■朱志强

(深圳市市政设计研究院有限公司，深圳 518029)

0 引言

机动车数量的不断增加使得交通拥堵状况日趋严重，为了缓解交通拥堵、实现车辆的高效率运行，在智能交通背景下的交通控制策略以及交通流智能化诱导显得十分必要， 而交通流量的预测是智能交通控制环节中不可或缺的重要组成部分[1]，因此，本文针对交通流量的预测问题进行研究。 以往文献提出了众多的交通流量预测方法[2]，在这些方法中，BP 神经网络模型应用较广[3]。张军[4]针对福泉高速公路车流量预测问题，应用BP 神经网络模型进行了研究， 研究结果证实了BP 神经网络拥有较好的容错性和鲁棒性。景辉鑫等[5]为了进一步提高模型的预测精度，对BP 神经网络模型进行了改进，提出了灰色ELM 神经网络的短时交通流预测方法，并通过仿真实验验证了所提模型具备较高的预测精度。常峰等[6]考虑交通流的混沌特性， 应用小波基函数对BP 神经网络模型的隐含层进行优化，有效提高了模型的预测精度。 钱伟等[7]分析了交通流具有每周各天特性相似的特征， 提出了灰色模型与BP 神经网络模型相组合的交通流量预测模型，研究结果表明，组合模型能够凸显各子模型部分的阶段性预测优势，从而提高模型预测精度。

可以看出，BP 神经网络模型虽然能够较好地用于交通流量的预测研究中， 但BP 神经网络模型本身存在这模型预测精度不够高的缺点。鉴于此，本文将Adaboost 算法融入传统BP 神经网络模型， 旨在进一步提高模型预测精度， 为智能交通控制系统中的交通流量预测提供参考。……