林蒙蒙，覃锡忠，贾振红，祁欣学

(新疆大学 信息科学与工程学院，新疆 乌鲁木齐 830046)

0 引 言

智能交通系统是智能城市的重要组成部分，准确预测交通流在现代交通系统中具有重要意义。在目前的研究中，交通流预测多是采用历史交通流来进行预测，然而交通是一个复杂的系统，会受到很多因素的影响，对此，有些学者将多因素引入，Wu等[1]通过挖掘周期性和道路空间特征，提出了一种基于深度神经网络的交通流预测模型。Zheng等[2]考虑天气条件和道路结构的影响，提出了一种基于深度嵌入学习的多因素交通流预测模型，并取得了很好的效果。在这基础上，越来越多的学者将数据挖掘技术引入并结合多因素来预测交通流，Tang等[3]将聚类方法与时空相关性结合，对交通流进行预测。Murça等[4]提出了一种基于多因素多层聚类分析的概率模型，实现对机场交通流的预测，实验结果表明，在交通流预测中，通过引入聚类算法，预测精度具有明显的提升。然而在目前引入聚类的交通流预测模型中，在聚类时并未考虑到不同因素对交通流有着不同的影响程度，将其放在同一重要程度上进行聚类，这使得聚类结果和真实情况产生偏离。针对这一问题，本文引入时间序列因果分析方法，将前一时刻的占用率和车速作为下一时刻交通流的影响因素，分别对各因素和交通流进行因果分析，将因素对交通流的影响程度进行量化，从而根据每种因素的重要程度加权，再对交通流进行聚类，使得聚类结果更具客观性和真实性。……