基于時(shí)空相關(guān)性多任務(wù)神經(jīng)網(wǎng)絡(luò)的交通預(yù)測

李松江 祝紹凇 楊華民 王 鵬

(長春理工大學(xué)計(jì)算機(jī)科學(xué)技術(shù)學(xué)院 吉林 長春 130022)

0 引 言

高速路網(wǎng)短時(shí)交通量預(yù)測已經(jīng)成為高速公路運(yùn)營部門在管理過程中研究的核心問題之一。精確的交通狀況預(yù)測在減少道路交通擁堵、調(diào)整人們出行規(guī)劃，以及提高交通管理維護(hù)效率等方面發(fā)揮著重要作用。近年來，國內(nèi)外學(xué)者在該領(lǐng)域進(jìn)行了大量研究，已取得了許多研究成果。目前廣泛應(yīng)用的有歷史平均模型、卡爾曼濾波模型[1-2]、神經(jīng)網(wǎng)絡(luò)模型[3-4]、支持向量機(jī)[5-6]和組合預(yù)測模型[7-8]等。但多數(shù)模型只利用了目標(biāo)路段過去時(shí)刻的交通量數(shù)據(jù)，未能充分利用路網(wǎng)內(nèi)其他相關(guān)路段的交通流信息，在一定程度上影響了預(yù)測效果。

實(shí)際上，由于高速路網(wǎng)的物理特性，區(qū)域中通過某路段的交通流與通過其上游n(n≥1)階鄰接路段的交通流在時(shí)空上顯然是存在關(guān)聯(lián)關(guān)系的，在進(jìn)行高速路網(wǎng)交通量預(yù)測時(shí)，應(yīng)充分利用路網(wǎng)的這一特性[9]。國內(nèi)外學(xué)者針對這一特性進(jìn)行了相應(yīng)的研究，并取得了一些研究成果。熊亭等[10]對布設(shè)在美國華盛頓州I-5高速公路北向車道上的3個(gè)線圈檢測器數(shù)據(jù)進(jìn)行周期性分析，將目標(biāo)路段上下游的車流量及車速作為空間特征向量，利用SARIMA-RF組合預(yù)測模型進(jìn)行目標(biāo)路段的交通量預(yù)測；李巧茹等[11]將時(shí)間與空間序列流量觀測值作為支持向量機(jī)的訓(xùn)練樣本，通過路網(wǎng)路段歷史時(shí)刻的空間序列得到空間序列的預(yù)測值，使用空間序列預(yù)測值對交通流時(shí)間序列預(yù)測結(jié)果進(jìn)行修正，動(dòng)態(tài)調(diào)整其對未來預(yù)測的影響。上述文獻(xiàn)都取得了較好的預(yù)測效果，但預(yù)測模型仍僅限于利用單點(diǎn)附近的交通流信息，未能拓展至區(qū)域網(wǎng)絡(luò)。

針對上述問題，本文提取能體現(xiàn)高速路網(wǎng)拓?fù)潢P(guān)系的空間權(quán)重以及描述路網(wǎng)時(shí)空狀態(tài)的時(shí)間權(quán)重，利用高斯加權(quán)歐氏距離剔除了路網(wǎng)區(qū)域內(nèi)的非時(shí)空相關(guān)路段，通過多任務(wù)循環(huán)神經(jīng)網(wǎng)絡(luò)對目標(biāo)路段的交通量進(jìn)行協(xié)同預(yù)測。實(shí)驗(yàn)結(jié)果表明，將時(shí)空相關(guān)路段的交通量預(yù)測作為目標(biāo)預(yù)測任務(wù)的額外任務(wù)，對于目標(biāo)路段交通預(yù)測準(zhǔn)確度具有提升作用。

