徐先峰， 宋亚囡， 黄刘洋， 夏振， 潘卓毅

(长安大学 电子与控制工程学院，陕西 西安 710064)

0 引 言

经济社会发展，交通运输先行。随着我国居民汽车保有量的不断增加，给道路交通系统带来的压力也越来越大，交通事故和能源短缺等问题日益严重，对居民的出行造成了许多不便[1]。

早期的交通流预测研究主要都是基于参数化模型展开的。在具有噪声和干扰的环境中，参数化模型的预测结果往往不尽人意。因此人们逐渐将重心从参数化模型转移到非参数化模型的研究上[2-4]。但单一的预测模型预测精度很难达到要求，组合预测模型的思路是将多种预测模型进行融合，提高预测精度。Chen等人构建多个非线性LSSVR基本模型进行预测[5]。Cai等人提出了一种使用GSA搜索最佳SVR参数的混合交通流量预测模型[6]。Zhang等人研究应用门控递归神经网络来预测考虑天气条件下的城市交通流量[7]。

本文在充分利用交通流时空信息的基础上，利用KNN算法完成待测观测点的上下游观测点空间相关性的遴选，在完成二维输入数据矩阵的构造后，研究了基于卷积神经网络的交通流空间特征的提取；结合Bi-LSTM对时间特征的提取，完成了KNN-CNN-BiLSTM预测模型的搭建；分析了用于交通流空间特征优化的最佳K值以及预测模型的超参数设置。与其他的主流预测模型进行性能对比可以得出，本文提出的KNN-CNN-BiLSTM模型预测精度高，是一种精准有效的交通流预测模型。

1 交通流预测模型

1.1 预测模型的建立

组合预测模型的输入是从观测点实测并经过预处理和KNN算法遴选后的交通流量数据，输入为二维矩阵的数据形式。……