基于时间序列分解与XGBoost的交通通行时间预测方法解析

一、问题背景与数据概览

在城市交通管理系统中，准确预测道路通行时间对于智能交通调度和路径规划具有重要意义。本文基于真实道路传感器数据，构建了一个结合时间序列分解与机器学习模型的预测框架。数据源包含三个核心部分：

1. 道路通行数据（new_gy_contest_traveltime_training_data_second.txt）

   • 时间区间、路段ID、通行时间等字段

   • 时间粒度为2分钟级别

2. 道路属性数据（gy_contest_link_info.txt）

   • 包含道路长度、宽度等静态特征

3. 拓扑关系数据（gy_contest_link_top.txt）

   • 记录路网的连接关系

二、数据预处理关键技术

2.1 异常值处理

采用分层分位数修剪方法，对每条道路每日数据：

def quantile_clip(group):
    group[group < group.quantile(.05)] = group.quantile(.05)
    group[group > group.quantile(.95)] = group.quantile(.95)
    r