基于时空节点选择和深度学习的城市道路短时交通流预测

曹 堉，王 成*，王 鑫，高悦尔

（1.华侨大学计算机科学与技术学院，福建厦门361021； 2.华侨大学建筑学院，福建厦门361021）

（∗通信作者电子邮箱wangcheng@hqu.edu.cn）

0 引言

随着交通需求的与日俱增，大量的交通需求与有限的交通供应之间的不平衡造成了交通拥堵。交通拥堵不仅会导致社会诸项功能的衰退而且还将引发城市生存环境的持续恶化。为了避免拥堵带来的不良后果，根据道路的相关信息提前预知下一时段的交通流状况，对缓解城市道路交通拥堵具有重要的现实意义和理论研究价值。

迄今为止，己经有许多理论和方法应用于短时交通流预测，例如历史平均模型、线性回归模型、神经网络、支持向量机（Support Vector Machine，SVM）预测等［1-4］，但使用单一模型有些无法反映数据特征的非线性关系，以及不确定性；有些则是对具有时间序列特征的数据不能较好表达。而将两种或者两种以上预测方法组合起来，可以发挥各自的优点，克服各自的缺陷，以达到更加理想的预测效果［5-6］。与此同时，在实际情况中道路交通流的影响情况错综复杂，道路交通流受多种因素影响，其中不仅包括时间相关影响因素也包括空间相关影响因素。现有的城市道路交通流短时预测研究在时空分析中，多以主观经验选择［7-8］。在时间上，选择以预测时段的前2周期的交通流为输入参数，并且对于不同距离的道路断面所采用的时段相同；在空间上，基本采用与待预测路段直接相邻道路至待预测路段的交通流为基础，没有考虑其他路段可能的影响［9］。……