刘 伟，张晓蕾，孙士保，赵鹏程

(1. 河南科技大学信息工程学院，河南 洛阳 471023；2. 北京信息职业技术学院软件工程系，北京 100018)

1 引言

交通事件管理是智能交通系统(ITS)的一个研究热点，由于城市街道的不断增多和繁忙时段交通需求日益增大，一旦发生交通事件，如果不能及时处理就容易造成交通拥堵，交通事件管理面临着巨大挑战。

针对交通事件不确定性较强和规律性较弱等特点，国内外研究学者提出两类预测模型：一类属于数学模型的方法，Luis Leon ojeda等人[1]提出的基于自适应卡尔曼滤波的多跳预测方法。成云等人[2]提出的基于差分自回归滑动平均和小波神经网络组合模型的预测方法。柳立春[3]提出的改进卡尔曼算法。虽然数学模型方法预测精度高、稳定性较好，但方法在构建和求解交通模型过程中难度较大，不适合于短时交通事件预测的要求。另一类是基于非数学模型的方法，Bingduo Yang[4]提出一种针对本地当日交通流估计和变量选择的回归方法，采用平滑绝对差分算法同时完成选择变量和估计回归系数，该算法在标准数据集中测试获得较好性能。Ricardo等[5]提出一种交通模式的动态分类方法，分为离线和在线两个阶段，实现了对日常交通模式的有效识别。邵俊倩[6]提出了基于小波模糊神经网络的交通流预测方法，通过分析神经网络、模糊逻辑和小波基函数的特点，得到了收敛性预测精度明显优于常规BP网络的模型。吴琛，程琳[7]构建了适合于交通事件检测的BP小波神经网络算法，与其它事件检测算法相比适合实时检测，具有平均检测时间短的优点。……