杨 顶，邓明君，徐丽萍

（华东交通大学交通运输与物流学院，南昌 330013）

0 概述

精确实时的路段行程车速预测有利于出行者的路径规划和时间安排，减少高峰时段的拥堵［1］，且可为制定交通管理策略提供技术支撑［2］，但是路段行程车速的变化受路网结构影响，具有高度非线性、不确定性等特点［3］，使得路段行程车速的精确实时预测面临较大困难。学者们关于提高路段行程车速的预测精度进行了大量研究，并主要建立了统计模型、参数模型、非参数模型等3 种模型。统计模型根据数据的统计规律推断变化趋势，代表模型为历史平均（Historical Average，HA）模型［4］，该模型计算简单快速，但不能很好地适应时间特征，预测精度较低。参数模型通过时间序列数据确定参数然后基于回归函数进行预测，常见的模型有自回归积分移动平均（Autoregressive Integral Moving Average，ARIMA）模型［5-6］，该模型依赖于平稳性假设，不能有效反映路段行程车速的非线性和不确定性。非参数模型从历史数据中发现路段行程车速的变化规律，常见的模型有支持向量回归（Support Vector Regression，SVR）模型［7］、贝叶斯网络模型［8］等，它们能够更好地适应路段行程车速的非线性和不确定性，但仅在时间维度寻找序列数据变化趋势，很难解决路网结构对路段行程车速预测的影响。

近年来，深度学习模型已被证实能够有效挖掘路段行程车速数据的高维特征［9］，从而降低预测误差，如循环神经网络（Recurrent Neural Network，RNN）、长短期记忆（Long Short-Term Memory，LSTM）网络等能够有效地利用自循环机制来挖掘路段行程车速的长期变化特征［10-11］。……