刘 艺，张 琨

（南京理工大学 计算机科学与工程学院，江苏 南京210094）

智能运输系统为人们的出行带来极大便利，而交通流预测是保障智能运输系统可靠性的关键技术。随着科技进步，人们已经可以通过检测设备获得交通流数据。短时交通流预测就是根据这些数据，运用某种预测方法，对未来短时间内的交通流信息做出预测，以便用于交通控制和诱导，达到提高运输效率、缓解交通拥挤的目标。

许多学者致力于研究交通流的短时预测，目前常用的预测模型可分为3类:统计理论模型，如历史平均模型、时间序列模型、卡尔曼滤波模型等；人工智能模型，如神经网络模型；组合预测模型。其中历史平均模型、时间序列模型建模简单，但无法表现交通流的变化；卡尔曼滤波模型精度高，但在预测非线性交通流时性能较差。人工智能模型的优势在于具有识别复杂非线性系统的特性，其中BP神经网络是最常用的模型，广泛运用于交通流预测。BP神经网络是静态前馈网络，存在易陷入局部极值等不足，制约了BP网络在交通流预测中的泛化能力。Elman网络是在BP网络的基础上增加一层承接层，由于其具有适应时变特性的能力，一些学者提出利用Elman神经网络进行交通流预测，改善了系统的动态性能。但Elman网络依然存在易陷入局部极值的缺点，为此本文提出用遗传算法优化Elman神经网络连接权值的GA－Elman模型。同时由于交通系统具有复杂、非线性的特点，交通流变化具有随机性，可以把交通流看作非线性、干扰强的信号，其中噪声是由一些突发事件，例如交通事故或极端天气而造成的交通流急剧变化。……