1 數(shù)據(jù)準(zhǔn)備與時(shí)空特征變量定義

1.1 數(shù)據(jù)準(zhǔn)備

本文研究的高速路網(wǎng)短時(shí)交通量預(yù)測模型，需要充分考慮路網(wǎng)內(nèi)的其他路段與歷史時(shí)段的交通量對目標(biāo)路段的影響。選取吉林省某區(qū)域的部分路網(wǎng)作為研究對象，交通流示意圖如圖1所示。圖中的每個(gè)圓圈節(jié)點(diǎn)表示一個(gè)道路交叉點(diǎn)，箭頭表示交通流的方向，交通流從上游鏈路到達(dá)對應(yīng)的道路鏈路[12]。通過整理該區(qū)域自2018年5月7日到6月3日總計(jì)28天的路網(wǎng)收費(fèi)數(shù)據(jù)，最終以5 min的時(shí)間間隔確定了路網(wǎng)內(nèi)34條路段的交通量數(shù)據(jù)與平均車速數(shù)據(jù)。如圖2所示，將高速公路CB中長度為18.46 km的路段“0”記為目標(biāo)路段。

圖1 路網(wǎng)交通流示意圖

圖2 目標(biāo)高速公路示意圖

1.2 時(shí)空特征變量定義

在高速路網(wǎng)中，路段交通流受多種因素的影響。由于區(qū)域路網(wǎng)內(nèi)路段分布廣泛、連接情況多樣，導(dǎo)致路網(wǎng)空間狀態(tài)主要受兩個(gè)明顯的空間因素影響：路段間距與路段連通度。

定義1設(shè)d為路網(wǎng)中的路段與目標(biāo)路段之間的物理距離，本文通過計(jì)算路段的中點(diǎn)之間的距離進(jìn)行統(tǒng)計(jì)。

定義2設(shè)g為路網(wǎng)中各路段的連通度等級，第一級(g=1)為與目標(biāo)路段處于同一高速公路的路段；第二級(g=2)包括與目標(biāo)路段所在高速公路存在交叉點(diǎn)公路上的路段；第三級(g=3)對應(yīng)于第二級存在交叉點(diǎn)公路上的路段。其余的等級(g=4,5,6,…)也有類似的描述[13]。

圖3 高速路段連通等級示意圖

除了固有的靜態(tài)影響因素外，路網(wǎng)內(nèi)各路段間的相關(guān)系數(shù)也可以作為描述交通流之間影響程度的動(dòng)態(tài)標(biāo)準(zhǔn)。

定義3設(shè)r為目標(biāo)路段與路網(wǎng)其他路段交通量時(shí)間序列的相關(guān)系數(shù)，其計(jì)算式表示為：

(1)

式中：x和y分別表示兩個(gè)路段的交通量時(shí)間序列；m為時(shí)間序列的長度。

定義4設(shè)c為確定目標(biāo)路段與其他相鄰路段之間的空間相關(guān)性的準(zhǔn)則(即等效距離)，其計(jì)算式表示為：

(2)

式中：g為路網(wǎng)層次結(jié)構(gòu)中各路段的連通度等級；d為路網(wǎng)中的路段與目標(biāo)路段之間的物理距離；r為目標(biāo)路段與路網(wǎng)其他路段交通量時(shí)間序列的相關(guān)系數(shù)。等效距離與路段間距和路段連通度呈正相關(guān)，與路段間的相關(guān)系數(shù)呈負(fù)相關(guān)。

定義5將描述路網(wǎng)交通狀態(tài)的二維時(shí)序矩陣設(shè)為V(m,n)，表示為：

(3)

式中：m為時(shí)間序列的長度；n為路網(wǎng)中路段序列的個(gè)數(shù)(包括預(yù)測路段)；狀態(tài)矩陣的元素表示在一定的時(shí)間步長內(nèi)各路段交通流的平均速度。V(m,n)利用m個(gè)時(shí)間步長和n-1個(gè)鄰近路段的數(shù)據(jù)來確定整個(gè)路網(wǎng)的交通狀態(tài)。

