谢 军，吴 伟，杨晓光

（同济大学 交通运输工程学院，上海201804）

先进的出行信息系统（advanced traveler information system，ATIS）作为智能交通的一部分，能够向出行者提供实时的路况信息，诱导驾驶员做出合理的路径抉择，以缓解交通拥挤.交通状态的短时预测能力是ATIS 不可或缺的一部分，而ATIS 提供的信息服务需要基于短时预测得到的交通状态生成.如果没有短时预测能力，ATIS 提供的交通状态信息会有滞后性.因此，随着ITS（intelligent transportation system，智能交通系统）的进一步发展，国内外学者针对短时交通流预测进行了大量的相关研究，文献［1－5］对交通短时预测就有比较详细的综述.

目前，常用的短时交通流预测模型主要分为两类［1］，一类是以数理统计和微积分等传统数学和物理方法为基础的预测模型，一类是以现代科学技术和方法（如模拟技术、神经网络、模糊控制）为主要研究基础而形成的预测模型［3－4］.后者不追求严格意义上的数学推导和明确的物理意义，一般具有能够识别复杂非线性系统的特性，在实验室条件下预测精度比较高.但因对数据量要求大、模型复杂、收敛速度慢、可移植性差等特点，大多还处于验证研究阶段［6］.在此不对该类模型进行讨论.基于传统统计理论的方法是用数理统计的方法处理交通历史数据，预测流量、速度和行程时间等交通参数，假设未来预测的数据与过去的数据具有相同的特性［2］.这类方法主要有历史平均模型、参数回归模型、时间序列模型和卡尔曼滤波方法等.

时间……