宋瑞蓉，路树华，王斌君，仝 鑫

（1.中国人民公安大学 信息网络安全学院，北京 100038；2.山东省日照市人民医院，山东 日照 276800）

0 引言

交通时间预测旨在利用已有的交通时间数据对未来出行时间进行预判。交通时间预测不仅在日常出行中具有重要意义，而且便于交通部门在交通拥堵发生之前，及时预测并采取有效的避免措施。此外，公安机关在侦破案件时利用交通时间预测能够锁定嫌疑车辆经过某地点的时间范围，从而缩小排查范围，提高工作效率，减少工作量。围绕交通时间预测开展的研究基本可以分为两类：时序方法和非时序方法。

时序方法重点考虑了交通问题本身具有时序数据的特点，可以借鉴时序数据处理方法及模型，因此，时序方法在交通时间预测领域备受青睐。ARIMA（Autoregressive In⁃tegrated Moving Averrage Model）是一种经典的时序预测方法，文献［1］将ARIMA 应用到交通时间预测任务中，使得ARIMA 利用所学习到的交通时间随时间变化关系预测未来时间段的交通时间，而不需要其它任何辅助属性。LSTM处理序列化数据具有很好的效果，文献［2］将LSTM 应用于交通时间预测任务中，并充分考虑了相邻时间步的结果对此刻预测结果的影响；文献［3-4］将注意力机制与卷积神经网络相结合用于交通时间及交通流量预测；文献［5］将注意力机制与LSTM 模型相结合，对每一时间步赋予不同权重；文献［6］将结合了注意力机制的LSTM 模型进行改进，并用于解决交通时间预测任务，相较于LSTM 只考虑一个方向的传递，双向长短期记忆网络（BiLSTM）是前向LSTM 与后向LSTM 的结合，能够充分考虑相邻时间步对预测结果的影响；……