2 基于時(shí)空相關(guān)性的交通量預(yù)測模型

本文通過構(gòu)建多任務(wù)循環(huán)神經(jīng)網(wǎng)絡(luò)模型對目標(biāo)路段未來時(shí)刻的交通量進(jìn)行協(xié)同預(yù)測。多任務(wù)學(xué)習(xí)中將目標(biāo)路段未來時(shí)刻的交通量預(yù)測作為預(yù)測模型中的主要任務(wù)，同時(shí)認(rèn)為預(yù)測其相關(guān)路段的交通量與主要任務(wù)有一定的關(guān)系，故選擇它們作為額外任務(wù)。額外任務(wù)與主要任務(wù)具有共同的歸納偏置，可以提高主要任務(wù)的預(yù)測精度。依據(jù)圖4所示的基于時(shí)空相關(guān)性的交通量預(yù)測流程構(gòu)建出對應(yīng)的預(yù)測模型，模型主要分為兩個(gè)部分：① 利用時(shí)空相關(guān)性確定連通路網(wǎng)中的相關(guān)路段；② 通過多任務(wù)循環(huán)神經(jīng)網(wǎng)絡(luò)對目標(biāo)路段的未來交通量狀態(tài)進(jìn)行預(yù)測。

圖4 基于時(shí)空相關(guān)性的交通量預(yù)測流程

2.1 獲取路網(wǎng)時(shí)空相關(guān)路段

眾所周知，物理距離代表了路網(wǎng)的固有空間特性，但這一概念并沒有反映路段之間的動(dòng)態(tài)空間屬性，即交通流特性。本文將實(shí)際路網(wǎng)中采集的靜態(tài)物理數(shù)據(jù)與由路段時(shí)間序列計(jì)算的相關(guān)系數(shù)相結(jié)合，得到同時(shí)具有物理與數(shù)據(jù)屬性的復(fù)合變量，稱為路段間的等效距離。等效距離的計(jì)算步驟如下：

(1) 根據(jù)劃定的路網(wǎng)區(qū)域，確定區(qū)域中目標(biāo)路段與其他連通路段的連通度g與路段間距d。

(2) 根據(jù)當(dāng)前時(shí)刻路網(wǎng)時(shí)空狀態(tài)的時(shí)間步長，計(jì)算目標(biāo)路段與其他路段交通量時(shí)間序列的相關(guān)系數(shù)r。

(3) 通過式(2)計(jì)算路段間的等效距離。

本文通過探究區(qū)域各路段與目標(biāo)路段交通量狀態(tài)變化的相似度確定路網(wǎng)中的時(shí)空相關(guān)路段。在獲得各路段具有空間特性的等效距離后，利用由平均速度組成的時(shí)空狀態(tài)矩陣識別路網(wǎng)的交通狀態(tài)。由于時(shí)空變量的不同度量標(biāo)準(zhǔn)之間存在差異，故通過高斯加權(quán)函數(shù)將等效距離附加到每條路段對應(yīng)的時(shí)空狀態(tài)向量上，以時(shí)間維與空間維相結(jié)合的方式確定目標(biāo)路段與其他路段之間的時(shí)空相關(guān)性。然后將現(xiàn)在時(shí)刻與歷史時(shí)刻時(shí)空狀態(tài)向量的歐氏距離作為判斷每條路段狀態(tài)變化程度的標(biāo)準(zhǔn)，進(jìn)而得到路網(wǎng)區(qū)域中目標(biāo)路段的時(shí)空相關(guān)路段。確定時(shí)空相關(guān)路段的步驟如下：

(1) 利用高斯加權(quán)函數(shù)確定路段的空間權(quán)重。將空間加權(quán)矩陣定義為W，其元素分別定義為wi，則W表示為：

(4)

式中：ci為編號i的路段與目標(biāo)路段間的等效距離；根據(jù)實(shí)測數(shù)據(jù)計(jì)算出空間加權(quán)參數(shù)中方差a的值。

(2) 利用高斯加權(quán)函數(shù)確定路段的時(shí)間權(quán)重。將時(shí)間加權(quán)矩陣定義為Q，其元素分別定義為qj，則Q表示為：

(5)

式中：tm為當(dāng)前時(shí)刻的時(shí)間步長；tj為tm前m-j時(shí)刻的時(shí)間步長，與m-j時(shí)刻計(jì)算平均速度的時(shí)間步長相對應(yīng)；根據(jù)實(shí)測數(shù)據(jù)計(jì)算出時(shí)間加權(quán)參數(shù)中方差b的值。

