林培群 夏雨 周楚昊

(华南理工大学 土木与交通学院，广东 广州 510640)

近年来，出行需求和汽车保有量的持续增长导致高速公路交通供需矛盾日益突出。准确地预测行程时间可为道路管制和出行决策提供信息依据，因此，在基础数据资源日益丰富、深度学习等技术快速发展的背景下，研究高速公路行程时间预测方法具有显著的理论和应用价值。目前，高德、百度等导航软件所提供的行程时间基于路段自身的历史和现状数据，未考虑交通网络的时空关联性。大量研究和工程实践表明，路段未来时刻的交通流不仅与过去时刻的数据具有关联性，周围路段交通流的变化同样会对其产生影响，因此在行程时间预测时引入时空特征具有必要性。

目前交通流时间序列预测模型主要分为自回归滑动平均模型、机器学习模型和神经网络模型。自回归滑动平均模型(ARMA)及其扩展模型差分整合移动平均自回归模型(ARIMA)[1- 2]都需进行数据平稳性检验，在大规模的数据及输入特征的情况下，这些模型难以良好拟合。机器学习模型中，常用的交通流预测模型有随机森林(RF)、极端梯度提升(XGBoost)、K-最近邻(KNN)、支持向量机回归(SVR)。Guy等[3]、Hamner[4]采用RF模型对交通量进行了预测，取得了较好的效果。Makoto等[5]、Yi等[6]采用XGBoost模型对交通量进行了预测，结果表明该模型预测精度较高且能够提高计算效率。王翔等[7]、陈娇娜等[8]采用KNN对道路平均行程时间进行了预测。傅成红等[9]构建改进的DL-SVR模型对交通量进行了预测，并与未改进的SVR模型及BP神经网络模型进行对比，结果表明DL-SVR模型的预测精度更高。……