周 涛， 徐延军

(1. 上海船舶运输科学研究所， 上海 200135； 2. 中远海运科技股份有限公司， 上海 200135)

0 引 言

随着科技的不断发展，预测科学的应用领域越来越广，预测方法越来越多，但在复杂的高速公路交通环境中，面对交通流每年、每周、每日的规律变化，以及假日、道路线性和道路天气等不确定因素的影响，实现高效、准确的交通流预测是一项重大挑战，研究面向交通场景的具有高适用度、强可靠性的预测方法具有重要意义。目前较为常用的预测算法有自回归积分滑动平均(Autoregressive Integrated Moving Average，ARIMA)模型、长短期记忆(Long Short-Term Memory，LSTM)循环神经网络和Prophet时间序列预测算法。国内外学者已针对这几种模型开展很多研究。MBAH等将特征选取与ARIMA、Adam优化、MSE和LSTM等相结合建立预测模型，分析了该模型在解决预测问题方面的表现。GERS等结合LSTM相比传统循环神经网络(Recurrent Neural Networks，RNNs)的优越性，通过演示证明了LSTM在上下文无关语言的测试中的优越性，证明LSTM是对上下文非常敏感的RNNs算法，采用该算法能得到良好的预测结果。滕金玲等基于Prophet对价格序列分解的趋势项、周期项和随机项进行了建模和组合实现，结果表明，Prophet预测模型具有较高的预测精度，与误差反向传播(Error Back Propagation Training，EBPT)神经网络相比，预测结果的均方误差更小。

本文以高速公路收费数据中的交通流为研究对象，分别采用ARIMA、LSTM和Prophet算法对简单的交通场景建立交通流预测模型，从参数设置灵活度和预测精度的角度比较各模型的性能优劣，从中找到更适合在交通场景中应用的算法模型，为进一步研究预测算法在交通信息预测方面的应用提供参考。……