徐东伟 彭 鹏 何德峰

(*浙江工业大学网络空间安全研究院 杭州310023)

(**浙江工业大学信息工程学院 杭州310023)

0 引言

随着城市交通出行需求的不断增长,快速而有效的未来交通状态评估对于缓解交通拥堵、提高交通路网运行效率等具有着重要意义。短时交通流预测作为一种有效的未来交通状态评估方法,其预测结果不仅能够帮助人们规划更为合理的出行路线,还可以帮助交通管理部门制定更为科学的交通治理方案和采取更为有效的交通管控手段。

为了实现实时、准确的短时交通流预测,国内外研究学者们提出了大量的交通流预测方法和模型。这些预测模型通常可以分为参数模型和非参数模型。常见的参数模型有自回归差分移动平均模型[1]、卡尔曼滤波模型[2]、隐马尔可夫模型[3]等。相比于参数模型,非参数模型没有固定模型参数和固定模型结构的约束,因此有着更优秀的数据学习能力和表达能力。常见的非参数模型有支持向量机(support vector machine,SVM)模型[4]、K 最近邻(knearest neighbor,KNN)模型[5]、决策树模型[6]、神经网络模型[7-9]、深度学习模型[10]等。

相比于其他模型,深度学习模型不仅有着灵活的模型设计,还有着强大的海量数据深层特征学习能力。因此,越来越多的深度学习模型被提出并用于解决短时交通流预测问题。文献[11]基于深度信念网络(deep belief networks,DBN)实现了交通流的多种任务预测。文献[12] 构建堆栈自编码(stacked auto encoder,SAE)模型,实现了大数据下的短期交通流预测。文献[13]提出了一种基于长短期记忆神经网络(long short-term memory,LSTM)的短期交通流预测模型。……