融合多维时空特征的交通流量预测模型

宋瑞蓉， 王斌君*， 仝 鑫， 刘文懋

(1.中国人民公安大学信息网络安全学院， 北京 100038； 2.绿盟科技集团股份有限公司， 北京 100089)

随着汽车数量的大幅攀升，缓解交通拥堵越来越成为城市发展所要面对的重大课题。构建完善的智能交通预测系统，是一项重要的应对措施。准确的交通流量预测能够辅助有关部门进行决策，提前采取相关预警措施，促进管理体系和管理能力现代化，给人们出行提供更加合理的建议，减缓交通拥堵。

现有文献对交通流量预测进行了广泛的研究，预测方法可以分为四类：线性模型、非线性模型、组合模型以及交通仿真模型[1]。其中，组合模型是近些年研究的热点，通过组合能够综合不同模型的优势，提取不同维度、不同层面的交通流量特征，从而提取到更加全面的交通流量信息，做出更为精准的交通流量预测。

在组合模型中，基于时空融合的组合模型由于其能够提取到更为全面的特征而被广泛研究。组合模型可以分为三类：时序与非时序模型的组合、线性与非线性模型的组合以及多个非线性神经网络模型的组合。文献[2]组合了时序预测方法霍尔特-温特(Holt-Winters)与线性回归模型，对高铁的客流量进行预测，综合提取了时序与非时序特征。文献[1]将非线性模型小波神经网络与线性模型卡尔曼滤波进行组合，能对交通流数据中的线性部分和非线性部分进行充分提取，更为完整地描述了交通流特征，从而对交通流更加准确地做出预测。……