9、基于深度学习的短期交通干扰预测

基于深度学习的短期交通干扰预测

1. 引言

快速的城市化、人口增长和车辆使用的增加带来了社会和环境问题，如道路交通拥堵、空气质量差和环境退化。过去五十年来，人们最初通过建设新道路、拓宽现有道路、提供交通信息和多模式（公共交通）选择来解决这些问题。但随着需求饱和和道路空间短缺，现在的重点已从建设新基础设施转向更有效地利用现有基础设施。智能交通系统（ITS）应用因此成为避免或缓解交通拥堵的重要选择。

准确而可靠的短期交通变量（如交通流量、占有率、速度、行驶时间和交通状态）预测是先进出行者信息系统和城市交通控制等 ITS 应用的关键组成部分，这些应用需要主动的交通信息来有效改善服务。交通预测旨在识别速度、流量和行驶时间等进一步的交通数据，短期交通信息的提供有助于交通运营商了解当前交通状况，制定更精细的策略来缓解交通问题，并为驾驶员提供实时交通建议。因此，交通预测模型的准确性和可靠性至关重要。

道路交通状况与相关路段和走廊的交通变量密切相关，影响交通状况的因素可分为交通需求和交通供应两类。交通需求影响使用道路网络的车辆或出行者数量，交通供应反映道路设施和基础设施的可用容量。交通需求因素包括季节效应、网络效应、人口特征和交通信息等，交通供应受计划和非计划事件、天气条件、道路几何形状和动态交通管理等影响，且这些因素相互重叠和依赖。

城市交通拥堵状态一般可分为经常性拥堵（RC）和非经常性拥堵。大量研究集中在经常性拥堵的交通状态估计和基于交通数据的预测上，因为大多数经常性拥堵是由高峰时段特定地点的高车辆流量引起的，易于网络运营商提前监测和预测。非经常性交通拥堵有时由意外干扰（如交通事故、恶劣天气条件和计划事件）引起，这些干扰会导致交通模式突然变化和道路容量相应减少。一些研究虽