胡茂政， 张 剑， 王文翠

（上海工程技术大学航空运输学院， 上海 201620）

0 引 言

准确的交通流预测，可以帮助交通管理者做出合理的交通决策，并为旅行者提供更多信息，帮助旅行者们及时调整路线和改变旅行计划，因此已成为智能交通系统的重要研究热点。 此外，交通流预测对于保持交通流处于对称状态也大有裨益。 对称交通流的形成可以加快交通流的效率，缓解干道的交通拥堵。 然而，受气象条件、交通事故和道路养护施工的影响，交通流量呈现出高度的动态性、随机性和混沌性。 使得交通流量预测成为一个具有挑战性的问题

近年来，许多研究人员和学者研究了许多提高预测性能的方法。 主要的交通流预测方法大致可分为两类：传统统计学习方法和人工神经网络方法或混合神经网络方法。 传统的统计学习方法，如卡尔曼滤波［1］、自回归积分移动平均和贝叶斯方法等，这些方法过于简单，无法反映短期交通流预测过程中涉及的非线性因素，导致预测准确性较低。 人工神经网络［2］相比传统统计学方法，虽然预测效果有所提升，但如果忽略交通流数据的时间特征，人为获得特征会降低其信息的稳定性，还可能削弱模型的预期精度。

因此，为了探索精度和效率更高的预测方法，本文提出了一种SSA-IFA-BP 混合预测模型。 首先采用奇异谱分析法（SSA）对原始的交通流数据加以处理，去除噪声序列，保留有用信息；使用自适应权重的方法进一步优化萤火虫方法（FA），使其避免进入局部最优解；……