arXiv cs.AI· Varvara Mama, Fani D. Christidi, Nikolaos C. Kapsalis, Anargyros T. Baklezos, Christos D. Nikolopoulos·· 3 天前AI 评分18
基于 LightGBM 的多时间跨度可解释排队预测与资源感知边境管控决策支持
Multi-Horizon Explainable Queue Forecasting and Resource-Aware Decision Support for Intelligent Border Control Using LightGBM
AI 导读
该研究基于 LightGBM 构建多时间跨度预测与决策支持架构，为 15、30、60、120 分钟分别建立回归器，联合预测未来等待时间与排队长度。模型使用时间滞后的交通、服务、密度与排队特征，并通过分位数 LightGBM 给出等待时间预测的 95% 预测区间。框架还输出机器可读建议、告警、聚合 KPI 与置信度信息，并建立可复现的合成数据基线。
正文 · AI 翻译
摘要：边境口岸是随机服务系统，其中交通需求、旅客类别、登记状态、检查要求、人员配置和车道可用性在多个时间尺度上相互作用。本文扩展了先前的多模式排队管理框架，引入了一种面向实施、基于 Light Gradient Boosting Machine（LightGBM）模型的多时间跨度预测与决策支持架构。与单一预测模块不同，所提出的方法为 15、30、60 和 120 分钟预测构建了特定时间跨度的回归器，并联合估计未来等待时间和队列长度。这些模型基于时间滞后的交通、服务、密度和队列特征运行，而运营层则纳入车道兼容性、警员可用性、可能降级的资源、旅客类别、预登记信息以及人工审批约束。分位数 LightGBM 模型为等待时间预测提供 95\% 预测区间。除预测之外，该框架还生成机器可读的建议、警报、聚合关键绩效指标、置信度信息以及适合边境资源管理和决策支持系统的集成输出。结果建立了一个可复现的合成数据基线，以及一个用于后续使用实际边境口岸数据进行验证的实用接口。
| Subjects: | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.15930 [cs.AI] |
| （或 arXiv:2610.15930v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.15930 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Christos Nikolopoulos Nikolopoulos [查看电子邮件]
[v1]
2026年10月11日星期日 21:27:20 UTC（1,364 KB）
来源：arXiv cs.AI · arxiv.org