姚思佳，桂智明，郭黎敏

(北京工业大学信息学部,北京 100124)

0 引 言

不断增加的海量交通数据使得交通流预测方法的热点逐渐从传统模型驱动的方法转变为以数据为驱动的机器学习方法[1]。传统的研究大多将交通流数据作为时间序列，采用时间序列[2-3]的处理方法进行预测。由于将多条路段数据组成向量，对向量时间序列进行预测时，这些模型大多只考虑了单个位置的流量演化的时间相关性，而没有从网络的角度考虑其空间相关性，使得预测结果的可信度不高。

过去几年来，深度学习在处理图像[4-5]、声音[6]、文本[7]等方面都有着十分出色的表现，卷积神经网络(Convolutional Neural Network, CNN)得到了深入发展。由于CNN能够自动提取简单的空间特征，使得采用CNN进行交通流预测成为热点[8]。文献[9]提出了一种基于CNN的用于城市道路网络非线性和非周期性交通速度预测的有效方法，通过基于交通流动态的特征选择增强了卷积神经网络。该增强方法通过设计一种针对时空域的锥形二进制掩码选择相关的输入特征用于训练和预测，并通过使用卷积神经网络来识别潜在拥堵的城市交通的时空模式，使得该方法能够在交通状况突然变化的情况下，还可以提供准确的短期交通速度预测。文献[10]提出了一种针对大规模路网的基于卷积神经网络(CNN)的交通流学习和预测方法，用图像来描述二维时空交通流，利用卷积神经网络CNN提取图像所包含的时空流量特征并对整个交通网络的交通流量进行预测。……