基于CNN-XGBoost混合模型的短时交通流预测

被引：14

作者：

王青松

谢兴生

佘颢

机构：

[1] 中国科学技术大学信息科学技术学院

来源：

测控技术 | 2019年 / 38卷 / 04期

关键词：

CNN-XGBoost; 卷积神经网络; 深度学习; 短时交通流预测;

D O I：

10.19708/j.ckjs.2019.04.008

中图分类号：

U491.1 [交通调查与规划]; TP183 [人工神经网络与计算];

学科分类号：

082302 ; 082303 ; 081104 ; 0812 ; 0835 ; 1405 ;

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。

引用

页码：37 / 40+67 +67

页数：5

共 8 条

[1] 基于加权组合模型的短时交通流预测研究 [J].

雷斌 ;

温乐 ;

耿浩 ;

李建明 .

测控技术, 2018, 37 (05) :37-41

[2] 一种平稳化短时交通流预测方法 [J].

康军 ;

段宗涛 ;

唐蕾 ;

温兴超 .

测控技术, 2018, 37 (02) :33-37

[3]

Ensemble Learning for Short-Term Traffic Prediction Based on Gradient Boosting Machine[J] . Senyan Yang,Jianping Wu,Yiman Du,Yingqi He,Xu Chen,Fanli Meng.Journal of Sensors . 2017

[4] Short-term traffic flow prediction using seasonal ARIMA model with limited input data [J].

Kumar, S. Vasantha ;

Vanajakshi, Lelitha .

EUROPEAN TRANSPORT RESEARCH REVIEW, 2015, 7 (03)

[5]

Short-term traffic forecasting: Where we are and where we’re going[J] . Eleni I. Vlahogianni,Matthew G. Karlaftis,John C. Golias.Transportation Research Part C . 2014

[6]

Short Term Traffic Flow Prediction for a Non Urban Highway Using Artificial Neural Network[J] . Kranti Kumar,M. Parida,V.K. Katiyar.Procedia - Social and Behavioral Sciences . 2013

[7]

Real-time road traffic prediction with spatio-temporal correlations[J] . Wanli Min,Laura Wynter.Transportation Research Part C . 2010 (4)

[8]

Greedy Function Approximation: A Gradient Boosting Machine[J] . Jerome H. Friedman.The Annals of Statistics . 2001 (5)

← 1 →