基于CNN-LightGBM模型的高速公路交通量預測
2020年信息技術與網絡安全第2期
張振,曾獻輝
(1.東華大學 信息科學與技術學院，上海 201620; 2. 數字化紡織服裝技術教育部工程研究中心，上海 201620)
摘要： 有效的交通流量預測對人們出行和交管部門監管都有著重要的意義。傳統的交通量預測模型主要基于交通流的時間特性，未結合交通流的時間和空間特性進行深入挖掘，因此預測效果有時不佳。提出了一種基于CNN與LightGBM結合的交通流預測模型，首先利用CNN模型挖掘出高速公路相鄰路段監測點和出入口的時間和空間關聯性，實現對交通流數據的時空特征提取，然后將CNN提取到的特征向量輸入到LightGBM模型中進行預測。為了驗證模型的有效性，實驗中使用了多種預測模型進行對比，實驗結果表明，所提出的考慮到時空特性的CNNLightGBM組合的模型可以明顯降低預測誤差，是一種有效快速的交通流預測模型。
中圖分類號：U491.1
文獻標識碼：A
DOI： 10.19358/j.issn.2096-5133.2020.02.007
引用格式：張振，曾獻輝.基于CNN-LightGBM模型的高速公路交通量預測［J］.信息技術與網絡安全，2020,39（2）：34-39.
文獻標識碼：A
DOI： 10.19358/j.issn.2096-5133.2020.02.007
引用格式：張振，曾獻輝.基于CNN-LightGBM模型的高速公路交通量預測［J］.信息技術與網絡安全，2020,39（2）：34-39.
Prediction of highway traffic flow based on CNN-LightGBM model
Zhang Zhen1, Zeng Xianhui1, 2
(1.School of Information Science and Technology，Donghua University，Shanghai 201620，China; 2.Engineering Research Center of Digitalized Textile & Fashion Technology,Ministry of Education,Shanghai 201620,China)
Abstract： Effective traffic flow forecasting is of great significance to people′s travel and traffic management supervision.Traditional traffic volume prediction models are mainly based on the time characteristics of traffic flow,however,these models don′t combine the time and space characteristics of traffic flow for in-depth mining,so sometimes these models don′t perform well.This paper proposes a traffic flow prediction model based on the combination of CNN and LightGBM. The CNN model is used to excavate the temporal and spatial correlation between the monitoring points and the entrances and exits of the adjacent sections of the highway to realize the spatiotemporal feature extraction of the traffic flow data,and then the feature vector extracted by CNN is input into the LightGBM model for prediction.In order to verify the effectiveness of the model,a variety of prediction models are used in the experiment for comparison.The experimental results show that the proposed model of CNN-LightGBM considering the spatio-temporal characteristics can significantly reduce the prediction error and is an effective and fast traffic flow forecasting model.
Key words : traffic flow prediction;CNN-LightGBM; spatiotemporal correlation;highway
0 引言
準確的交通量預測是當今智慧交通的重要基礎，是交通狀況判別的重要基石之一。人們從上個世紀開始就在交通流預測領域做了很多交通預測研究，截止目前為止常見的交通量預測方法主要包括基于統計的預測方法、基于時間序列的交通量預測方法、基于神經網絡的交通量預測方法以及基于機器學習的交通量預測方法幾種。
基于統計的交通量預測方法較多，比如多元線性回歸法、卡爾曼濾波器和K近鄰算法等，這些方法主要根據歷史流量數據預測未來交通流量分布，但是這些方法無法精準地預測道路短期擁堵的情況。基于時間序列的交通量預測方法如差分自回歸滑動平均模型，主要是將歷史的流量數據按照時間排列成為時間序列，根據時間序列分析數據流的變化趨勢從而預測未來的交通流量，但是這種算法的缺點是在處理數據量較大、維度較高的數據時效果一般，推廣能力較差。基于神經網絡交通量預測方法如GRU和LSTM，這些模型存在著計算過程中收斂速度慢、計算時間較長、容易過擬合等缺點。基于機器學習的交通量預測方法如GBDT模型、Xgboost模型和隨機森林模型，這些模型對交通流時空挖掘效果不大理想。
本文詳細內容請下載：http://m.jysgc.com/resource/share/2000003156
作者信息：
張振，曾獻輝
(1.東華大學 信息科學與技術學院，上海 201620;
2. 數字化紡織服裝技術教育部工程研究中心，上海 201620)
此內容為AET網站原創，未經授權禁止轉載。