关于交通流量数据预测建模研究
交通拥堵预测中的流量数据分析与建模
交通拥堵预测中的流量数据分析与建模交通拥堵一直是城市发展中面临的重要问题之一。
通过准确地预测交通拥堵情况，城市可以制定合理的交通管理策略，最大限度地减少交通拥堵对居民生活和城市发展的影响。
在交通拥堵预测中，流量数据分析和建模起着重要的作用。
本文将深入探讨交通拥堵预测中流量数据的分析和建模方法及其应用。
首先，对于交通拥堵预测，理解和分析流量数据是至关重要的。
流量数据通常包括车辆数量、流量密度、车速、车道利用率等信息。
这些数据可以通过传感器、摄像头、行程记录仪等设备收集到。
通过对流量数据进行分析，可以获得交通状况的细节信息，了解道路的拥堵情况、高峰时段及瓶颈位置等。
因此，流量数据分析是交通拥堵预测的基础。
其次，流量数据的建模是交通拥堵预测的关键环节。
建模主要通过统计学方法和机器学习算法来实现。
传统的统计学方法包括时间序列分析、回归分析等。
时间序列分析可以通过对历史流量数据的变化趋势进行拟合和预测，提取周期性特征以及长期趋势。
回归分析则可以通过建立一系列变量之间的关系，如车流量和时间、天气等因素之间的关系，从而预测交通拥堵情况。
这些统计学方法在流量建模中应用广泛，可以提供可靠的预测结果。
此外，机器学习算法的应用正在逐渐成为交通拥堵预测中的热点。
机器学习算法可以通过对大量流量数据进行学习和训练，自动地挖掘出数据中的模式和规律。
例如，基于神经网络的深度学习算法可以通过多层次的神经网络结构来学习交通流量数据的复杂非线性关系。
此外，支持向量机、随机森林等机器学习算法也得到广泛应用。
这些机器学习算法可以通过对流量数据的分析和学习，准确地预测交通拥堵情况。
与传统统计学方法相比，机器学习算法可以更好地处理大规模复杂数据，并能够自适应地学习和优化预测模型。
除了以上方法，还可以利用地理信息系统技术(GIS)来辅助流量数据的分析和建模。
GIS可以将流量数据与地理空间信息相结合，绘制交通流量热力图和拥堵地图，直观展示交通状况的分布和演化。
高速公路交通流量建模与预测技术研究
高速公路交通流量建模与预测技术研究随着城市化进程的不断加快，人们对交通拥堵问题的关注度也越来越高。
其中，高速公路作为城市交通网络的重要组成部分，其交通流量的建模与预测技术研究就显得尤为重要。
本文将从高速公路交通流量的建模与预测两个方面进行探讨。
一、高速公路交通流量的建模高速公路交通流量的建模是指通过采集和处理现场数据，对高速公路上行驶车辆的数量和速度等信息进行量化分析，以建立数学模型来描述和预测交通流量的变化规律。
建模的核心是选择适当的数学模型，常用的方法有线性回归、支持向量机、人工神经网络等。
这些模型可以通过历史数据的分析来建立交通流量与各个影响因素之间的关系，并预测未来的交通流量。
此外，还可以利用交通流量检测器等设备获取实时的交通数据，通过数据挖掘和机器学习的方法来构建交通流量模型。
在高速公路交通流量建模过程中，需要考虑的因素有很多，包括路段长度、车道数、交通信号、交通事故、天气等。
通过对这些因素的分析和建模，可以有针对性地制定交通管理措施，提高交通效率，减少拥堵现象的发生。
二、高速公路交通流量的预测高速公路交通流量的预测是指通过建立交通流量模型，根据历史数据和当前情况来预测未来一段时间内的交通流量。
预测的方法主要有时间序列分析、回归分析、神经网络和遗传算法等。
其中，时间序列分析是最常用的方法之一，它可以通过对历史数据的分析，发现交通流量的季节性、周期性和趋势性等规律，进而预测未来的交通流量。
除了使用数学模型预测交通流量外，还可以结合信息技术手段，利用传感器、摄像头等设备获取实时交通数据，通过大数据分析和人工智能技术实时预测交通流量。
