李松江，弓晋霞，丁 岩，王 鹏

(长春理工大学 计算机科学技术学院，吉林 长春 130022)

0 引 言

目前，短时交通量预测模型主要分为时间序列模型[1]、卡尔曼滤波模型[2]、历史平均模型[3]、人工神经网络模型[4]、支持向量机模型[5]和组合预测模型[6，7]等。同时，国内外专家学者对天气条件、时空因素以及交通状态等因素对交通量的影响，进行了定性和定量的研究，将其应用于交通量预测中并取得了一定的成果。Koesdwiady A等[8]利用决策层数据融合技术将天气数据与交通量数据融合，提高了交通量预测精度；Li等[9-12]结合上下游特性和时间序列性，提出了时空特性交通量预测模型；杨春霞等[13]对不同时间尺度的周期相似性进行分析，提出了基于相似性的短时交通量预测模型。然而，大多数研究只是在分析上下游关系和时间序列性的基础上进行交通量预测，没有同时考虑时间周期性对交通量预测的影响；且仅对输入特征进行讨论，尚未对预测结果进行优化。针对上述两方面的不足，本文综合考虑了高速公路交通量的时间序列性、周期相似性以及空间序列性，对不同特性的状态向量进行定义。以BP神经网络预测模型为基础，结合自适应加权数据融合算法构建了基于数据融合的高速公路短时交通量预测模型。利用相关性计算方法对时空特性进行分析，研究不同维度的输入数据对模型预测精度的影响。

1 时空数据融合交通量预测模型

1.1 时空特性变量定义

在高速公路路网中，历史时刻交通量、人们出行选择的总体规律性以及上下游实时交通状态变化均对路段交通量产生一定的影响，使得交通量呈现3个明显的时空特性：时间序列性、周期相似性和空间序列性。……