基于车辆构成和特征提取的交通状态预估模型

准确的交通状态预估有利于车辆选择合理交通路线,缓解交通拥堵状态。针对传统方法特征提取不充分、预估准确度依赖于监测器精度等问题,提出了一种基于车辆构成和特征提取的交通状态预估模型。该模型以速度、流量、占用率和大型车辆比重为输入,将交通状态分成畅通、拥挤和拥堵三种状态,结合时间空间维度来预估交通状态。通过卷积神经网络（Convolutional Neural Network,CNN）提取交通拥堵特征,得到的特征输入支持向量机（Support Vector Machine,SVM）进行交通状态预估。实验表明,考虑车辆构成比忽略车辆构成准确率提高112%,CNN-SVM模型预估准确度比CNN模型提升225%,是一种有效的交通状态预估模型。     

基于CNN-XGBoost混合模型的短时交通流预测

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。