基于CNN-XGBoost混合模型的短时交通流预测

作者：王青松; 谢兴生; 佘颢

来源：测控技术, 2019, 38(04): 37-67.

DOI：10.19708/j.ckjs.2019.04.008

• CNN-XGBoost
• 卷积神经网络
• 深度学习
• 短时交通流预测

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。

• 单位
  中国科学技术大学