| 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 |