这种方法可以更准确地反映实际情况，并提供实时的交通状况和推荐路线等信息，帮助驾驶员合理规划行程。
三、高速公路交通流量建模与预测的意义高速公路交通流量建模与预测的研究对于城市交通管理和出行规划具有重要的意义。
首先，通过建模与预测，可以帮助交通部门和城市规划部门更好地了解高速公路的交通状况，根据预测结果制定合理的交通管理策略，优化路网布局，提高道路利用率。
基于大数据的交通流量预测模型研究
基于大数据的交通流量预测模型研究交通流量预测是城市交通管理和规划中的重要课题之一，对于提高交通运输效率、减少拥堵现象具有重要意义。
而基于大数据的交通流量预测模型，由于其数据量大、信息全面，能够更准确地预测交通流量的变化趋势，因此备受关注和研究。
交通流量预测模型是利用历史数据和实时数据来分析交通流量变化规律，从而预测未来一段时间内的交通流量情况。
基于大数据的交通流量预测模型主要依赖于大数据技术和机器学习算法，通过对大量的历史交通数据进行分析和挖掘，提取出交通流量变化的特征，并利用这些特征构建预测模型，从而实现准确的交通流量预测。
在构建基于大数据的交通流量预测模型时，首先需要收集和整理大量的交通数据，包括交通流量、车速、道路状态等信息。
这些数据可以通过各种传感器、监控设备和移动应用等手段进行采集。
然后，利用数据处理和分析技术对这些数据进行清洗和处理，去除异常值和噪声，使其更加准确和可靠。
接下来，需要使用机器学习算法对处理后的数据进行建模和训练。
常用的机器学习算法包括回归算法、时间序列分析算法、神经网络算法等。
这些算法可以根据数据的特点和预测目标，选择合适的模型来进行训练和预测。
同时，还可以利用特征选择和降维等技术来提高模型的准确性和效率。
在模型训练完成后，需要对模型进行评估和验证。
通过比较模型预测结果和实际观测值，可以评估模型的准确性和可靠性。
如果模型的预测效果不理想，可以进行模型调整和优化，以提高预测精度和稳定性。
基于大数据的交通流量预测模型还可以结合其他数据源，如天气数据、道路施工数据等，更全面地分析和预测交通流量的变化。
通过将不同数据源的信息综合起来，可以进一步提高交通流量预测的准确性和可靠性。
此外，基于大数据的交通流量预测模型还可以应用于交通管理和规划中。
通过模型预测结果，可以合理安排交通资源，提前预防拥堵和疏导交通。
同时，还可以为交通设施的建设和改造提供科学依据，优化交通网络的布局和结构。
交通流量预测模型及其应用研究
交通流量预测模型及其应用研究交通流量在城市发展中扮演着至关重要的角色，交通流量预测模型的建立和应用对城市交通出行规划、交通控制以及交通管理具有重要的意义。
本文将从交通流量预测模型的定义、目的、建立方法、应用场景以及未来展望等方面进行探讨。
一、交通流量预测模型的定义和目的交通流量预测模型是指利用历史交通流量数据和相关环境因素，通过数学模型的建立和分析，对未来的交通流量进行预测的一种方法。
其目的在于为交通规划、交通控制、交通管理等决策提供科学分析依据，有效地降低拥堵、提高通行效率和安全性。
二、交通流量预测模型的建立方法交通流量预测模型的建立需要充分考虑到历史交通数据和环境因素对交通流量的影响。
常见的交通流量预测方法包括时间序列分析、回归分析、神经网络模型等。
1.时间序列分析时间序列分析是指对一系列按时间排列的数据进行统计和建模的方法，常见的时间序列预测方法包括传统的移动平均法、指数平滑法、ARIMA模型等。
其中，ARIMA模型将时间序列数据分解成趋势、周期和随机项三个部分，更加准确地预测未来数据。
2.回归分析回归分析是指通过历史数据和与交通流量相关的预测因素，建立一个回归方程来预测未来的交通流量。
回归分析中，根据预测因素的数量和复杂度的不同，可分为单变量回归、多元线性回归、非线性回归等类型。
