赵 刚，王梦灵

(华东理工大学 信息科学与工程学院，上海 200237)

0 引 言

随着智能感知技术的不断发展，城市道路的交通运行状态能够获得较为完备的监测和提取。利用综合交通大数据，对交通流状态进行预测一方面可以表征城市交通运行能力，另一方面可以指导交通管理者采取合适的管控措施[1]。由于，交通流具有时空异质性、非线性，路网场景复杂和输入输出耦合性强等特点，使得建立精度高的交通流预测模型十分困难[2]。总言之，不管是基于线性的还是基于非线性的交通流预测方法，大部分都是基于历史数据训练模型，然后利用训练好的模型预测输出。然而，任一模型在特定场景下都存在一定的误差，误差的原因和误差的分布情况很少有研究进行深入讨论。考虑到交通流数据存在周期性[3]，历史预测误差和未来时刻的预测误差存在较为相似的分布性的可能。因此，本文提出了基于模糊分析的LSTM神经网络预测模型策略，一方面利用LSTM神经网络的高精度非线性过程表征，另一方面对历史训练模型的误差分布进行统计分析，挖掘误差大小、正负的规律，然后在预测过程中，对误差进行滚动学习，预测输出包含LSTM神经网络模型的输出和误差预测输出，通过误差分析对预测结果进行补偿，进一步提高预测精度。

1 相关研究

最为常用的交通流预测的模型是差分整合移动平均自回归模型(ARIMA)和周期性差分整合移动平均自回归模型(SARIMA)，例……