邵春福，薛 松，董春娇，王晟由，庄 焱

(北京交通大学 综合交通大数据应用技术交通运输行业重点实验室，北京 100044)

随着交通现代化水平的提高，大数据、人工智能、车联网技术和智能管理技术的快速发展，使得及时、合理、可靠的获取交通流数据成为了现实.为了充分发挥现有交通硬件设施作用，诸多城市建设了大数据平台进行交通流预测，挖掘交通流数据潜在的规律性，并提取和加工交通流信息，为交通参与者提供出行服务[1].但由于交通流的随机性，准确的交通流预测较为困难，为了解决这一问题，国内外学者采用了多种技术对交通流进行建模.

深度学习作为一种新兴的智能预测模型算法，受到了国内外学者的广泛关注.基于深度学习的智能预测模型已成为一种主流趋势.Zhang等[2]提出了基于深度信念网络的交通流预测模型，并利用遗传算法来寻找不同时间段下的最佳参数；Jin等[3]提出用贪婪逐层法来改进堆叠自编码模型，实验证明改进后的模型在精度方面要优于支持向量机模型(Support Vector Machine, SVM)以及深度信念网络模型；Soua等[4]以深度信念网络模型为架构，利用DS证据理论融合数据流(流量、天气)以及事件数据来预测交通流.近年来，大量学者证明了循环神经网络(Recurrent Neural Network, RNN)在处理时间依赖性方面要优于其他模型；Madan等[5]引入离散小波变换对数据进行变换，并分别利用整合移动平均自回归(Autoregressive Integrated Moving Average, ARIMA)和RNN进行预测，实验证明了RNN在预测时间序列方面的优势；Kim等[6]以RNN模型为……