李红星

(安徽新华学院 电子通信工程学院，合肥 230088)

随着城市化的进展和汽车的日益普及，交通拥堵更加严重.出行者迫切需要了解未来某段时间内某一路段的车流量情况，从而避开拥塞路段，选择最快路径.但交通广播等形式的交通信息服务只能提供某些重点路段的实时车流量情况.依据实时的道路交通信息采用适当的方法滚动预测未来某一段时间内道路的车流量状况，向出行者提供最佳行车路线，不仅可以帮助出行者避开拥塞路段，选择最快路径，又能均衡交通流.

交通流量预测存在多种方法.1960年Kalman[1]提出了卡尔曼滤波模型.1993年Vythotkaspc[2]提出了基于卡尔曼滤波理论的车流量预测模型[2]，计算结果较为令人满意.1974年，Box和Jenkins提出了差分自回归滑动平均模型ARIMA[3].1984年，Okutani等人[4]将ARIMA模型应用到城市交通控制系统中.1999年，Williams等人[5]将ARIMA模型应用在路段单点交通流量预测中.2017年，Yang等人[6]采用运用指数平滑法和多元回归模型组合进行交通预测，得到了较好的预测效果.

人工神经元网络诞生于20世纪40年代.2017年Kang等人[7]提出了改进的布谷鸟搜索(cuckoo search,CS)算法优化BP神经网络的高速公路流量预测模型，预测结果较为令人满意，但神经网络算法需要大量的训练数据集，当训练数据集不足时，预测效果会很差.

2004年Sun等人[8]研究了在实际交通流数据有缺失的情况下，采用马尔可夫链模型方法，把交通流看成是马尔可夫链，转移概率近似采用高斯混合模型，参数估计采用Competitive Expectation Maximum算法.2006年Simmons等人[9]提出……