基于時(shí)間序列相似性搜索的交通流短時(shí)預(yù)測(cè)方法＊

楊兆升 邴其春 周熙陽(yáng) 馬明輝 李曉文

（1.吉林大學(xué)交通學(xué)院 長(zhǎng)春 130025；2.吉林大學(xué)汽車仿真與控制國(guó)家重點(diǎn)實(shí)驗(yàn)室 長(zhǎng)春 130025；3.吉林大學(xué)吉林省道路交通重點(diǎn)實(shí)驗(yàn)室 長(zhǎng)春 130025）

0 引言

準(zhǔn)確、可靠的交通流短時(shí)預(yù)測(cè)信息是交通控制和交通誘導(dǎo)等多項(xiàng)ITS核心功能的基礎(chǔ)和關(guān)鍵，對(duì)于緩解交通擁堵問(wèn)題具有重要意義。然而，由于檢測(cè)器獲取的交通流數(shù)據(jù)具有較強(qiáng)的時(shí)間滯后性，不能準(zhǔn)確代表實(shí)時(shí)交通狀態(tài)，要想掌握實(shí)時(shí)動(dòng)態(tài)交通流運(yùn)行狀態(tài)就必須進(jìn)行短時(shí)交通流預(yù)測(cè)。迄今為止，各國(guó)交通工程研究者已經(jīng)開(kāi)發(fā)了多種預(yù)測(cè)模型和方法。較早期的預(yù)測(cè)方法主要有自回歸模型（AR）、移動(dòng)平均模型（MA）、自回歸移動(dòng)平均模型（ARMA）、歷史平均模型（HA），等等，其預(yù)測(cè)結(jié)果主要服務(wù)于自適應(yīng)交通控制系統(tǒng)。隨著對(duì)交通流特性的深入研究以及人工智能技術(shù)的發(fā)展，一批高精度、高可靠度的預(yù)測(cè)方法被相繼提出，主要包括時(shí)間序列模型［1］、非參數(shù)回歸模型［2］、卡爾曼濾波模型［3］、小波理論模型［4］、支持向量機(jī)模型［5］、神經(jīng)網(wǎng)絡(luò)模型［6－8］等。然而，現(xiàn)有的交通流短時(shí)預(yù)測(cè)方法普遍存在兩方面問(wèn)題，一方面已有的研究成果主要集中于預(yù)測(cè)模型的整合優(yōu)化，忽視了對(duì)交通流數(shù)據(jù)自身特性的有效利用。具體來(lái)說(shuō)，目前大多數(shù)預(yù)測(cè)模型以相鄰N個(gè)時(shí)間間隔交通流數(shù)據(jù)作為模型輸入值，從而導(dǎo)致預(yù)測(cè)誤差較大。另一方面，絕大多數(shù)交通流預(yù)測(cè)僅進(jìn)行一步預(yù)測(cè)，無(wú)法充分描述交通狀態(tài)的未來(lái)發(fā)展趨勢(shì)。針對(duì)目前交通流預(yù)測(cè)中存在的問(wèn)題，為了進(jìn)一步提高交通流預(yù)測(cè)信息的準(zhǔn)確性和可靠性，筆者提出1種基于時(shí)間序列相似性搜索的交通流短時(shí)多步預(yù)測(cè)方法。……