2025, Vol. 42扩展功能
文章信息
- 肖光年, 王逸群, 蔡兆运.
- XIAO Guangnian, WANG Yiqun, CAI Zhaoyun
- 基于机器学习的交通流预测研究综述
- Review on machine learning based traffic flow prediction
- 公路交通科技, 2025, 42(10): 145-160
- Journal of Highway and Transportation Research and Denelopment, 2025, 42(10): 145-160
- 10.3969/j.issn.1002-0268.2025.10.006
-
文章历史
- 收稿日期: 2025-01-02
引用本文 |
, 2. 香港大学 工学院, 香港 999077
2. Faculty of Engineering, University of Hong Kong, Hong Kong 999077, China
随着城市化进程的加速和机动车保有量的持续增长，交通拥堵、事故频发、环境污染等问题日益凸显，成为制约城市发展的重大挑战。为了有效应对这些挑战，智能交通系统(Intelligent Transportation Systems, ITS)应运而生，通过集成先进的信息技术、数据分析技术和人工智能技术，进行实时交通流预测和动态交通信号控制，优化路网通行效率，降低尾气排放，从而有效缓解交通拥堵和城市空气污染问题; 通过车路协同技术和实时事故预警系统，及时发现潜在的安全隐患，降低交通事故率，为交通管理提供了全新的解决方案。作为智能交通系统的核心组成部分，准确的交通流预测在优化交通资源配置、缓解交通拥堵[1]、提升出行体验等方面发挥着关键作用。
近年来，国内外学者在交通流预测领域进行了大量研究，取得了显著进展。在以往发表的综述中，2018年，Nagy[2]首先就参数和非参数模型的预测方法解决智慧城市中的交通管理问题，发现非参数模型中不同的神经网络最受欢迎。2019年，Do[3]展示了不同类型的神经网络如何用于短期交通状态预测的不同方面。2021年，Kaffash[4]基于1997至2019年期间的586篇论文，通过整合模型和应用深入探讨了大数据算法在智能交通系统中的应用。Yin[5]从多个角度对基于深度学习的交通预测方法进行全面综述，收集整理了一份公开可用的交通数据集的综合列表。2022年，Boris[6]回顾了用于城市地区交通流量预测分析的智能技术，研究表明基于深度学习和混合算法的模型优于传统模型。孟闯[7]就统计模型、机器学习和深度学习模型对各类交通流预测方法进行综述。Shaygan[8]全面概述了交通预测中使用的各种数据类型及其局限性，总结了经典与前沿的交通预测方法，进而提供了一个系统的分类法。2023年，姚俊峰[9]从断面和区域交通流预测方面入手，综述了机器学习在交通流预测领域的研究进展与未来发展方向。Chen[10]以1 697篇(1995至2022年)交通工程领域文献为数据来源，从数据、模型、应用等角度分析了人工智能在交通领域中的机遇和挑战，发现数据缺失、数据异常、数据异构融合是未来构建模型之前待处理的问题之一。
尽管当前机器学习技术飞速发展，关于交通流预测方法的综述研究也愈来愈多，但仍存在一些不足。基于机器学习的交通流预测综述大多以整理对比各类预测方法为主，叙述方式多以文字表达为主，而缺少可视化方法以提供直观形象的研究现状。因此，本研究旨在综述智能交通领域基于机器学习的交通流预测最新研究进展，探讨其关键技术、方法体系及面临的挑战与未来发展趋势, 通过可视化方法系统梳理该领域的发展，更好地理解交通流预测方法在该领域的重要性，以期为智能交通系统的持续创新与发展提供理论参考。
1 方法与数据 1.1 文献统计方法文献计量学方法由英国情报学家Alan Pritchard于1969年首次提出，是一种文献综述方法，它使用统计学对特定领域已发表的文章进行全面的定量分析[11]。这种分析允许对研究领域的当前状态、主题和前沿进行数据映射，将大型数据集可视化，有助于了解该领域的结构和动态特征[12]。与其他文献综述方法相比，文献计量学的优势在于它能产生更客观、更可靠的结果。本研究构建了一个综合分析框架，对2003至2023年发表的基于机器学习的交通流预测相关研究进行分析和可视化，如图 1所示。在本研究中，文献计量分析包括5个方面，即年度发表数量分析、源期刊分析、协作网络分析、参考文献共引分析、关键词共现分析。
|
| 图 1 文献综述框架 Fig. 1 Literature review framework |
| |
1.2 数据收集
Web of Science是科睿唯安(Clarivate)旗下的前沿信息服务平台，收录了全球最重要、最具开创性的研究项目，已成为世界公认的科学指标和评估的领先检索工具[13]。本研究使用来自Web of Science核心集合中的SSCI和SCI扩展数据库作为综述的数据来源。
1.3 信息检索关于主题检索词“交通流预测”，如Ahmed[14]的研究结果所证明的那样，它并不一定涵盖所有关键词，因此本研究选择了一些与主题密切相关的关键词以提高检索数据的广度。文献检索的相关参数如表 1所示。根据检索参数，从Web of Science核心合集中共下载了649篇文献，其中部分文献与通信网络领域的流量预测相关，因此手动筛选剔除了98篇与交通领域不相关的文献。最终，确定了551篇文献，包括537篇研究文献和14篇综述。
| 参数 | 内容 |
| 数据库 | Web of Science核心合集中的SCI-Expanded和SSCI |
| 时间跨度 | 2003至2023年 |
| 文献语言类型 | 研究文献或综述语 |
