基于CNN-XGBoost混合模型的短时交通流预测 |
| |
引用本文: | 王青松,谢兴生,佘颢. 基于CNN-XGBoost混合模型的短时交通流预测[J]. 测控技术, 2019, 38(4): 37-40 |
| |
作者姓名: | 王青松 谢兴生 佘颢 |
| |
作者单位: | 中国科学技术大学 信息科学技术学院,安徽合肥,230022;中国科学技术大学 信息科学技术学院,安徽合肥,230022;中国科学技术大学 信息科学技术学院,安徽合肥,230022 |
| |
摘 要: | 准确、高效的交通流预测是实现交通诱导和交通控制的前提和关键。针对传统机器学习方法需要人工构造特征、无法充分提取交通流的时空特征等问题,提出一种混合预测模型,该模型结合卷积神经网络(Convolutional Neural Network,CNN)和XGBoost(Extreme Gradient Boosting)各自的优势,在网络底层使用CNN对交通流数据进行特征的自动提取和选择,并将得到的高维特征向量输入到XGBoost模型中进行预测。为验证模型有效性,取高速路段的交通流数据对CNN模型、XGBoost模型和CNN-XGBoost模型进行实验对比,结果表明,在预测精度上,CNN-XGBoost模型比CNN模型和XGBoost模型分别提高了约6%和7%,是一种有效的短时交通流预测模型。
|
关 键 词: | CNN-XGBoost 卷积神经网络 深度学习 短时交通流预测 |
Short-Term Traffic Flow Prediction Based on CNN-XGBoost Hybrid Model |
| |
Abstract: | |
| |
Keywords: | CNN-XGBoost convolutional neural network deep learning short-term traffic flow prediction |
本文献已被 万方数据 等数据库收录! |
| 点击此处可从《测控技术》浏览原始摘要信息 |
|
点击此处可从《测控技术》下载全文 |