陈丹蕾，陈 红，任安虎

西安工业大学 电子信息工程学院，西安710021

近年来交通拥堵现象严重，且拥堵时的尾气排放不仅造成环境污染也导致大量能源浪费；道路拥挤造成交通事故的频发，都给交通治理带来考验。道路车流量预测是近年来交通领域的研究热点之一，在路网不同道路上的检测器中采集到车流量数据，通过一些方式学习到其中的数据规律，去预测未来时刻不同路段的数据。文献[1]在路易斯64号州际公路的数据上研究了四类传统机器学习交通流量预测的方法：分布式随机森林、深度神经网络、广义线性模型和梯度提升机。其中分布式随机森林方法所得模型略微胜于其他三种方法所得模型。为防止交通流的不确定性带来噪声干扰，同时为提高预测的准确性，文献[2]建议采用小波分解法获得原始交通数据的基序列和偏差序列。并对比了局部加权偏最小二乘法（LW-PLS）和卡尔曼滤波法，结果表明文中方法的准确率确实有所提高。考虑到神经网络组合模型性能优于单模型，将k-近邻（KNN）与长短时记忆（LSTM）结合[3]，利用KNN 选择检测站并将构造的交通序列集数据送入LSTM预测。文献[4]组合了ARMA模型和BP神经网络模型，以道路路口为单元做预测，但没考虑路口的交通流方向。STARIMA[5]预测模型利用包含多阶路口的路口转弯率来构建空间上的权重矩阵，虽考虑了交通流方向但没有考虑现实因素中人的主观因素对路线选择的影响，只考虑了最优情况。……