期刊文献+

基于CNN-XGBoost混合模型的短时交通流预测 预览 被引量:1

Short-Term Traffic Flow Prediction Based on CNN-XGBoost Hybrid Model
在线阅读 免费下载
收藏 分享 导出
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。 Accurate and efficient traffic forecasting is crucial for traffic guidance and control. Traditional ma-chine learning methods have some shortcomings in this respect, such as artificial structural feature, inefficient feature extraction and so on, so a new hybrid prediction that combine the advantages of convolutional neural network ( CNN) and extreme gradient boosting ( XGBoost) is proposed. At the bottom of the network, CNN is used to automatically extract and select the features of traffic flow data, and the obtained high-dimensional fea-ture vectors are input into the XGBoost model for prediction. In order to verify the validity of the model, the CNN model, XGBoost model and CNN-XGBoost model are compared with the actual high-speed traffic flow da-ta. The results show that the prediction accuracy of CNN-XGBoost model is improved by 6% and 7% compared with CNN model and XGBoost model respectively, so it is an effective short-term traffic flow prediction model.
作者 王青松 谢兴生 佘颢 WANG Qing-song;XIE Xing-sheng;SHE Hao(School of Information Science and Technology, University of Science and Technology of China, Hefei 230022, China)
出处 《测控技术》 2019年第4期37-40,67共5页 Measurement & Control Technology
关键词 CNN-XGBoost 卷积神经网络 深度学习 短时交通流预测 CNN-XGBoost convolutional neural network deep learning short-term traffic flow prediction
作者简介 王青松(1993-),男,硕士研究生,主要研究方向为智能交通及智能信息处理;谢兴生(1965-),男,博士,副教授,主要研究方向为智能交通及智能信息处理;佘颢(1995-),男,硕士研究生,主要研究方向为智能交通及智能信息处理。
  • 相关文献

参考文献2

二级参考文献22

共引文献3

同被引文献14

引证文献1

投稿分析

相关作者

内容加载中请稍等...

相关机构

内容加载中请稍等...

相关主题

内容加载中请稍等...

浏览历史

内容加载中请稍等...
;
使用帮助 返回顶部 意见反馈