3.神经网络模型神经网络模型是一种仿生学的模型，具有类似于人的神经元结构、快速的学习能力和适用于非线性问题的能力。
常见的神经网络模型包括BP神经网络、RBF神经网络、SVM等。
三、交通流量预测模型在实际应用中的场景交通流量预测模型植根于交通实际，广泛应用于交通规划、交通控制、交通管理等多个领域。
例如：1.城市交通规划交通流量预测模型可以为城市交通规划提供基础数据，并结合城市通行能力、道路规划、公交优化等因素，进行科学合理的交通规划。
2.交通网控制根据交通流量预测模型，可以对交通信号灯、出入口禁行等进行精确的控制和调整，优化交通运行效率，有效地减轻交通拥堵。
城市道路交通流量预测模型研究
城市道路交通流量预测模型研究一、课题研究背景城市路网中不断增长的交通出行需求，进一步导致道路交通流的高峰时段拥堵情况不断加剧。
如何有效利用交通流数据，建立合理、准确的道路交通流量预测模型，对于缓解交通拥堵，优化城市交通出行体验具有重要意义。
因此，本文将从理论与实践两个层面出发，全面介绍城市道路交通流量预测模型的研究现状和发展趋势。
二、城市道路交通流量预测模型概述1.概念定义城市道路交通流量预测模型是指通过建立数学模型，在给定区域内将未来的道路交通流量进行预测的一种方法。
该模型主要包括数据预处理、数据建模、模型验证与修正、预测结果评估等步骤。
2.建模思想城市道路交通流量预测模型的建模思想主要包括时间序列模型、回归分析模型、人工神经网络模型等。
它们可以在一定程度上反映城市道路交通流量的时空特征。
3.应用领域城市道路交通流量预测模型的应用领域主要包括智慧交通、城市交通规划等。
在智慧交通领域，该模型可以用于实现自动化交通控制和优化城市交通出行路线规划；在城市交通规划领域，该模型可以为交通出行提供科学依据，指导城市交通基础设施建设和改造。
三、城市道路交通流量预测模型的现状分析1.模型类型城市道路交通流量预测模型的类型越来越多，包括时间序列模型、回归分析模型、人工神经网络模型等。
其中，时间序列模型和人工神经网络模型应用较为广泛。
2.数据来源城市道路交通流量预测模型的数据来源多种多样，可以是交通信号控制系统数据、车辆定位数据、移动App出行数据等。
其中，车辆定位数据是交通流量预测的重要数据来源，其精度和实时性能够满足实时性较高的道路交通流量预测需求。
3.关键问题城市道路交通流量预测模型研究中存在着一些关键问题，如数据的缺失和质量问题、模型的选取和改进问题等。
因此，研究者需要利用先进的技术手段来克服这些问题。
四、城市道路交通流量预测模型的发展趋势1.数据挖掘技术与模型集成技术未来城市道路交通流量预测模型将结合数据挖掘技术和模型集成技术，充分利用不同类型的数据来源，提高预测精度和实时性。
城市交通流量预测模型研究
城市交通流量预测模型研究一、背景介绍随着城市化进程不断加强，城市交通流量问题越来越突出。
交通拥堵、呼吸道疾病等问题对城市居民的生活造成了极大影响。
因此，研究城市交通流量预测模型对优化城市交通管理、提高交通流量效率具有重要意义。
二、相关技术1.时间序列模型时间序列模型是一种基于时间的数据模型，它能够识别出数据中的规律和周期性，从而预测未来发展趋势。
在城市交通流量预测中，时间序列模型可以对历史交通流量数据进行分析，建立成交通流量预测模型。
2.机器学习模型机器学习模型是利用计算机自主学习算法来进行预测的一种方法。
在城市交通流量预测中，机器学习模型可以通过利用历史数据进行学习，并生成适应新数据的预测模型。
3.人工神经网络模型人工神经网络模型是一种模仿人类神经系统的生物学神经网络，它可以处理大量复杂数据并进行预测。
在城市交通流量预测中，人工神经网络模型可以通过对历史数据的学习，预测未来交通流量走向。
