俞 焕 刘 萍 赵国强

（陆军炮兵防空兵学院 合肥 230031）

1 引言

21 世纪以来，伴随着科技的飞快进步和经济的高速发展，工业制造的成本急剧下降，尤其是汽车制造行业，在车辆价格不断下调的背后是汽车销售量的持续性爆发。截至2019 年底，全国汽车保有量已经达到2.6 亿辆，这给城市管理带来了巨大的压力。智能交通系统［1］是综合考虑了人、车、路，并运用信息技术、电子传感器技术、数据通信技术、计算机技术及控制技术等进行有效集成，运用于整个地面的交通管理系统。实时交通流量预测作为城市智能交通系统诱导和控制的关键技术［2］，是指利用当前和历史的交通流量信息对未来的交通流量进行预测，从而帮助出行者进行路径规划，缓解交通拥堵和减少环境污染等［3］。在交通数据步入大数据时代的背景下，利用大数据技术来优化交通管理控制系统，实现交通流的实时预测，具备着重要的现实意义。

目前，国内外学者在交通流预测领域已经取得了许多重大的研究成果。常用的预测方法有平均值法、ARMA、线性回归、非参数回归、神经网络等［4～5］，这些模型虽然在一定程度上实现了交通流的预测，但是在预测精度上仍存在一定的差距。20世纪90年代Vapnik等提出的一种新的网络预测模型，即支持向量机［6～7］，有效地克服多维度、非线性和局部最值等复杂问题，得以广泛应用于多个领域。贺国光等人同时构建神经网络模型与数学模型来进行交通流预测，较大地提升了预测的精确度［8］。……