杨春霞，秦家鹏，王 庆，李欣栩

(1.南京信息工程大学 自动化学院，江苏 南京 210044； 2. 江苏省大数据分析技术重点实验室，江苏 南京 210044； 3.江苏省大气环境与装备技术协同创新中心，江苏 南京 210044)

0 引言

交通流预测是利用人们行为产生的历史交通流数据进行分析，是智能交通系统(Intelligent Traffic System, ITS)中的重要构成部分。多年来，在缓解交通拥堵、降低资源浪费等方面发挥重要作用，一直深受运输领域学者的关注[1-2]。

利用历史交通流数据隐含的特性进行短时交通流预测已经取得重要进展。从早期的统计模型到最近的深度神经网络模型，很多学者[1]关注的是交通流长短程时间尺度上的相似性，如杨春霞等[3]引入交通流周时间尺度的相似性；傅成红等[4]构建深度学习回归机模型，学习交通流时间序列的深度特性等方法都取得了较好的效果。另一方面，也有学者关注空间尺度上的关联性，如常刚等[5]利用区域路网交通流的时空依赖性，进一步提高了短时交通流预测精度。然而，几乎未见有人关注同一路段不同车道上交通流的复杂关联特性。多车道关联性是指在多车道公路中受人们驾驶行为的影响，各个车道间交通流存在复杂的关联性，如何剖析这种关联特性是本研究重点关注的一个问题。

近年，深度学习因为能够深入挖掘数据特性而逐渐受到各领域学者的关注[6-7]。在智能交通领域，Vythoulkas等[8]首次提出使用系统识别和人工神经网络来预测城市道路网络的交通状况。……