本文提出了一种基于随机森林算法的交通拥堵预测模型，利用天气、时间等变量预测道路拥堵状态，预测精度达87.5%，具有快速计算及高泛化能力。
基于随机森林的道路交通拥堵预测
亮点：图可以参考一下
本文提出了一个交通拥挤模型。利用机器学习构造预测分类算法-随机森林构建交通拥塞状态预测模型。
天气状况，时间、道路特殊条件、道路质量\假日作为模型输入变量建立道路交通量预测模型
结果表明利用随机森林建立交通量预测模型分类算法的预测精度为87.5%，
泛化误差低，可以有效。预测。此外，计算速度快，并且具有对拥挤状态的预测具有较强的适用性。
方法里首先介绍CART和RF
建立这个预测模型需要设置两个参数nTrand和MtRee。其中，NTRE表示树的数目[ 10 ]。价值越大树，拟合效果越小，其值越大。NTEAR通常设置为100，OOB之间的关系错误和NTURE大小可以通过计算得到
而MTRID指示特征的数量属性进行选择，其值一般为正方形
所有特征属性的根，以及本文的特征属性为5，因此MTEST的值为2。
影响因素的重要性
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
