基于LSTM-Prophet-XGBoost混合模型的城市交通流量等级预测研究

徐志翔; 周志勇; 李炜浩; 李明明; 张文佩

doi:10.16009/j.issn.1009-5624.2026.10.056

信息记录材料 ›› 2026, Vol. 27 ›› Issue (10) : 173 -176+180. DOI: 10.16009/j.issn.1009-5624.2026.10.056

基于LSTM-Prophet-XGBoost混合模型的城市交通流量等级预测研究

徐志翔, 周志勇, 李炜浩, 李明明, 张文佩

作者信息 +

Author information +

文章历史 +

PDF

摘要

针对城市交通流量预测受多因素耦合影响、单一模型难以精准捕捉趋势、周期与瞬时波动特征的问题，本文提出了一种基于堆叠集成策略的长短期记忆(LSTM)网络-Prophet-极端梯度提升树(XGBoost)混合模型，用于交通拥堵等级多分类预测。实验结果表明：该模型的综合性能优于随机森林、多层感知器等6种经典模型，其准确率、精确率及曲线下面积(AUC)分别达到96.00%、93.53%和99.35%;误判集中于等级边界，模型具有良好的泛化能力，为智能交通管理提供有效支撑。