王博文，王景升

(中国人民公安大学 交通管理学院,北京 100038)

0 引言

机动车是人们生活中的重要出行方式之一。近年来，机动车数量的急剧增加导致交通拥堵、噪音及尾气排放问题日益严重，给相关部门的管理工作造成了极大压力。为实现准确的交通控制与交通诱导，构建科学理性的管控机制，智能交通系统(Intelligent Traffic System,ITS)应运而生。ITS是解决缓解交通拥堵、提升道路通行能力的有效途径，而对交通流量参数进行较为准确的预测工作是辅助ITS进行长、短期决策任务的关键。

短时交通流量预测是近年来的热点话题，早期的研究学者多使用统计学模型、机器学习模型及基准深度学习模型进行建模。统计学模型如季节性自回归积分滑动平均(Autoregressive Integrated Moving Average,ARIMA) 、卡尔曼滤波模型、指数平滑模型等[1]。Williams等[2]，开发了一种适用于季节性时间序列的ARIMA模型，并使用交通数据集对其进行测试，结果显示ARIMA的效果优于K邻近、历史平均等模型。Kumar等[3]设计实现了一种基于卡尔曼滤波技术的预测方案，并证实了这种技术在小样本量的交通流量预测任务中的表现优于ARIMA。机器学习模型如支持向量机(Support Vector Regression,SVR)[4]、K邻近[5]、贝叶斯网络等。Smola等[6]，概述了SVR用于时间序列预测的过程以及对大型数据集的处理方案。基准深度学习模型如长短时记忆网络(Long Short-Term Memory,LSTM)、门控循环单元(Gated Recurrent Unit,GRU)等[7-12]。Ma等[13]将LSTM用于交通微波参测器采集的车辆行驶速度的预测上，并将其与流行的参数与非参数模型进行对比，得到LSTM在长时间序列的预测上表现出卓越的效果。……