王增光,王海起,陈海波

(中国石油大学(华东)海洋与空间信息学院,山东 青岛 266580)

0 引 言

城市规模的不断扩大使得城市中人口快速增长、道路拥堵、交通事故等问题越来越普遍，这就增加了城市交通管理的压力。精准的交通预测有助于优化通行路线，指导车辆调度，缓解交通拥堵。因此，有必要对交通数据展开研究，深入挖掘其特征规律，构建更加精确的交通预测模型，助力智能交通系统的构建。

针对交通预测问题，国内外学者研究形式多样，但采用的方法总结起来可以分为2类：传统方法和深度学习方法[1]。

传统方法包括经典统计方法和机器学习方法。经典统计方法如卡尔曼滤波、自回归滑动平均法及其变体[2-8]等在交通预测问题上得到了广泛的应用。但这些方法通常用于小数据集上，不适合处理复杂和动态的时间序列数据。机器学习模型可以对更复杂的数据进行建模，如K最邻近回归[9]、支持向量回归[10-11]、小波分析[12-14]等，但这类模型结构单一，对交通数据的特征提取能力不足。

深度学习方法相比传统方法能够发掘出交通数据的更多特性和复杂结构，并且表现更好。Huang等人[15]认为早期人工神经网络方法大多采用单隐层结构，对特征的挖掘不足，首次将深度学习方法引入到交通预测领域，提出了利用深度置信网络进行交通流量特征的学习，在深度置信网络的输出层加入了多任务回归层进行多条道路交通流量的预测。此后随着卷积神经网络、循环神经网络、图卷积网络的蓬勃发展，越来越多的研究者开始将交通预测方法转移到深度学习技术。……