基于CNN-XGBoost混合模型的短时交通流预测

• 作者: 佘颢 王青松 谢兴生
• 来源期刊: 测控技术
• 学科: 工学
• 关键词: CNN-XGBoost 卷积神经网络 深度学习 短时交通流预测
• 年，卷（期）: 2019,（4）
• 所属期刊栏目: 先进算法与人工智能
• 页码范围: 37-40,67
• 页数: 5页
• 分类号: TP399
• 字数: 3191字
• 语种: 中文
• DOI: 10.19708/j.ckjs.2019.04.008

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王青松	中国科学技术大学信息科学技术学院	50	579	12.0	23.0
2	谢兴生	中国科学技术大学信息科学技术学院	16	76	6.0	8.0
3	佘颢	中国科学技术大学信息科学技术学院	2	6	1.0	2.0