缪荣辉

（福建高速路桥建设发展有限公司,福建 厦门 361001）

0 引言

随着公路路网密度的不断增大，公路突发事件愈发频繁，对道路的正常运行管理提出了严峻挑战。为了及时准确地掌握突发事件对交通流量的影响，准确的时间序列预测和不确定性的可靠估计是非常必要的，这对道路通行状况异常的上报处理、合理调配资源、做出正确的规划方案等都至关重要。

交通流量预测短期和中长期交通流量预测两类，短时交通流量通常是指5 到15 分钟的流量预测。交通量的预测本身是一个时间序列的问题[1-2]，因此，在早期的交通量模型预测中，时间序列模型在交通量预测研究领域应用较为广泛[3-4]，其中应用较多的是滑动平均模型（ARIMA），该模型经提出后在交通量预测统计方面取得了显著成效[5-7]，后续的研究学者也在该模型的基础上[8-10]，不断进行了相应的扩展和优化。但局限于模型的参数特性，使得该模型在面对越来越复杂的交通流问题和随机性问题上，难以满足预测精度要求。

一般而言，可以用三个参数定量地描述交通状况：交通流量、交通速度和交通密度。这三个参数的结合能够准确地反映出智能交通系统对交通控制以及调度的表现情况。为了在模型的训练和预测中能够捕捉到时间序列特征，记忆并存储以往的信息，引入了循环神经网络来解决交通序列问题，通过学习复杂的时空内部特征，将前几个隐藏层数据作为当前的数据来源，从而使模型在学习和训练的过程中完整地保存了历史数据。……