| 检索字段 | transportation，intelligent transportation，intelligent transportation system，ITS，traffic flow，traffic flow prediction，traffic flow forecasting，statistics，machine learning，deep learning，neural net* |
| 注：*表示模糊搜索。 | |
2 文献统计结果和分析 2.1 年度发表趋势
在智能交通领域，基于机器学习的交通流预测研究近年来受到了广泛关注，其研究成果的年度发表趋势成为衡量该领域发展动态的重要指标[15]。基于现有文献数据，对2003至2023年间基于机器学习的交通流预测相关文献的年度研究趋势进行可视化展示和分析。根据统计，在2003至2009年这一阶段的研究成果较少，年度发表数量均低于2篇，其主要原因可能是机器学习技术在交通领域的应用尚未成熟，相关研究多处于探索阶段。随着机器学习技术的快速发展和智能交通系统的广泛应用，自2010年起该领域的研究逐渐进入快速发展期，如图 2所示。2010年文献数量为3篇，标志着该研究方向的初步兴起。自2018年起，文献数量开始稳步增长，并在接下来的几年中持续攀升。2022年和2023年显示出了强劲的发展势头，文献数量分别达到137篇和136篇。
|
| 图 2 2010至2023年基于机器学习的交通流预测研究的年度发表趋势 Fig. 2 Annual publication trends of machine learning based traffic flow prediction research from 2010 to 2023 |
| |
2.2 源期刊的统计分析
文献数据涵盖了152个不同期刊，为更加清晰直观地展示当前的研究现状，列出了2003至2023年在交通流预测领域文献数量占据前10位的期刊，如表 2所示。h指数(h-index)从基于Scopus的SJR网站查询得到，反映了该期刊在交通领域的影响力。排名前10位期刊的总文献数量占检索文献数量的46%，其中IEEE Transactions on Intelligent Transportation Systems以67篇文献数量和h指数201占据了该领域的核心地位。
| 排名 | 期刊名称 | 文献数量/ 篇 | 百分比/ % | h指数 |
| 1 | IEEE Transactions on Intelligent Transportation Systems | 67 | 10.47 | 201 |
| 2 | IEEE Access | 41 | 6.41 | 242 |
| 3 | Transportation Research Part C: Emerging Technologies | 25 | 3.91 | 180 |
| 4 | Sustainability | 20 | 3.13 | 169 |
| 5 | Transportation Research Record | 20 | 3.13 | 149 |
| 6 | Journal of Advanced Transportation | 19 | 2.97 | 62 |
| 7 | Sensors | 19 | 2.97 | 245 |
| 8 | Applied Sciences | 17 | 2.66 | 130 |
| 9 | Expert Systems with Applications | 14 | 2.19 | 271 |
| 10 | IET Intelligent Transport Systems | 12 | 1.88 | 64 |
2.3 协作网络分析 2.3.1 作者协作分析
仔细研究文献作者身份可以帮助学者们深入了解交通流预测领域的应用和发展[16]。本研究收集了2003至2023年基于机器学习的交通流预测领域最具影响力的作者，如表 3所示。排名前10位中有9位均来自中国，这与中国在智能交通领域的具体政策和一系列驱动因素是分不开的。中国《交通强国建设纲要》《新型智慧城市发展行动计划》等战略的提出，为智能交通领域的研究和发展提供了强有力的政策支持和资金保障。
| 排名 | 作者 | 文献数量/篇 | h指数 |
| 1 | 周腾 | 10 | 22 |
| 2 | 冉斌 | 7 | 44 |
| 3 | Azzedine Boukerche | 6 | 48 |
| 4 | 李林超 | 5 | 23 |
| 5 | 吕宜生 | 4 | 29 |
| 6 | 柯锐岷 | 4 | 20 |
| 7 | 马昌喜 | 4 | 28 |
| 8 | 唐进君 | 4 | 35 |
| 9 | 刘志远 | 4 | 33 |
| 10 | 王飞跃 | 4 | 79 |
为进一步了解作者在交通流预测领域的合作紧密程度及主要合作群体，本研究使用了VOSviewer软件1.6.20版本构建了作者协作网络。2003至2023年至少发表 3篇以上文献的作者协作网络图如图 3所示。由图可见，网络中存在几个明显的聚类，这些聚类代表了不同的研究团队或合作群体。值得关注的是，王印海与唐进君早在2013年就开启了交通领域的合作研究，截至2023年底共合作37次，聚焦于交通流量预测方法、出行行为及需求预测分析等方向[17-19]。然而，随着后续研究的深入，二者各自与其他不同的作者群体形成了更紧密的合作联系，因此在当前基于整体合作网络的聚类中，分属于不同的研究聚类，这也反映出该领域作者合作网络随研究发展而呈现的动态演化特征。
|
| 图 3 作者协作网络图 Fig. 3 Collaboration network of authors |
| |
2.3.2 机构单位合作分析
