高 伟，黎 英，张金飞，黄名钿

（昆明理工大学 信息工程与自动化学院，云南 昆明 650504）

0 引言

伴随着经济的不断发展和城市化进程的不断加快，城市交通状况问题越来越引人关注。随着传感器、计算机等技术的发展，大数据和数据挖掘等数据分析手段开始被引入交通领域。采用大数据和数据挖掘技术对交通状况进行分析相比传统人工操作不仅更加快速而且更加准确。

在这方面人们做过许多类似研究，比如上海大学武兴业等人的基于GPS数据对城市拥堵区域进行挖掘， 北京工业大学杜志明等人利用出租车运行轨迹进行的城市热点区域发现和重庆大学冯琦森等人基于出租车数据的城市热点路径和区域挖掘等。不过，上述研究采用的都是聚类方法。因此，产生的结果都是一片区域，其指定范围较大，对后期结果的使用精度会造成一定的影响。且上述方法仅是对已有的固定数据进行处理，无法随着交通状况数据的改变而不断更新计算结果。

基于以上研究现状和交通的时段性，周期性和数据量大等特点，本文欲建立一个实时分层网络自学习预测模型。该模型采用自学习分类方法，在充分考虑到城市交通状况中存在的时段性，突发性，周期性，传递性，以及交通数据量庞大等特点的基础上，挖掘城市不同路段不同时间之间存在的时空关联性，从数据层面提高预测未来指定时段内城市高频路段的准确性。

1 高频路段预测分析

城市交通拥堵一直是受广大城市居民广泛关注和抱怨的一个话题，虽然政府相关部门一直在尝试从各方面改善，但效果并不理想。……