彭 博，唐 聚，蔡晓禹，谢济铭，张媛媛，王玉婷

(1.山地城市交通系统与安全重庆市重点实验室，重庆400074；2.重庆交通大学交通运输学院，重庆400074)

0 引 言

随着社会经济的发展和城市机动化进程的快速推进，交通拥堵已成为国内外城市发展的焦点问题，有效识别和预测道路交通状态是减少城市交通拥挤、避免交通瘫痪的基础与关键.为此，许多城市基于感应线圈、视频检测器、RFID和浮动车等技术感知交通信息，其中，视频检测器在城市交通监控中应用十分广泛，根据视频识别预测交通状态将显著提升交通信息可视分析精准程度及交通管控效果.

交通状态识别方面，基于单帧图像的交通信息提取与交通状态识别的研究较多，Quiros[1]基于模糊逻辑提出视频图像交通状态识别方法，崔华[2]利用模糊C均值聚类算法对静态图像进行交通状态识别.这些方法对单张图像识别效果较好，但没有考虑帧图像之间的时空信息.2013年，Ji[3]构建的三维卷积神经网络(3DCNN)，可有效提取视频时空信息，从此3DCNN 在视频行为识别领域备受关注，C3D、R3D、R(2+1)D等3DCNN模型也相继出现[4]，使得直接基于视频进行交通状态识别成为可能.

交通状态预测方面成果也十分丰富，主要有时间列预测、回归预测、机器学习预测等方法.Wang[5]利用非参数回归分析方法建立了交通运行状态预测模型，Sun[6]提出基于支持向量机(SVM)的交通状态预测方法，Xu[7]基于ARIMA 和卡尔曼滤波实时预测道路交通状态，Huang[8]利用GPS 轨迹数据提出了基于LSTM 的交通拥……