(3) 確定路網(wǎng)區(qū)域的交通狀態(tài)。將式(4)與式(5)得到的空間權(quán)重與時(shí)間權(quán)重通過矩陣乘法的形式附加到路網(wǎng)時(shí)空狀態(tài)矩陣上，得到具有時(shí)空屬性的路網(wǎng)狀態(tài)矩陣X，加權(quán)公式表示為：

X=Q·V·W

(6)

式中：Q為時(shí)間加權(quán)矩陣；V為路網(wǎng)狀態(tài)矩陣；W為空間加權(quán)矩陣。

(4) 計(jì)算路段交通狀態(tài)變化程度。設(shè)X與Xl分別為當(dāng)前時(shí)刻與第l個(gè)歷史狀態(tài)下的路網(wǎng)時(shí)空狀態(tài)矩陣，Xi為第i條路段的時(shí)空狀態(tài)列向量，將第i條路段在兩個(gè)時(shí)刻下時(shí)空狀態(tài)列向量的歐氏距離作為判斷該路段交通狀態(tài)變化程度的標(biāo)準(zhǔn)，記為Si，表示為：

(7)

2.2 多任務(wù)循環(huán)神經(jīng)網(wǎng)絡(luò)

在傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)中，相鄰的隱層間完全連接，但是同一層內(nèi)的節(jié)點(diǎn)間沒有連接，而交通量的時(shí)序數(shù)據(jù)在描述交通流變化時(shí)前后存在明顯的交互。循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network)擁有一種特殊的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其隱層節(jié)點(diǎn)之間是相互連接的，可以對前一時(shí)刻的信息進(jìn)行記憶并應(yīng)用于當(dāng)前輸出的計(jì)算中，因此能夠處理連續(xù)和相關(guān)的任務(wù)。RNN的典型網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖5中RNN的數(shù)學(xué)模型可以表示為：

Ot=g(V·St)

St=f(U·Xt+W·St-1)

(8)

式中：Xt是輸入向量；U是輸入層到隱藏層的權(quán)重矩陣；V表示隱藏層到輸出層的權(quán)重矩陣；W表示用于隱藏層自身遞歸的權(quán)重；Ot為預(yù)期的輸出向量；g和f表示激活函數(shù)Sigmoid。

交通系統(tǒng)作為一個(gè)高度相關(guān)的網(wǎng)絡(luò)，為使用來自網(wǎng)絡(luò)相關(guān)部分的共享知識，應(yīng)從網(wǎng)絡(luò)的角度進(jìn)行交通量預(yù)測。使用歐氏距離計(jì)算每條路段當(dāng)前狀態(tài)與歷史狀態(tài)之間的交通參數(shù)距離，識別出區(qū)域路網(wǎng)內(nèi)與目標(biāo)路段交通狀態(tài)變化相似的時(shí)空相關(guān)路段。本文利用多任務(wù)學(xué)習(xí)的歸納轉(zhuǎn)移機(jī)理，選取與預(yù)測目標(biāo)路段未來時(shí)刻交通量相似的多個(gè)訓(xùn)練目標(biāo)，根據(jù)目標(biāo)間特定的相關(guān)信息來提升學(xué)習(xí)系統(tǒng)的泛化能力。將路網(wǎng)內(nèi)時(shí)空相關(guān)路段的交通量預(yù)測作為多任務(wù)學(xué)習(xí)的額外任務(wù)，通過將多任務(wù)學(xué)習(xí)與循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)合，構(gòu)建如圖6所示的網(wǎng)絡(luò)預(yù)測結(jié)構(gòu)，對目標(biāo)路段進(jìn)行短時(shí)交通量預(yù)測。其中共享隱層可以提取路段之間共享的空間信息，使每一項(xiàng)預(yù)測任務(wù)作為其他任務(wù)的輔助，充分利用了路網(wǎng)的空間信息。而特定任務(wù)層可以拆分每一個(gè)任務(wù)，對其中的與其他任務(wù)不同的特定信息進(jìn)行學(xué)習(xí)。

圖6 多任務(wù)循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測

(9)

