1. 研究目的与意义（文献综述）

随着经济与科技的发展，车辆的普及程度也得到了长足地提升，导致道路上的车流数量急剧增加，因而对交通流量进行管控与疏导就显得尤为重要。与此同时，随着数据驱动（data-driven）算法的发展与计算机的计算能力的进步，智能交通系统^[1]（intelligenttransportation system）的概念也逐渐成形，关于智能交通系统应用的研究也成为国内外学者的焦点。智能交通系统能够实现道路车辆的管控与诱导，对可能发生的拥堵状况进行提前疏导，也能降低交通事故的发生概率，更加重要的是，它能够在尽可能减少人为干预的情况下对于交通状况进行自适应地调整，对交通状况进行自动化监控与调整，使得交通管理的效率得到了提高，因而智能交通系统的相关应用研究具有重要的实用价值。

智能交通系统的主要功能在于进行交通监控与疏导，如果能对未来时段的交通状况进行准确预测，那么交通管理的效率将大大提升。因此，对于交通状况指标的预测便显得尤为重要。例如，对于车流平均速度的预测有助于了解未来时段的交通拥堵状况，对车流量的预测则可以提早实施交通管制策略。总而言之，对于道路占用率、车速、车流量等指标的研究都能对交通系统的管理与监控起到积极的作用。在此次设计中，我们主要对道路的拥堵程度进行检测与控制，而与之关系最为密切的指标便是交通流量，因此，我们的重心主要放在交通流量的预测中。

短时交通流预测的目的是根据当前与先前时段的交通流量数据，对于数秒或数小时之后的交通流量进行预测。短时交通流预测一般是为了达到在线计算的目的而进行的，需要通过实时计算以得到下一个时段的流量数据。因此，交通流数据是一个以不变的时间间隔而排列的数据序列，因而短时交通流预测的大部分研究都是基于序列预测的。这不同于长期交通流预测，因为它的目的在于给出交通流量的长期演变趋势。短时交通流的预测方法大致可以分为两类，即经典统计学策略与数据驱动策略。其中，经典统计学策略一般使用经典概率学模型进行数据建模。而后者则会使用数据分析处理及机器学习算法。从方法层面而言，短时交通流预测应属于有监督学习的范畴，且属于一种递归（regression）分析，即根据已知的输入输出关系，先对数据进行建模，再通过优化算法等学习机制进行数据模型参数的整定与学习。

2. 研究的基本内容与方案

本次设计主要对短时交通流预测的背景及应用进行详细分析，并对机器学习算法进行简要概述，随后列举出已有文献中的一些预测方法，并对其中一些方法进行实现，最后提出一种新的交通流预测算法。

对于交通流的预测算法，大致可以分为基于概率模型的预测法与基于数据驱动的新型算法。前者采用经典的概率模型，如ARIMA等，对交通流数据进行时间序列预测。这种方法虽然容易实现，但其预测精度一般不能达到要求，单纯的概率模型的性能远不如后者。因此，本次设计中拟对数据驱动的算法进行重点研究。由于短时交通流预测属于一种时间序列的预测，即已知的数据集是按一定时间间隔排列的数据序列，而数据驱动算法的工作则在于发掘数据中的潜在规律，并实现后续数据的预测。首先，在机器学习领域，这种根据已知的输入输出关系对（即数据），来推测输入输出关系的方式是一种递归模型，其预测过程需要先确定一种数据模型，再根据已有的数据，结合参数学习机制对模型内的各种参数进行训练，随后根据最佳参数进行预测。因此数据模型的选取与参数学习机制的选择会直接影响预测的性能与精度。对于数据模型而言，最常用的模型有神经网络模型，K近邻模型等。因此设计中必须先对这些数据模型进行深入学习，能够通过编程的方式实现这些模型，并对每种模型的利弊进行深入研究，以确定采用那种数据模型。随后，对于参数学习算法，本次设计中拟采用优化算法对模型的参数进行优化。因为对于一些常用的数据模型而言，其自身的参数优化机制并不如人意。例如神经网络模型中对于参数的学习与更新仍然采用最速下降法，这种纯粹的局部搜索算法容易陷入局部最优而得不到较好的结果。而近年来，以启发式算法为代表的许多优化算法展现出了强大的优化性能，并被应用于各种领域。因此，设计中拟采用这种方法进行参数优化。不管从计算性能与调试的复杂度而言，选择一种合适的优化算法都会使之得到提升与简化。因此，考虑到传统启发式算法（如遗传算法）中难以确定算法参数的问题，本次设计中拟采用不需要额外算法参数的优化方法，例如教学优化算法。最后对于预测算法的创新措施，本次设计中准备对优化算法进行改进，将数据模型与优化算法相结合，改善参数的训练与优化机制。因为传统的优化算法在局部搜索与全局搜索的能力上一般不能兼顾。例如在教学优化算法的两个主要过程中过分强调了全局搜索策略，导致其收敛速度较慢，加大了计算的复杂性。因此可以考虑在原优化过程中加入局部搜索策略，使算法性能得到提升。与此同时还可以考虑加入数据融合与预处理策略。因为在上述文献中都提到了数据融合方法对于改善预测性能的积极影响，在预测流量时同时考虑车速，上下游交通流量等参数都会对模型的自适应性有较好的影响。此外，还可以考虑使用混合模型，结合统计模型的先行拟合能力，对周期性数据进行预测，并结合数据驱动模型的泛化能力，对数据存在的波动进行拟合。

3. 研究计划与安排

（1）1-2周：阅读必读参考文献，提出设计方案并撰写开题报告

（2）3-4周：查阅其他相关文献，对现有的深度学习算法及交通流预测问题进行研究

（3）5-6周：针对短时交通流预测问题进行深度学习算法调研

4. 参考文献（12篇以上）

[1]vlahogianni e i, karlaftis m g, golias j c. short-term traffic forecasting:where we are and where we’re going[j]. transportation research part c: emergingtechnologies, 2014, 43: 3-19.

[2] ermaguna, levinson d. spatiotemporal traffic forecasting: review and proposeddirections[j]. transport reviews, 2018, 38(6): 786-814.

[3] dol n n, taherifar n, vu h l. survey of neural network‐based models for short‐term traffic state prediction[j].wiley interdisciplinary reviews: data mining and knowledge discovery, 2019,9(1): e1285.