李 杰，张子辰，孟凡熙，朱 玮

（长安大学 电子与控制工程学院，西安 710064）

短期交通流预测是智能交通系统的重要技术基础，建立高精度的短期交通流预测模型，对于交通管理与规划、缓解交通拥堵和提高交通效率具有重要意义.文献［1］针对短时交通流数据的非线性和随机性特点，为提高其预测精度，提出了一种基于自适应最稀疏窄带分解（adaptive sparsest narrow-band decomposition，ASNBD）和复合多尺度模糊熵（composite multiscale fuzzy entropy，CMFE）的短时交通流数据特征信息提取方法，试验结果表明，该方法可以有效提取短期交通流中的特征信息，进而提高预测精度；文献［2］将扩展Kalman滤波算法应用于高速公路交通流模型中，并讨论了该模型在一条具有3个等长路段的公路的应用，对该路段车流密度、车流速度进行跟踪，仿真结果证明了该算法具有很高的实用性；文献［3］建立了一种基于张量分解的算法，实现了短期交通流数据的建模预测；文献［4］提出了一种基于支持的短期交通流预测模型，并运用该模型对指定地点及其邻域内的交通流数据进行建模分析；文献［5］提出了一种基于褪色卡尔曼滤波的算法，对蓝牙采集到的交通流数据进行预测实验.以上模型结构简单且计算方便，但是针对高度非线性、不稳定的交通序列难以达到较好的效果，且模型抗干扰能力有待提高.

近年来，随着数学理论的发展和深度学习的崛起，越来越多的学者将深度学习应用于交通流预测领域中.文献［6］提出了一种深度全连接神经网络模型，对短期交通流时间序列进行预测，并通过参数调整，提高了预测精度；……