基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
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.
推荐文章
基于深度学习的短时交通流预测
交通流预测
深度学习
短时交通流
支持向量回归
基于卷积神经网络与双向长短时记忆网络组合模型的短时交通流预测
智能交通
短时交通流预测
深度学习
CNN
BiLSTM
基于模糊神经网络的短时交通流预测方法研究
模糊神经网络
短时交通流
预测方法
短时交通流预测方法研究
相关分析
支持向量机
交通流预测
智能交通
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于CNN-XGBoost混合模型的短时交通流预测
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
研究方向 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
五维指标
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
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (25)
共引文献  (2)
参考文献  (9)
节点文献
引证文献  (6)
同被引文献  (24)
二级引证文献  (2)
2001(1)
  • 参考文献(1)
  • 二级参考文献(0)
2002(1)
  • 参考文献(0)
  • 二级参考文献(1)
2003(1)
  • 参考文献(0)
  • 二级参考文献(1)
2004(2)
  • 参考文献(0)
  • 二级参考文献(2)
2006(1)
  • 参考文献(1)
  • 二级参考文献(0)
2008(2)
  • 参考文献(0)
  • 二级参考文献(2)
2009(3)
  • 参考文献(0)
  • 二级参考文献(3)
2010(1)
  • 参考文献(0)
  • 二级参考文献(1)
2011(3)
  • 参考文献(1)
  • 二级参考文献(2)
2012(3)
  • 参考文献(0)
  • 二级参考文献(3)
2013(3)
  • 参考文献(1)
  • 二级参考文献(2)
2014(4)
  • 参考文献(1)
  • 二级参考文献(3)
2015(1)
  • 参考文献(1)
  • 二级参考文献(0)
2016(3)
  • 参考文献(0)
  • 二级参考文献(3)
2017(3)
  • 参考文献(1)
  • 二级参考文献(2)
2018(2)
  • 参考文献(2)
  • 二级参考文献(0)
2019(2)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(2)
  • 二级引证文献(0)
2019(2)
  • 引证文献(2)
  • 二级引证文献(0)
2020(6)
  • 引证文献(4)
  • 二级引证文献(2)
研究主题发展历程
节点文献
CNN-XGBoost
卷积神经网络
深度学习
短时交通流预测
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
测控技术
月刊
1000-8829
11-1764/TB
大16开
北京2351信箱《测控技术》杂志社
82-533
1980
chi
出版文献量(篇)
8430
总下载数(次)
24
总被引数(次)
55628
论文1v1指导