal/SSSD/1/9/10.61369/SSSD.2025090001李一鸣,陈韬,许瑞鋆,黄超铄2025192025-07-14本文提出了一种基于门架数据的交通拥堵指数预测模型，通过融合时空特征和集成学习方法，实现了高效的短中期交通状态预测。针对传统预测方法在门架数据应用中存在的时空特征提取不足、预测稳定性差等问题，本研究创新性地构建了包含门架对流量特征、时序滞后特征和空间关联特征的多维特征体系，并采用XGBoost-LightGBM 混合模型进行预测。实验结果表明，该模型在短期预测（5分钟）任务中取得MAE=0.0065，在中期预测（10分钟）任务中MAE=0.0068，显著优于传统时间序列模型。特别地，模型在早晚高峰时段的预测稳定性较基线方法提升约15%。研究同时揭示了模型在极端天气条件和长距离门架对预测中的局限性，为后续改进指明了方向。本研究为智能交通系统中的实时拥堵预测提供了新的技术思路，其成果可应用于交通管控、出行服务等多个领域，具有重要的理论价值和实践意义。交通拥堵,深度学习,拥堵预测

[1] 韩超 , 宋苏, 王成红. 基于ARIMA 模型的短时交通流实时自适应预测[J]. 系统仿真学报. 2004(07): 1530-1532.[2] 杨兆 升, 朱中. 基于卡尔曼滤波理论的交通流量实时预测模型[J]. 中国公路学报.1999(03): 63-67.[3] 蔡昌 俊, 姚恩建, 王梅英, 等. 基于乘积ARIMA 模型的城市轨道交通进出站客流量预测[J]. 北京交通大学学报. 2014, 38(02): 135-140.[4] 谭满 春, 冯荦斌, 徐建闽. 基于ARIMA 与人工神经网络组合模型的交通流预测[J].中国公路学报. 2007(04): 118-121.[5] 罗向 龙, 焦琴琴, 牛力瑶, 等. 基于深度学习的短时交通流预测[J]. 计算机应用研究.2017, 34(01): 91-93.[6] 张悦 , 张磊, 刘佰龙, 等. 基于时空Transformer 的多空间尺度交通预测模型[J]. 计算机工程与科学. 2024, 46(10): 1852-1863.[7] 李帅 , 杨柳, 赵欣卉. 基于深度学习的城市区域短时交通拥堵预测算法[J]. 科学技术与工程. 2023, 23(25): 10866-10878.[8] 王力, 刘志远, 王文剑. 基于Stacking 集成学习的短时交通流预测模型 [J]. 交通运输系统工程与信息, 2021, 21(3): 69-76.[9] 贾利民, 董宏辉, 孙晓亮, 等. 基于ETC 门架数据的路网运行状态精准感知与评估方法 [J]. 中国公路学报, 2022, 35(8): 260-272.[10] 孙剑, 冯佳诚, 李铁男. 结合注意力机制与时空图卷积的交通速度预测 [J]. 同济大学学报( 自然科学版), 2023, 51(4): 518-527.