论文摘要
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。
论文目录
文章来源
类型: 期刊论文
作者: 王青松,谢兴生,佘颢
关键词: 卷积神经网络,深度学习,短时交通流预测
来源: 测控技术 2019年04期
年度: 2019
分类: 信息科技,工程科技Ⅱ辑
专业: 公路与水路运输,自动化技术
单位: 中国科学技术大学信息科学技术学院
分类号: U491.1;TP183
DOI: 10.19708/j.ckjs.2019.04.008
页码: 37-40+67
总页数: 5
文件大小: 598K
下载量: 525