王 涛，谢思红，黎文皓,2，李文勇

(1.桂林电子科技大学 建筑与交通工程学院，广西 桂林 541004；2.东南大学 交通学院，江苏 南京 210096)

0 引 言

随着智能交通系统的发展，交通控制以及实时交通诱导已经成为交通领域研究的热点[1]。而对于交通控制和实时交通诱导来说，交通流预测的准确性和可靠性是其实现的必要条件和重要基础。对于交通流预测而言，按照预测时间范围划分可以分为长期交通流预测和短时交通流预测，其中短时交通流预测显得更为重要。短时交通流预测，为智能交通系统的核心内容，指的是根据由时间序列获取的道路交通流量数据预测未来较短时间段内(一般跨度不超过15 min)的交通流情况[2]，是智能交通系统中各个子系统功能实现的基础。相比较长期交通流预测，短时交通流预测由于预测的时间跨度比较短，交通流表现出较不明显的规律性，对预测方法提出了更高的要求。

一些研究者们首先提出将短时交通流量预测视为时间序列的线性问题进行分析[3]，接着国内外的研究人员根据不同领域的方法设计出了多种交通流预测模型。这些方法大致可分为线性模型、非线性模型、混合模型和其它模型4种类型。第一类是传统的线性预测模型，主要包括自回归模型[4](AR,autoregressive model)、差分整合移动平均自回归模型[5-7](ARIMA,autoregressive integrated moving average model)等时间序列模型以及卡尔曼滤波(KF,Kalman filtering)模型[8-9]。第二类是非线性模型，是根据大量的历史观测数据分析出交通流系统运动的规律，通过监督学习获得交通流的预测模型。……