袁鹏程， 周天乐

（1 上海理工大学 管理学院， 上海 200093； 2 上海电科智能系统股份有限公司， 上海 200063）

0 引 言

随着交通拥堵和不确定性逐渐成为新常态，车联网、自动驾驶和大数据技术也得到了不断发展，交通流研究将会进入重要的变革期。 而交通流特性主要由交通流速度、密度和流量三个部分组成，其中交通流量尤为重要，并能直接反映交通运行状况。 精准短时交通流量预测就可以直观反映调查路段或地区的交通变化状况，为交通控制与管理提供可靠依据。 同时，也能为出行者提供准确地道路信息，避免不必要的拥堵。

目前，国内外对于交通流量预测已经做过很多研究［1］。 最常见的就是基于统计方法的模型和神经网络模型。 自上世纪七十年代末，ARIMA 模型［2］提出以来，即已广泛应用于各个领域［3］。 但由于ARIMA 模型的局限性等因素，往往会结合数据自身特点加以调整［4-5］。 例如，针对模型单一的问题，田瑞杰等人［6］提出一种时间序列与人工神经网络相结合的预测模型；基于时间序列分析方法，韩超等人［7］提出一种短时交通流实时自适应预测算法，减小遗忘因子进一步提高预测的性能；针对ARIMA 模型获取非线性特性的局限性，王晓全等人［8］加入广义自回归条件异方差—均值，相比于ARIMA-SVR模型和ARIMA-GARCH 模型得到了更好的预测精度；通过证实交通流量存在时序上的周期性，祁伟等人［9］引入季节性ARIMA 模型融合了邻近的交通流观察值和交通流数据的周期性。 此外，也有深度学习［10］、基于相空间重构理论的局部预测方法［11］等研究。……