三、城市交通流量预测模型研究案例以韶关市为例，对不同模型进行研究和对比，以探究最适用于城市交通流量预测的模型。
1.时间序列模型预测采用ARIMA模型进行时间序列分析并预测未来的交通流量。
该模型基于历史交通流量数据进行学习，根据时间序列模型对未来交通流量进行预测。
通过实验表明，该模型对于每日交通流量预测有较高的准确率。
但在当天甚至小时预测时，准确率较低。
2.机器学习模型预测采用随机森林算法进行机器学习模型学习和预测。
该模型利用历史交通流量数据和天气、节假日等数据进行学习，并预测未来交通流量。
通过实验表明，该模型对于当天及未来交通流量预测都有较高准确率。
3.人工神经网络模型预测采用BP神经网络进行模型学习和预测。
该模型基于历史交通流量数据进行学习，从而预测未来交通流量走向。
通过实验表明，该模型对于未来交通流量预测有较高的准确率，但对于当天即时预测时，准确率较低。
四、结论与建议从实验结果来看，随机森林算法是较为合适的城市交通流量预测模型。
基于多源数据的交通流量预测模型研究
基于多源数据的交通流量预测模型研究在当今社会，交通流量的准确预测对于城市规划、交通管理以及公众出行都具有至关重要的意义。
随着信息技术的不断发展，多源数据的获取变得日益便捷，为交通流量的预测提供了更丰富、更全面的信息支持。
基于多源数据的交通流量预测模型研究逐渐成为交通领域的热门课题。
多源数据包括但不限于以下几种类型。
首先是传感器数据，如道路上的环形检测器、微波检测器等设备所采集的实时车速、车流量等信息。
这些数据能够直接反映道路的使用状况，但由于检测设备的覆盖范围有限，可能存在数据缺失的情况。
其次是视频监控数据，通过摄像头获取道路上的车辆图像，经过图像处理技术可以提取车辆的数量、类型等信息。
不过，视频监控数据的处理较为复杂，且受天气、光照等因素的影响较大。
再者是移动终端数据，如手机的定位信息、车载导航数据等。
这些数据能够反映出行者的轨迹和出行习惯，但数据的准确性和隐私保护是需要重点关注的问题。
此外，还有公交卡数据、出租车轨迹数据等，它们都从不同的角度为交通流量的预测提供了有价值的线索。
在利用多源数据进行交通流量预测时，面临着诸多挑战。
首先是数据的融合问题。
由于不同来源的数据格式、精度、采集频率等存在差异，如何将这些数据有效地融合在一起，以获得全面、准确的交通状态信息是一个关键难题。
其次是数据的噪声和异常值处理。
实际采集到的数据可能存在误差、缺失或异常值，需要采用合适的方法进行清洗和修复，以保证数据的质量。
另外，交通系统是一个复杂的动态系统，具有非线性、时变性和不确定性等特点，传统的预测方法往往难以准确描述其内在规律。
为了解决上述问题，研究人员提出了各种各样的预测模型和方法。
一种常见的方法是基于统计学的模型，如时间序列分析、回归分析等。
时间序列分析方法通过对历史数据的分析，建立数据的时间依赖关系，从而进行预测。
回归分析则通过建立交通流量与其他相关因素（如时间、天气、节假日等）之间的数学关系来预测未来的流量。
基于大数据的交通流量模型与预测技术研究
基于大数据的交通流量模型与预测技术研究交通流量是城市交通运行的重要指标之一，研究和预测交通流量对于合理规划交通网络、提高交通运行效率具有重要意义。
随着大数据技术的发展，基于大数据的交通流量模型和预测技术被广泛应用。
本文将对基于大数据的交通流量模型与预测技术进行研究和探讨。
一、大数据在交通流量模型中的应用1. 数据源的丰富性大数据技术能够处理各种类型的数据，包括传感器数据、移动手机信令数据、出租车GPS轨迹数据等。
这些数据来源广泛，具有时空属性明显，可以提供交通流量建模所需的基础信息。
