文献综述
（一）问题的提出
社会经济的飞速发展与我国人口的急剧增加，直接带来了快速增长的出行需求，高速公路作为城市间互相联通的重要纽带，在我国交通网络中起到了重要作用。
而就目前高速公路道路运行状况而言，道路系统的管理缺乏科学性，已有的监控系统和信息采集系统利用不足；实时交通信息系统的研究和应用不够完善，使得出行者难以获得及时、准确的信息等。尽管高速公路路网规模的逐渐扩大在一定程度上缓解了高速公路交通拥堵状况，但在我国有限的资源、环境压力下，单纯地依靠道路基础设施的建设并不能解决实质性的问题。
针对上述问题，急需建立一套与道路状况相适应的分析方法，充分利用已有的信息采集系统，发挥交通监控系统的作用，提高高速公路道路运营管理水平，朝着智能化、自动化的方向发展，进而提高交通效率，减少能耗，提供快速、安全、舒适的行车环境。如何准确、快速、持续对高速公路交通流状态预测成为亟待解决的交通难题。本课题以高速公路为研究对象，利用海量的交通流表征参数运行数据，构建出交通状态划分的相对标准及实时交通状态预测模型，主要针对拥堵状况预测。对高速公路交通流的控制与管理，具有重要的研究意义与应用价值。
（二） 研究背景与现状
目前国内外有不少学者在从事交通流状态预测的研究工作，并建立了一些合理的预测方法，根据原理不同，这些方法主要可以分为三类：
第一类是基于解析数学的方法，包括历史趋势方法、指数平滑方法、随机性时间序列方法(主要为ARIMA方法)、卡尔 曼滤波方法等，它们的原理都是建立在数理统计中回归和时间序列预测基础上的，用解析数学方法来描述状态变量的变化趋势。雷毅等人为提高预测精度,提出一种基于流形距离（MD）的K近邻-长短期记忆高速公路短时交通流预测模型。该模型利用流形相似性分析高速公路交通流的时空特性,计算多站点与目标站点之间的流形距离。然后,采用改进的KNN算法筛选出空间相关站点构造交通流数据集,通过LSTM模型提取时序特征得出预测结果。周宏、刘钊以高速公路短时交通流的特征为基础,基于最优化理论提出了利用时间序列方法构建组合预测模型,提出的组合预测模型是由常用的差分自回归移动平均（ARIMA）和季节性差分自回归移动平均（SARIMA）构成的，验证了组合预测模型的有效性和精确性,这对高速公路实现主动式管理具有重要实践意义。
第二类是基于知识的智能方法，包括非参数回归方法、人工神经网络方法、支持向量机方法、灰色预测方法等，其特点是所采用的方法不追求严格意义上的数学推导和明确的物理意义，而更重视对真实交通流现象的拟合效果。戢晓峰、戈艺澄利用深度学习的理论框架建立了LSTM-SVR预测模型,利用BP神经网络对样本数据进行处理,再将LSTM捕获的数据特征输入SVR回归层中实现节假日高速公路交通流预测。李德志基于深层卷积神经网络和独立循环神经网络的网络模型,对交通流预测展开探索,构建了三种深度学习方法。分别为1)基于ResNet的交通流预测算法2)基于DenseNet的交通流预测算法及3)基于IndRNN的交通流预测算法。ResNet以残差模块作为基本特征提取模块,能有效地提取出交通流量数据的隐藏特征;DenseNet在ResNet的基础上,借助DenseBlock对多层特征的重复利用,增强了特征提取的广泛性和有效性;而IndRNN相对于传统RNN能够更好的处理梯度消失、梯度爆炸等问题,并且结合ReLU激活函数,堆叠多层网络,搭建更深的网络,有效学习时序信息。但IndRNN网络在交通流预测的时序性学习方面显示出良好的性能,但是依然存在无法有效学习原始数据高层隐藏特征的问题。
第三类是复合预测方法，主要是将两种或两种以上预测方法进行组合及融合应用，包括KARIMA算法、小波卡曼滤波方法、小波神经网络方法等，该类方法的特点是将在不同角度上反映实际问题的单一方法采用一定的方式组合起来，以综合利用各单一方法中的有用信息，全面地认识系统。成云针对交通流数据同时包含了非线性规律与线性规律,提出了一种基于小波神经网络（WNN）与差分自回归滑动平均（ARIMA）组合模型的交通流预测方法进行仿真模拟。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
