唐克双，陈思曲，曹喻旻，张锋鑫

（1.同济大学道路与交通工程教育部重点实验室，上海201804；2.连云港杰瑞电子有限公司智能交通事业部，江苏连云港222061）

近年来，伴随城市化进程的加速推进和经济社会的高速发展，我国机动车保有量和驾驶人数量持续增加，城市交通拥堵问题日益严重。根据高德地图发布的《2019中国主要城市交通分析报告》，2019年全国360个主要城市高峰时段总体处于拥堵和缓行状态的比例超过60%［1］。快速路作为城市道路网络的主骨架，承担大量的通勤和过境交通需求，其拓扑结构复杂且交通拥堵，具有频率高、范围广、模式多等特点。因此，快速路对于城市道路网络整体运行效率具有重要的影响，也是交通拥堵治理的主要对象。行程速度是我国绝大部分城市计算交通指数和判别交通状态时采用的核心指标。短时行程速度可以反映实时交通运行状态，帮助交通管理者及时采取管控措施以缓解交通拥堵，并为出行者路径选择提供参考。因此，准确可靠的短时行程速度预测对于提高城市交通主动管控能力和出行信息服务质量，具有重要的意义。

目前，交通状态预测模型基本上可以分为两大类：统计学模型和神经网络模型［2］。经典的统计学模型包括历史平均模型［3］、差分整合移动平均自回归模型（autoregressive integrated moving average model，ARIMA）［4-5］和卡尔曼滤波模型［6］等。上述模型算法较为简单，适用于数据量充足且数据扰动较小的场景，但是模型的泛化能力较差，针对随机性强、平稳性差的短时交通流预测任务效果不理想［3］（短时预测通常指预测时间步长小于30 min的情况）。……