陆文琦，芮一康，冉 斌*，谷远利

(1.东南大学a.交通学院，b.东南大学—威斯康星大学智能网联交通联合研究院，c.城市智能交通江苏省重点实验室，南京211189；2.北京交通大学综合交通运输大数据应用技术行业重点实验室，北京100044)

0 引 言

人工智能、大数据及5G 通信技术日渐成熟，车路协同自动驾驶(Connected and Automated Vehicle Highway，CAVH)已逐渐成为智能交通系统的终极发展形式，是缓解交通拥堵，提高交通安全和减少排放的重要技术[1].作为CAVH 的关键模块之一，精细化短时交通流预测既是网联车(Connected Automated Vehicle,CAV)路径决策规划的基础，也是混合交通流环境下实现群体优化与协同控制的重要保障.

交通流预测技术已经从基于统计学的参数方法[2]和机器学习驱动的非参数方法[3]逐渐演化为大数据驱动的深度学习方法.Pamuła[4]基于图像处理技术利用卷积神经网络和多层感知机识别并预测交通状态；MA 等[5]将长短期记忆神经网络(Long Short-Term Memory，LSTM)引入交通领域，实现交通流速度的时间序列预测；王祥雪等[6]对交通流进行时间序列重构和标准化处理，在此基础上，利用多层LSTM 网络构建多时间梯度交通流预测模型；谷远利等[7]利用基于信息熵的灰色关联分析提取交通流空间特征，并采用双层循环神经网络(Recurrent Neural Network，RNN)实现快速路车道级速度预测.

现阶段交通流预测主要基于原始速度或流量数据，未考虑将原始数据分解为规律性更强的时间序列分量，从而优化模型输入.此外，现有研究主要针对非网联场景，对智能网联环境下交通流预测的……