沈琴琴，张智杰，齐绪存，岳心怡

（1.南通大学杏林学院，江苏 南通 226236；2.南通大学 交通与土木工程学院，江苏 南通 226019）

交通拥堵已成为城市发展的瓶颈，智能交通系统作为缓解交通拥堵的有力手段受到了广泛关注。准确、实时的交通流预测是该系统高效运行的关键[1-3]。交通流是指在单位时间内，通过道路某一段面的交通实体数。根据时间间隔的划分，交通流可分为长时、中长时和短时，一般将5～30 min 的交通流称为短时交通流。由于城市路网之间的高度时空融合特征和人类出行行为的不规律性，导致短时交通流数据通常具有很强的随机性、非线性、季节性等特征，给这类问题的高精度拟合和预测带来很大的挑战[4-10]。针对这些特征，肖新平等[11]将文献[12]中提出的截断累加生成长子引入到城市道路短时交通流的预测中，并结合灰色建模的思想，提出了一类季节性滚动GM（1，1）模型（seasonal rolling grey model，SRGM（1，1））。研究表明，该算子能有效地弱化短时交通流数据的随机性和季节性特征，且新的季节性GM（1，1）模型比季节性离散GM（1，1）模型（seasonal discrete grey model，SDGM（1，1））、小波神经网络、自回归滑动平均等模型的预测精度更高。沈琴琴等[13]在此基础上提出了一类基于复化Simpson 公式的季节性灰色Fourier 模型，进一步提高了模型的精度和适用性。吴利丰等[14-15]基于新信息优先的原则，提出了分数阶累加生成方式，并结合灰色建模技术提出了分数阶GM（1，1）模型（fractional grey model，FGM（1，1））、自适应智能分数阶GM（1，1）模型、加权分数阶模型等[16-18]，极大地提高了灰色预测模型的精度。

本文提出了一种新的分数阶季节性GM（1，1）模型（fractional seasonal grey model，FSGM（1，1））。……