肖 维 高 谦

（1.深圳大学 深圳 518000）（2.博世力士乐有限公司 常州 213000）

1 引言

城市交通运输系统正朝着智能化的方向发展，短时交通流量预测作为智能交通系统的核心内容，得到了人们的广泛关注［1］。智能交通系统中包含多个子系统，如交通规划系统、交通诱导系统以及信息服务系统等，它们功能上的实现都以短时交通流量预测为基础［2～4］。因此，可靠的短时交通流量预测方法可有效保证智能交通系统的良好运行。由于路网中路段上某时间点的车流信息与本路段前几个时间点的车流信息有关［5］，因此，系统可以根据前几个时间点所采集的交通流量数据来对未来时间点的交通流量作出预测［6］。

由于路网中的车流信息时间关联性较强，且具有24 小时准周期的特性，系统需要在时域变换中具有分辨能力［7］。加之短时交通流量监测数据存在非线性以及不确定性等特点，导致系统对其泛化性能有更高的要求［8］。基于上述特点，本文采用小波神经网络作为短时交通流量预测的机器学习模型，将流量监测数据当作时间系列进行分类。基于系统功能的时效性要求，提出方法利用加动量项的方式以提高神经网络模型的学习率。

2 小波神经网路

2.1 小波变换理论

小波变换是一种新型的信号时频分析变换方法，该变换的信号方向选择能力可以突出数据的某些特征，进而对时频进行有针对性的局部分析［9］。小波变换采用了与傅里叶变换类似的局部化分析策略［10～11］，同时又弥补了傅里叶变换无时间标签以及在时域分析中没有分辨能力的缺陷［12］。……