张龙妹，陆 伟

(1.西安科技大学 通信与信息工程学院，陕西 西安 710054；2.西安财经大学 信息学院，陕西 西安 710100)

0 引 言

交通时间预测一直是基于位置的服务(location based services，LBS)和智能交通系统(intelligent transportation system，ITS)的重要研究内容之一。城市交通时间预测可以归结为轨迹预测问题，当前研究人员对轨迹预测的研究方法总体可以分为2大类：一类是基于理论模型的方法，另一类是基于数据驱动的方法。

基于理论模型的方法通常需要建立一个虚拟的道路网络模型，并利用动态交通分配的原理对模型进行仿真。例如，HANS等人基于变分理论以及充分变分图精确计算干线入口出口的累计计数，并由此推导出动态条件下的轨迹时间分布[1]；CASTILLO等人考虑交叉口之间的交通信号协调，建立了一个考虑交叉口随机交通过程的链路出行时间分布分析模型[2]。随着实际交通状况越来越复杂，实际交通路网的建模越来越困难，使得该方法在实际交通时间预测中精度较低，对不同交通场景的适应性较差。

基于数据驱动方法通常使用历史轨迹路线、轨迹速度、道路容量、出发时间等相关变量，通过轨迹序列匹配对当前轨迹进行预测。例如，HADACHI等人基于城市稀疏轨迹数据，使用粒子滤波法以及路段的时间概率分布预测轨迹的行程时间[3]；WEDIN等人对历史轨迹数据进行分析，建立具有历史交通模式的数据库并记录下不同道路在不同时间的平均速度，后续通过从历史数据中找到期望的交通模式，进而对轨迹进行预测[4]；……