闫佳庆，邵 鹏，张立立，王 力

(1. 北方工业大学 电气与控制工程学院，北京 100144； 2. 北京石油化工学院 信息工程学院，北京 102617)

0 引 言

交通流速度预测可以为交通管理和控制提供重要数据基础，是智能交通领域研究的重点和热点。随着机器学习研究的发展，部分学者基于该理论在交通流速度预测领域进行了研究。屈莉等[1]在基于浮动车数据，使用非参数回归方法对路段的交通流速度进行了预测，并将误差反馈考虑到了预测模型中，相对于无反馈的非参数回归法，该方法提升了预测精度；B.YAO等[2]采用了支持向量机(support vector machine, SVM)进行了交通流速度预测，预测模型中考虑了时空特征，相对于人工神经网络和K近邻模型有着较好的预测效果;J.WANG等[3]提出了一种基于循环卷积神经网络 (recurrent convolutional neural networks, RCNN)的时空特征预测方法，在时、空维度上分别采用循环神经网络和卷积神经网络处理，两种模型结合预测效果好于两种模型单独使用;王祥雪等[4]采用了长短时记忆 (long short-term memory, LSTM)神经网络进行交通流速度预测，LSTM在处理时序数据方面有着良好的优势，降低了样本的依赖性提升了运算效率。相关研究表明，机器学习方法在交通流速度预测中具有良好的性能，然而大型车对交通流速度有着重要的影响，但上述研究中并未将其作为物理因素考虑到预测模型中。U.AHMED等[5]在分析了大型车辆与跟驰车辆车头间距和车头时距的影响，研究表明大型车辆对道路通行能力存在较大影响;D.NGODUY等[6]分析了大型车辆对跟驰车队速度的影响，研究表明卡车破坏了交通流的稳定性；……