基于DNN与XGBoost模型的低能见度下交通安全参数预测方法

本发明属于智能交通系统领域，更具体地，涉及一种基于DNN与XGBoost模型的低能见度下交通安全参数预测方法，是一种利用驾驶模拟实验数据和混合智能技术(结合深度学习特征提取与机器学习模型)的低能见度路段车辆安全参数(车速和车距)预测方法。该方法包括以下步骤：步骤S1、数据采集与预处理，采集车辆状态数据和环境参数；步骤S2、特征提取，提取多源特征，包括原始特征、物理规则特征、神经网络特征、时序特征和交互特征，其中神经网络特征通过预训练的深度神经网络得到；步骤S3、基于XGBoost构建，并结合深度神经网络提取的特征来提升XGBoost模型性能，通过GridSearchCV对XGBoost模型进行参数优化，确定最佳参数组合，从而实现对低能见度环境下车辆安全车速和车距的准确预测。