面向多因素影响的混合预测模型

谢 宇，王丽清，徐永跃，姚寒冰

(云南大学 信息学院，云南 昆明 650091)

0 引 言

在短时交通流的预测研究方面，为了取得更精确的预测结果，有的采用在时间序列历史数据上建立自回归模型AR、移动平均模型MA，以及基于其上的各种组合和变形时间序列模型[1,2]的方法。也有采用基于相空间重构[3]、自适应遗传粒子群优化—加权最小二乘支持向量机[4]、K近邻[5]、神经网络[6,7]，以及深度学习的方法[8,9]等智能预测方法。其中，智能预测方法可更好地描述交通流中的非线性、不确定性，但又带来大量数据获取困难，数据去噪、清洗复杂，模型预测失效、算法效率低、计算性能不高等方面的问题。

另一方面，交通流的影响因素复杂而多样，只基于单一因素、特征和模型预测，往往难以描述其它复杂外部环境因素或突发情况的影响，导致预测结果与现实情况的误差增大。

因此，有了混合多种模型进行预测的方法[10-12]。例如：Huang等提出了基于支持向量回归模型与高斯损失函数的短期交通流量预测方法[13]。也有采用建立基于K近邻的交通拥堵指数预测模型，以适应天气、节假日、重大活动对交通拥堵带来的影响[14]。或者在交通指数历史基础数据的基础上，对引入天气和工作日进行回归分析完成短时交通指数的预测[15]。为解决交通流的时空特征，用卷积神经网络CNN进行交通流特征提取，继而结合向量回归分类器SVR进行流量预测[16]。通过采集每周同一天的交通流数据，结合BP神经网络和灰色预测模型，通过加权来作为最终预测值等[17]。……