基于CNN-XGBoost混合模型的短时交通流预测

基于CNN-XGBoost混合模型的短时交通流预测

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

相关论文文献

标签:;  ;  ;  

基于CNN-XGBoost混合模型的短时交通流预测
下载Doc文档

猜你喜欢