2. 数据采集与处理基于大数据的交通流量模型的关键是如何高效地采集和处理数据。
利用传感器、摄像头、卫星定位等技术，可以实时采集交通流量数据。
同时，借助大数据技术，可以对采集到的大规模数据进行存储、处理和分析，以提取有用的信息。
3. 数据挖掘与分析针对交通流量数据的特点，可以使用数据挖掘和机器学习算法进行分析。
通过对历史数据的挖掘，可以建立交通流量模型，并预测未来的交通情况。
此外，还可以通过数据分析技术挖掘出交通流量的规律和变化趋势，为交通管理者提供决策支持。
4. 模型构建与优化基于大数据的交通流量模型的构建过程一般包括动态交通模型和驾驶行为模型。
动态交通模型用于描述交通系统的状况和性能，而驾驶行为模型则可以用来预测驾驶员的行为和交通流量的变化。
通过对模型的构建和优化，可以准确地预测交通流量，从而优化交通系统的运行和管理。
二、基于大数据的交通流量预测技术1. 基于统计模型基于统计的交通流量预测技术将历史数据和实时数据作为输入，通过建立数学模型对交通流量进行预测。
常用的统计模型包括回归分析、时间序列分析、灰色系统模型等。
这些模型通过分析历史数据中的交通流量变化规律，预测未来交通流量的趋势和水平。
2. 基于机器学习的模型机器学习技术可以通过对大量的历史数据进行学习，自动提取特征并进行模型训练，以实现对未来交通流量的预测。
常用的机器学习算法包括支持向量机、神经网络、决策树等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
２ 高 速路 交通流 量预 测原 理
２．１ 预 测 数 学 模 型 高速路交通系统是一个时变 、非线性 系统 。从基本结
构上来看 ，交通流量 （ｔ）具有周期性 ，同时也存 在 由于天气 、 拥堵 、车祸 、道路维修等引起 的非周期分量 ，可表示为
—
１９４ 一
（ｔ） ＝ ｃ（ｔ）＋ （ｔ）
（１） 差 的模 型被称为异方差模型 ¨ ， ］。
ＡＢＳＴＲＡ ＣＴ ：Ｔｏ ｉｍ ｐｒｏｖｅ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｈｉｇｈ— ｗａｙ ｔｒａｆｆ ｉｃ ｆ ｌｏｗ ｆｏｒｅｃａｓｔｉｎｇ， ａ ｈｙｂｒ ｉｄ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ ｗａｓ ｐｕｔ ｆｏｒ－ ｗａｒｄ ｂａｓｅｄ ｏｎ ｔｈｅ ｔｒａｆｆｉｃ ｄａｔａ ｆｅａｔｕｒｅｓ．Ｔｈｅ ａｐｅｒ ｉｏｄｉｃ ｄａｔａ ｗｅｒｅ ｄｅｃｏｍｐｏｓｅｄ ｗｉｔｈ ＥＥＭＤ ｔｏ ｍａｘｉｍｉｚｅ ｔｈｅ ｉｎｆｏｒ ｍ ａｔｉｏｎ． ＧＡＲＣＨ ｅｆｆｅｃｔ ｗａｓ ｔｅｓｔｅｄ ｏｎ ｔｈｅ ｄｅｃｏｍｐｏｓｅｄ ｃｏｍｐｏｎｅｎｔｓ． Ｔｈｅｎ ａ ｈｙｂｒ ｉｄ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ ｗａｓ ｅｓｔａｂｌｉｓｈｅｄ ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｔｅｓｔ ｒｅｓｕｌｔｓ．Ｔｈｅ ｃｏｎｔｒａｓｔｉｖｅ ｅｘｐｅｒｉｍｅｎｔｓ ｂａｓｅｄ ｏｎ ｔｈｅ ｈｙｂｒｉｄ ｍｏｄｅｌ，ｔｈｅ ｔｒａｄｉｔｉｏｎａ ｌ ＥＥＭＤ —ＡＲＭＡ ｍｅｔｈｏｄ ａｎｄ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｍ ｏｄｅｌ ｗｅｒｅ ｃａｒｒｉｅｄ ｏｕｔ ｕｓｉｎｇ ｔｈｅ ａｃｔｕａｌ ｔｒａｆｆｉｃ ｆ ｌｏｗ ｄａｔａ ｏｎ Ｃｈｅｎｇｄｕ ｆｒｅｅｗａｙ．