朱新远,李大龙,田云强,朱 爽,孙 锋,于文琪

(1.山东理工大学 交通与车辆工程学院,山东 淄博 255049；2.济南市公安局交通警察支队，山东 济南 250013；3.淄博市公安局交通警察支队 张店大队,山东 淄博 255000)

精确高效的短时交通流量预测是交通管控和交通诱导的前提，此方面的研究一直是智能交通领域的热点问题[1]。近年来，为了提高短时交通流预测的精度，专家和学者们建立了大量的预测模型，大致分为两类：参数方法和非参数方法。其中，参数方法研究已较为成熟，如时间序列法、历史平均法、Kalman滤波法等[2-5]；非参数方法目前展现出巨大的潜力，主要包括非参数回归法、神经网络模型、支持向量机等[6-7]。其中，人工神经网络由于其较强的并行信息处理能力以及鲁棒性，在复杂多变的短时交通流预测中被广泛应用[8]。

Tsai等[9]利用多时间单位和并行组合的神经网络进行短时预测，结果表明，与传统模型相比，该模型具有更高的预测精度；Wei等[10]在预测中采用了经验模态分解法和反向传播神经网络混合法，预测结果表明，该方法在预测短期数据方面表现良好且稳定；吴志周等[11]将灰色预测模型和神经网络的优点相结合，建立了一种基于灰色神经网络的点速度预测模型；喻丹等[12]将粒子群算法和BP神经网络进行了结合，结果表明该方法在预测偶发性拥堵情况下具有更好表现；胡枫[13]将BP神经网络和马尔科夫模型相结合，证明组合模型相较于单一模型具有更高的预测精度；……