本文通過使用多任務(wù)循環(huán)神經(jīng)網(wǎng)絡(luò)模型對目標(biāo)路段的下一個(gè)時(shí)刻的交通量進(jìn)行預(yù)測。多任務(wù)學(xué)習(xí)共同訓(xùn)練模型并共享隱藏層的權(quán)重，相較于單任務(wù)學(xué)習(xí)只需要訓(xùn)練一個(gè)模型，該模型將具有相似權(quán)重分布的任務(wù)組合在一起，可以根據(jù)任務(wù)之間的共同特性與每個(gè)任務(wù)的獨(dú)有特性提高預(yù)測性能，故該模型比單一路段的交通量預(yù)測模型具有較高的預(yù)測精度。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)描述

本文針對高速路網(wǎng)短時(shí)交通量預(yù)測問題進(jìn)行了研究，提出基于時(shí)空相關(guān)性的多任務(wù)循環(huán)神經(jīng)網(wǎng)絡(luò)協(xié)同預(yù)測模型。實(shí)驗(yàn)主要包括兩個(gè)部分：(1) 分別計(jì)算出當(dāng)前時(shí)刻與歷史時(shí)刻所有路段的交通狀態(tài)向量，從而確定路網(wǎng)區(qū)域內(nèi)的時(shí)空相關(guān)路段；(2) 將相關(guān)路段的交通量預(yù)測作為多任務(wù)學(xué)習(xí)的額外任務(wù)，通過構(gòu)建神經(jīng)網(wǎng)絡(luò)完成對目標(biāo)路段交通量的協(xié)同預(yù)測。

為驗(yàn)證該預(yù)測模型的適用性及準(zhǔn)確性，本文選用吉林省的部分高速路網(wǎng)作為研究對象，并選取自2018年5月7日至5月27日共3周的交通量時(shí)間序列數(shù)據(jù)作為模型的訓(xùn)練集，用于模型的構(gòu)造與訓(xùn)練；選取5月28日至6月3日1周數(shù)據(jù)作為測試集，用于對模型進(jìn)行驗(yàn)證。

3.2 評價(jià)指標(biāo)

本文選取的性能指標(biāo)參數(shù)為：均方根誤差(RMSE)與絕對百分誤差(MAPE)定義如下：

(10)

(11)

3.3 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)的前半部分為計(jì)算路網(wǎng)區(qū)域內(nèi)所有路段交通狀態(tài)變化的歐氏距離。利用不同數(shù)量的路段經(jīng)過足夠次數(shù)的訓(xùn)練后，損失函數(shù)呈現(xiàn)出一定的變化趨勢，如圖7所示。最終將相關(guān)路段交通狀態(tài)變化的閾值確定為66，并得到14條與目標(biāo)路段具有相似時(shí)空特性的路段，各路段參數(shù)如表1所示。然后利用這些相關(guān)路段的交通量時(shí)間序列作為多任務(wù)循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入，通過共享隱藏層參數(shù)實(shí)現(xiàn)對目標(biāo)路段的未來時(shí)刻交通量進(jìn)行協(xié)同預(yù)測。

圖7 損失函數(shù)的變化趨勢

表1 目標(biāo)路段的時(shí)空相關(guān)路段

利用TensorFlow構(gòu)建出多任務(wù)循環(huán)神經(jīng)網(wǎng)絡(luò)交通量預(yù)測模型。構(gòu)建包含三個(gè)共享隱層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型，其中隱層包含神經(jīng)元數(shù)目分別為100、200、300，特定任務(wù)層神經(jīng)元數(shù)目為300。將Sigmoid函數(shù)作為輸入層和隱藏層之間的特定激活函數(shù)，權(quán)值初始化函數(shù)為orthogonal。將相關(guān)路段的時(shí)間序列矩陣歸一化后作為多任務(wù)循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入層數(shù)據(jù)。通過觀察網(wǎng)絡(luò)訓(xùn)練誤差的變化，選取1 000次迭代作為最大的訓(xùn)練次數(shù)，學(xué)習(xí)率為0.025，批大小設(shè)置為64。

