共计 1755 个字符，预计需要花费 5 分钟才能阅读完成。
背景痛点：交通预测为什么需要 CART 决策树
交通工程中的预测任务（比如流量预测、事故风险评估）有三大特殊挑战：
- 时空相关性：早高峰的拥堵会像波浪一样蔓延到相邻路段，传统统计方法难以捕捉这种复杂模式
- 数据稀疏性：偏僻路口的检测器可能几天才有一条有效记录
- 多源异构数据：天气、GPS 轨迹、道路施工等数据格式差异极大
决策树天然适合处理这些问题——它能自动选择重要特征，对缺失值不敏感，还能直观展示决策路径（比如 ” 当降雨量 >5mm 且车速 <30km/ h 时，事故风险 +40%”）。
算法选型：CART 为什么吊打 ID3/C4.5
- 连续特征处理：
- ID3 只能处理离散特征，需要手动分箱（比如把车速分成 0 -30/30-60/60+ 三档）
-
CART 直接寻找最佳分割点（比如发现 52.3km/ h 是最有区分度的阈值）
-
计算效率：
- C4.5 要用信息增益比，每次分裂都要计算熵，数据量大时特别慢
-
CART 用基尼系数，只需要做加减乘除，速度提升 3 - 5 倍
-
输出类型：
- 交通预测既有分类问题（是否拥堵），也有回归问题（具体流量值）
- CART 通过
DecisionTreeRegressor和DecisionTreeClassifier一键切换
实战代码：从数据到模型
特征工程关键步骤
# 时间序列滑窗处理（用过去 3 小时预测未来 1 小时）def create_lagged_features(df, window=3):
for i in range(1, window+1):
df[f'flow_lag_{i}'] = df['flow'].shift(i)
return df.dropna()
# 天气因子 one-hot 编码
weather_dummies = pd.get_dummies(df['weather'],
prefix='weather',
dummy_na=True # 保留缺失值作为新类别
)模型训练与调参
from sklearn.tree import DecisionTreeRegressor
# 基线模型（所有参数默认）baseline = DecisionTreeRegressor(random_state=42)
baseline.fit(X_train, y_train)
# 调参示范：控制树深度和叶子节点最小样本
optimized = DecisionTreeRegressor(
max_depth=5, # 树太深容易记住噪声
min_samples_leaf=10, # 每个叶子至少 10 条数据
ccp_alpha=0.02 # 代价复杂度剪枝
)避坑指南：血泪经验总结
GPS 数据缺失的三种解法
- 向前填充：用上一个有效值填充（适合采样频率高的场景）
- 路段均值填充：同一路段历史同期数据的平均值
- 标记缺失特征 ：添加
is_missing布尔列，让模型学习缺失模式
类别不平衡处理
# 代价敏感学习：给事故样本 10 倍权重
sample_weight = np.where(y_train == 'accident', 10, 1)
model.fit(X_train, y_train, sample_weight=sample_weight)部署优化技巧
- 减小模型体积 ：训练后用
sklearn.tree.export_text转成 if-else 规则，体积减少 90% - 预计算分箱：对连续特征提前分箱，推理时避免浮点运算
效果验证：真实数据集表现
| 模型版本 | MAE（辆 / 小时） | 推理延迟（ms） |
|---|---|---|
| 线性回归 | 45.2 | 0.3 |
| CART（默认） | 38.7 | 1.1 |
| CART（调参后） | 32.1 | 0.9 |
进阶方向：从单棵树到森林
尝试用同样的特征工程方法，切换到随机森林或 XGBoost：
from xgboost import XGBRegressor
xgb = XGBRegressor(
max_depth=6,
n_estimators=100,
objective='reg:squarederror'
)
# 注意！需要调整学习率等新参数写在最后
在实际交通项目中，我发现决策树最大的优势不是精度最高，而是能让交管部门理解模型逻辑。曾经有个路口优化方案被质疑时，我们直接打印出决策路径，证明 ” 晚高峰西向东流量 >800 辆时，延长绿灯 5 秒 ” 的规则来自数据而非主观猜测——这种可解释性在工程领域价值连城。
建议读者先用 CART 快速跑通基线，再逐步尝试更复杂的集成方法。记住：没有完美的算法，只有最适合业务场景的解决方案。
正文完
