Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Traffic flow forecasting, STL decomposition, Hybrid model, LSTM, ARIMA, XGBoost, Intelligent transportation systems

Created by
  • Haebom

저자

Fujiang Yuan, Yangrui Fan, Xiaohuan Bing, Zhen Tian, Chunhong Yuan, Yankang Li

개요

본 연구는 정확한 교통 흐름 예측을 위해 계절성-추세 분해 기법(STL)과 세 가지 예측 모델(LSTM, ARIMA, XGBoost)을 통합하는 분해 기반 하이브리드 프레임워크를 제안합니다. STL은 시계열 데이터를 추세, 계절성, 잔차 성분으로 분해하고, LSTM은 장기 추세를, ARIMA는 계절성을, XGBoost는 비선형 잔차 변동을 예측합니다. 뉴욕시 교차로의 교통 흐름 데이터를 사용하여 제안된 하이브리드 모델이 LSTM, ARIMA, XGBoost 단독 모델보다 우수한 성능을 보였습니다.

시사점, 한계점

•
시사점:
◦
STL 분해 기법을 통해 시간적 특성을 분리하여 각 모델의 전문성을 높였습니다.
◦
LSTM, ARIMA, XGBoost를 통합하여 예측 정확도를 향상시켰습니다.
◦
단독 모델보다 우수한 성능을 입증했습니다.
◦
해석 가능성과 견고성을 향상시켰습니다.
•
한계점:
◦
특정 지역 및 기간의 데이터만을 사용했습니다.
◦
모델의 일반화 성능에 대한 추가적인 연구가 필요합니다.
👍
Made with Slashpage