赵明姣， 张荣芬， 刘宇红

（贵州大学 大数据与信息工程学院， 贵阳550025）

0 引 言

随着我国经济不断发展，城市化建设进步越来越明显，与此同时城市交通拥堵也日益严重。 城市交通系统是一个开放、实时、复杂的系统，具有不确定性及非线性等特点，单纯的地依靠扩宽、新建道路和限行是无法解决由交通需求和交通供给之间的矛盾引起的交通拥堵难题。 高效、可靠的交通流量预测方法可以为交通车辆优化调度和出行提供有效依据，改善交通拥堵状况［1］。

国内外学者提出了很多交通流量预测方法。 例如： ARMA 模型［2］与卡尔曼滤波模型［3］的组合模型，相对于ARMA 模型及卡尔曼滤波模型单独预测该组合模型具有更高的预测精确度；结合深度信念网络模型（DBN）与支持向量机（SVM），对交通流量进行预测，用DBN 对交通流量进行学习并提取数据特征值，用支持向量机模型对交通流量进行预测；状态向量和距离度量相结合的方法，形成K－最近邻预测模型，该预测模型比只考虑时间维度的k 邻近模型更准确的反映了交通流量的变化；基于粒子群算法的小波神经网络预测算法，用可变加速度因子使粒子群算法收敛于全局最优，再去优化小波神经网络的各项参数，构建了PSO－WNN 预测模型；遗传算法优化小波神经网络预测模型，利用遗传算法的全局寻优及自适应随机搜索等特点，优化WNN 的各项参数；谷鸟搜索算法，优化BP 神经网络预测算法，将交通流序列进行相空间重构后进行网络学习，再用CS 算法搜索BP 神经网络的最优参数进行交通流量预测，预测结果较为准确反映了交通流量的变化趋势。……