基于多机器学习竞争策略的短时交通流预测_徐健锋

资 源 简 介

基于多机器学习竞争策略的短时交通流预测_徐健锋

详 情 说 明

在智能交通系统研究中，短时交通流预测是优化路网管理的关键技术。徐健锋提出的多机器学习竞争策略创新性地通过算法协作与竞争机制提升预测精度。

核心思路采用动态权重分配框架，并行运行随机森林、LSTM、XGBoost等异构模型。各模型根据实时预测误差自动调整竞争权重： 初期给予所有模型平等竞争机会 通过滑动时间窗评估各算法近期表现 表现优异模型获得更高决策权重

技术亮点在于引入负反馈机制：当某个模型连续预测偏差增大时，系统会触发局部重训练，避免单一模型退化影响整体性能。实验证明，该策略在突发拥堵场景下的预测稳定性比单一模型提升23%。

该研究为动态交通环境提供了弹性解决方案，其竞争-协作机制可扩展至其他时序预测领域，如电力负荷预测或客流分析。未来可结合在线学习技术实现完全自适应的模型进化。