徐先峰， 夏 振， 赵龙龙

(长安大学 电子与控制工程学院，陕西 西安 710064)

智能交通系统(Intelligent Transportation System,ITS)中的交通流预测是实现现代交通规划、交通管理和交通控制的重要因素。交通流预测是分析道路交通状况、挖掘交通模式、预测道路交通趋势的过程。它不仅可以为交通管理者提前感知交通拥堵、限制车流提供科学依据，而且可以为人们选择合适的出行路线、提高出行效率提供参考与保障[1]。然而，由于交通流量具有复杂的空时相关性，如何让预测更加准确与高效，成为了相关从业者和学者们共同关注的话题。

对短时交通流预测的研究模型通常大致可分为两类，即参数模型和非参数模型。自回归积分滑动平均(Autoregressive Integrated Moving Average,ARIMA)模型[2]和卡尔曼滤波模型[3]是两种典型的参数模型。由于这些模型依赖于平稳性假设，不能反映交通数据的非线性和不确定性特征，无法准确预测交通流量。非参数模型包括支持向量机回归(Support Vector Regression,SVR)模型[4]、贝叶斯模型[5]和深度学习模型[6-7]等。其中，深度学习模型因其强大的学习能力而受到了更为广泛的关注。Zhang等[8]将门控循环单元(Gated Recurrent Unit,GRU)模型应用于交通流预测以提高预测精度。GRU是循环神经网络(Recurrent Neural Network,RNN)的一种变体，能够有效地利用自循环机制来学习时间相关性，从而实现较好的预测效果[9]。但是它只考虑了交通流的动态变化而忽略了其空间相关性。为了更好地刻画空间特征，一些研究[10-11]引入卷积神经网络(Convolutional Neural Network,CNN)进行空间建模。然而，CNN本质上适用于图像、规则网格等欧氏空间[12]，对复杂拓扑结构的交通网络具有一定的局限性，无法从本质上刻画空间相关性。……