基于CNN-XGBoost混合模型的短时交通流预测.pdfVIP

测控技术

先进算法与人工智能2019年第38卷第4期•37*

基于CNN-XGB〇〇st混合模型的短时交通流预测

王青松，谢兴生，佘颢

(中国科学技术大学信息科学技术学院，安徽合肥230022)

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（ConvolutionalNeuralNetwork，CNN)和XGBoos(ExtremeGradienBoosting)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XGBoos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、XGB〇〇s模型和CNN-XGB〇〇st

模型进行实验对比，结果表明，在预测精度上，CNN-XGB〇〇s模型比CNN模型和XGBos模型分别提高

了约6%和7D，是-种有效的短时交通流预测模型。

关键词！CNN-XGB〇〇s%卷积神经网络；深度学习；短时交通流预测

中图分类号:TP399文献标识码:A文章编号!1000-8829(2019)04-0037-04

doi:10.19708/j.ckjs.2019.04.008

Short-IermTrafficFlowPredictionBasedonCNN-XGBoostHybridModel

WANGQing-song,XIEXing-sheng,SHEHao

(SchoolofInformationScienceandTechnology,UniversityofScienceandTechnologyofChina,Hefei230022,China)

Abstract:Accurateandefficientrafficforecastingiscrucialfortrafficguidanceand

chinelearningmethodshavesomeshortcomingsinthisrespec,suchasartificialstructuralfeature,inefficien

featureextractionandsoon,soanewhybridpredictionthacombinetheadvantagesofconvolutionalneural

network(CNN)andextremegradienboosting(XGBoos)isproposed.Atheboomofthenetwork,CNNis

usedtoautomaticallyextracandselectliefeaturesoftrafficflowdata,andthe

turevectorsareinpuintotheXGBoosmodelforprediction.Inordertoverifythevalidityofthemodel,tlie

CNNmodel,XGBoosmodelandCNN-XGBoosmodelarecomparedwitlitheactualhigh-sj^eedtrafficflowda­

ta.Theresultsshowthatliepredic