本文通過兩部分驗(yàn)證基于時(shí)空相關(guān)性的多任務(wù)循環(huán)神經(jīng)網(wǎng)絡(luò)交通量模型的預(yù)測性能，一是將該模型分別與引言部分的兩種模型和傳統(tǒng)的時(shí)間、空間模型進(jìn)行比較，各模型的性能指標(biāo)對比如表2所示；二是將由時(shí)空相關(guān)路段訓(xùn)練的模型與由路網(wǎng)內(nèi)所有路段訓(xùn)練的交通量模型進(jìn)行對比。

表2 性能指標(biāo)對比

基于時(shí)間序列或空間序列的單變量預(yù)測模型在三個(gè)時(shí)段中的預(yù)測結(jié)果與實(shí)際交通量相比有較大的差距，而SARIMA-RF與SVM模型的預(yù)測誤差在每個(gè)時(shí)段都多于MTL-RNN模型0.02左右，因此基于時(shí)空相關(guān)性的交通量預(yù)測模型在三個(gè)時(shí)段的性能指標(biāo)中的表現(xiàn)最佳，該模型在復(fù)雜路網(wǎng)的交通量預(yù)測方面有較高的精確度。將上述三種模型的預(yù)測結(jié)果分別與實(shí)際交通量作比較，圖8為五種模型在2018年6月4日內(nèi)的三個(gè)時(shí)段的目標(biāo)路段交通量預(yù)測值和真實(shí)值的對比結(jié)果。

(a) 時(shí)段一對比情況

基于時(shí)空相關(guān)性的交通量預(yù)測模型的誤差明顯小于基于時(shí)間序列和空間序列的交通量預(yù)測模型，而且與SARIMA-RF和SVM兩種模型相比，該模型在任何時(shí)段中都具有良好表現(xiàn)，更加接近實(shí)際的交通量變化曲線。由此可推測出，通過路網(wǎng)中各路段的過去時(shí)刻的交通量實(shí)現(xiàn)對目標(biāo)路段未來時(shí)刻交通量的預(yù)測，可以充分利用路網(wǎng)的時(shí)間特性與空間特性，在一定程度上可以明顯提高交通量預(yù)測的準(zhǔn)確度。

最后，為驗(yàn)證不相關(guān)任務(wù)可能會對模型訓(xùn)練產(chǎn)生的負(fù)遷移現(xiàn)象，選取路網(wǎng)中的時(shí)空相關(guān)路段與由所有路段訓(xùn)練的交通量預(yù)測模型進(jìn)行準(zhǔn)確度對比。如圖9所示，由路網(wǎng)中相關(guān)路段訓(xùn)練的交通量預(yù)測模型的預(yù)測準(zhǔn)確度最終維持在92%左右，而由所有路段訓(xùn)練的模型的準(zhǔn)確度在88%左右，故只有將相關(guān)的任務(wù)集成到一個(gè)組中，才能夠更好地提高整體性能，無關(guān)任務(wù)的共享信息可能會降低模型的性能。

圖9 不同等級路網(wǎng)的預(yù)測準(zhǔn)確度對比

4 結(jié) 語

本文針對高速路網(wǎng)短時(shí)交通量預(yù)測，提出一種基于時(shí)空相關(guān)性的多任務(wù)循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測模型。其中針對傳統(tǒng)的交通量預(yù)測中忽視路網(wǎng)鄰近路段數(shù)據(jù)的問題，提出一種計(jì)算路網(wǎng)中路段時(shí)空相關(guān)性的方法。通過量化路網(wǎng)物理結(jié)構(gòu)中的路段距離、連通度與路段間的相關(guān)系數(shù)得到每條路段對應(yīng)的空間權(quán)重，比較各路段不同時(shí)刻的交通時(shí)空狀態(tài)向量，得到目標(biāo)路段的時(shí)空相關(guān)路段。然后將相關(guān)路段的交通量預(yù)測作為相關(guān)任務(wù)與目標(biāo)路段放到一組聯(lián)合訓(xùn)練，通過共享隱藏層提高神經(jīng)網(wǎng)絡(luò)預(yù)測性能。實(shí)測交通量數(shù)據(jù)驗(yàn)證的結(jié)果表明，本文提出的預(yù)測模型預(yù)測值和真實(shí)值吻合效果較好，是一種有效的交通量預(yù)測方法。