Ｔｈｅ ｒｅｓｕｈｓ ｓｈｏｗ ｔｈａｔ ｔｈｅｒｅ ｉｓ ｏｂｖｉｏｕｓ ＧＡＲＣＨ ｅｆｆｅｃｔ ｏｎ ｔｒａ ｆｆｉｃ ｆ ｌｏｗ ｄａｔａ ａｎｄ ｔｈｅ ｍ ｏｄｅｌ ｐｒｏｐｏｓｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ ｈａｓ ｓｍａｌｌｅｒ ｖａｌｕｅ ｉｎ ＭＡＰＥ ａｎｄ ＭＳＥ ａｎｄ ｐｅｒｆｏｒｍ ｓ ｂｅｔｔｅｒ ｉｎ ｓｔａｂｉｌｉｔｙ． ＫＥＹＷ ＯＲＤＳ：ＧＡＲＣＨ；Ｔｒａｆｆｉｃ ｆｌｏｗ；Ｈｙｂｒ ｉｄ ｍｏｄｅｌ；ＥＥＭＤ
第３３卷 第０２期
文 章 编 号 ：１００６—９３４８（２０１６）０２—０１９４—０４
计 算 机 仿 真
Hale Waihona Puke ２０１６年２月 关 于 交 通 流 量 数 据 预 测 建 模 研 究
王秋 平 ，舒 勤 ，黄宏 光
（四川 大学电气信息学 院，四川 成都 ６１００６５）
摘要 ：研究 高速路交通流量预测建模问题 ，交通流量数据不仅具有周期性还具有波动性。 由于交通流量存在 随机性 ，传统模 型只反映了交通流量一部分信息 ，预测准确度较低。为了提高高速路交通流量预测精度 ，结合交通流量数据特性 ，提 出了一 种新的混合 预测方法 。采用 ＥＥＭＤ分解非周期分量 ，使其 信息最大化 ，对分解 出的分量进 行 ＧＡＲＣＨ效应检验 。根 据检验 结果建立了混合预测模 型。针对成都市某高速路的实测交通流量数 据，采用混合预测模 型与 ＥＥＭＤ—ＡＲＭＡ模 型 、神经 网 络模型进行对比实验 。实验结果表 明，高速路交通流量的非周期 分量存在 明显 的 ＧＡＲＣＨ效应 ，相 比于传统 模型 ，混合模型 的预测平均误 差和均方误差小 ，预测精度高且稳定。 关键词 ：广义 自回归条件异方差 ；交通流量 ；混合模型 ；集合经验模态分解 中 图 分 类 号 ：ＴＰ３９１．９； 文 献 标 识 码 ：Ｂ
ｌ 引言 短 期 交 通 流 量 预 测 是 智 能 交 通 系 统 的一 个 重 要 组 成 部
分 ，一个实 时并精确 的交通 流量 预测模型对 于旅客 出游 和管 理者进行决策都具有重大意 义 Ｊ。 目前 ，国内外 存在 的高 速路流量预测方法可 以分为两类 ：①基 于数 学分析 的模 型 ，如卡 尔曼 滤波 、自回归滑 动平 均 （ＡＲＭＡ）等 。此 类方 法 根据未来数据和历 史数 据的相 关性 建立模 型。②工 智 能模 型 ，如神 经网络技 术 、支持 向量机等 。此类方法是 根据 “训练 与学 习”过程来 达到精确 预测的 目的。 由于受到 天气 、车祸 、 节假 日等 因素 的影 响 ，高速路交通流量 系统 本质上是 一个非 线性 时变 系统 ，高速路流量预测仍然具 有很大 的挑战 。从整
Ｓｔｕｄｙ ｏｎ ＧＡＲＣＨ Ｅｆｅｃｔ ｉｎ Ｔｒａｆｉ ｃ Ｆｌｏｗ Ｄａｔａ ａｎｄ Ｐｒｅｄｉｃｔｉｏｎ Ｍ ｏｄｅｌ
ＷＡＮＧ Ｑｉｕ—ｐｉｎｇ，ＳＨＵ Ｑｉｎ，ＨＵＡＮＧ Ｈｏｎｇ—ｇｕａｎｇ
（Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ，Ｓｉｃｈｕａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ Ｓｉｃｈｕａｎ ６１００６５，Ｃｈｉｎａ）
基金项 目：四川省交通科技项 目（２０１３ｃ７—１） 收稿 日期 ：２０１５—０３—１９ 修回 日期 ：２０１５—０４—１２
体上看 ，交通 流量 具有 以 日为周 期 的周期性 ，但 同时也存 在 非周期性 。运用 以上模 型很 难全 面反 映出高 速路交 通流 量 特性 ，不 能保 证对 任何 时 刻 的交 通流 量均 具有 较 好 的预 测 精 度 。