《表1 时间序列XGBoost参数》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于XGBoost的短时交通流预测模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在采用XGBoost算法对路段平均旅行时间进行预测时涉及对大量参数的设置，参数的不同取值组合对模型的预测精度影响较大，不合理的参数设置易造成模型的欠拟合或过拟合。因此，在模型训练前，为寻求最佳参数，往往需进行调参操作。由于传统的交叉验证调参方法运行速度慢，增加了模型的训练时间，则根据模型所需调整参数多这一特征，采用hyperopt调参方法进行调参，调整后的XGBoost时间序列预测模型各训练参数如表1所示。