魏 健，赵红涛，加鹤萍

（1.华北电力大学 数理学院，北京 102206；2.华北电力大学 经济管理学院，北京 102206）

近年来随着人们的生活质量不断提高，机动车购买量也变得越来越多。伴随而来的是严重的交通拥堵状况，给人们的出行造成极大不便。短时车流预测可以帮助交通部门及时了解某路段未来可能发生的拥堵情况，从而提前做出反应，同时对于人们的出行也具有一定的意义，可以让人们及时避过拥堵路段[1]。

文献[1]使用LSTM 模型对北京市朝阳区某道路交叉口的车流量进行预测，使用自动编码器进行无监督学习，将自动编码器的输出作为LSTM 的输出。文献[3]使用LSTM 模型预测地铁站温度，并且在数据预处理的过程中使用了小波降噪的方法，建立了有关时序数据的模型方法，并且与传统的ARIMA 模型比较，证明了LSTM 在处理较大幅度变化的数据时，其误差小于ARIMA 模型。文献[5]考虑到语言特征可能不仅仅受到以前语言的影响，也可能受到之后语句的影响，所以在自然语言处理中利用了双向GRU 模型和注意力机制。文献[6]针对数据的长期依赖性，使用基于注意力机制的CNN-LSTM 模型拟合数据，在LSTM 后端构建注意力机制，给隐含层赋予不同的权重来优化最终的输出结果。实验证明，在注意力机制的优化下，其误差结果小于CNN 等神经网络模型。文献[7]构建了短时车流量的预测模型，建立CNN-LSTM 模型预测车流量数据并且得到了良好的结果。

由于在后续的实验中发现车流量在工作日和节假日……