姚博凡，邓如丰，熊宸，蔡铭

1. 中山大学智能工程学院，广东深圳518106

2. 广东省智能交通系统重点实验室，广东广州510006

3. 佛山交通运行监测中心，广东佛山528000

近年来，城市不断发展，人口密度和路网密度不断增加，交通出行需求日益增长，特别是在一二线城市，高峰出行拥堵每日都在上演。如何准确预测交通出行，诱导出行者选择其他路径，从而分散交通出行压力，成为了解决问题的关键所在。因此，对未来交通态势进行合理的判断，对于出行者和管理者都具有重要意义。面对这一问题，有的学者从交通需求的角度出发进行预测［1-2］，有的学者则对交通流参数进行短时预测。然而，短时交通流参数预测难以满足长时段的交通出行需求。针对这一问题，本文探究了长时段交通状态预测的方法。长时段交通状态预测不仅能够为交通出行者提供最直观的交通运行信息，而且预测准确度较高，更具有实际应用价值。

对交通流状态的预测，包括流量、速度、交通状态等，国内外有许多相关的研究。在交通大数据的背景下，人工智能方法开始广泛应用，其中机器学习方法以其良好的性能而被普遍使用，比如支持向量机（SVM）［3］、k 近邻算法（KNN）［4］和随机森林（RF）［5］。在流量预测方面，罗文慧等［6］利用卷积神经网络对交通流特征进行提取，将提取的特征输入到支持向量回归模型中进行流量预测，预测精度相比传统预测模型有所提升。康军等［7］为了解决用SVM 进行短时交通量在线预测的计算复杂性问题，简化了Lagrange乘子的求解过程，利用滑动时间窗口来控制新样本的加入和旧样本的移除，通过线性运算完成Lagrange乘子的更新，在保证预测精度的情况下减少预测的时间。……