本综述中包括的551篇文献分别由767个不同的机构单位合作发表。2003至2023年在智能交通研究领域表现较积极的机构单位汇总如表 4所示。排名前10位的机构单位全部来自中国，占全部数据来源的近27%。由表 4可见，其中9所高校单位发表数量均大于10篇，其中东南大学、北京交通大学和中国科学院在智能交通领域的研究协作中处于核心地位。为了分析智能交通领域机构单位间的协作情况，展示了2003至2023年至少发表 4篇以上文献的机构单位协作网络，如图 4所示。从项目规模来看，共有15所机构单位与中国科学院建立了合作关系，其次是东南大学和北京航空航天大学。在全球化背景下，预计这些顶级机构单位之间的合作将进一步加强，共同推动基于机器学习的交通流预测技术的发展。
| 排名 | 机构单位 | 文献数量/篇 | 占比/% |
| 1 | 东南大学 | 25 | 4.54 |
| 2 | 北京交通大学 | 21 | 3.81 |
| 3 | 中国科学院 | 20 | 3.63 |
| 4 | 香港理工大学 | 16 | 2.90 |
| 5 | 北京航空航天大学 | 13 | 2.36 |
| 6 | 浙江大学 | 12 | 2.18 |
| 7 | 清华大学 | 11 | 2.0 |
| 8 | 长安大学 | 11 | 2.0 |
| 9 | 北京理工大学 | 10 | 1.81 |
| 10 | 深圳大学 | 9 | 1.63 |
|
| 图 4 机构单位协作网络图 Fig. 4 Collaboration network of organizations |
| |
2.3.3 国家合作分析
2003至2023年间，60个国家通过在Web of Science核心数据库中发表文献为智能交通领域的研究做出贡献。按文献数量排名前10位的国家如表 5所示。中国在交通流预测应用领域贡献的数量远高于其他国家，占所有文献的60%。中国高度重视科技创新和智能交通系统的发展，特别是在2022年3月提出推动智慧交通与智慧城市协同发展[20]。
| 排名 | 国家 | 文献数量/篇 | 占比/% |
| 1 | 中国 | 332 | 60.25 |
| 2 | 美国 | 102 | 18.51 |
| 3 | 印度 | 42 | 7.62 |
| 4 | 澳大利亚 | 29 | 5.26 |
| 5 | 加拿大 | 25 | 4.54 |
| 6 | 沙特阿拉伯 | 23 | 4.17 |
| 7 | 英国 | 20 | 3.63 |
| 8 | 韩国 | 17 | 3.09 |
| 9 | 巴基斯坦 | 12 | 2.18 |
| 10 | 新加坡 | 10 | 1.81 |
2003至2023年至少发表 3篇文献的国家协作网络如图 5所示。其中，中国共与23个国家合作，链路总强度达到130篇。部分国家的文献数量较少，与其他国家的合作强度也较低，一方面，可能归因于各国之间的合作通常涉及知识产权的分享和利益分配；另一方面，不同国家可能持有不同的交通标准和规范，在数据获取方面可能对跨国界的合作构成潜在障碍。
|
| 图 5 国家协作网络图 Fig. 5 Collaboration network of countries |
| |
2.4 参考文献共引分析
参考文献的共引分析可以识别对交通流预测领域产生重大影响的核心论文[10]。总引用数不小于15篇的参考文献共引网络图如图 6所示。其中，包含135个节点和7 166个链接。图中的链接表示参考文献之间的共引关系，链接的粗细表示参考文献之间的共引强度。2003至2023年总引用数最高的前10篇文献的基础信息如表 6所示。这10篇文献自2013至2023年的共引趋势如图 7所示。
|
| 图 6 参考文献共引网络图 Fig. 6 Network of reference co-citation |
| |
| 排名 | 题目 | 第一作者及发表年份 | 期刊 |
| 1 | Traffic flow prediction with big data: A deep learning approach | Lv，2015 | IEEE Transactions on Intelligent Transportation Systems |
| 2 | Learning traffic as images: A deep convolutional neural network for large-scale transportation network speed prediction | Ma，2017 | Sensors |
| 3 | Deep architecture for traffic flow prediction: Deep belief networks with multitask learning | Huang，2014 | IEEE Transactions on Intelligent Transportation Systems |
| 4 | Big data analytics in intelligent transportation systems: A survey | Zhu，2019 | IEEE Transactions on Intelligent Transportation Systems |
| 5 | Statistical methods versus neural networks in transportation research: Differences, similarities and some insights | Karlaftis，2011 | Transportation Research Part C: Emerging Technologies |
| 6 | A hybrid deep learning based traffic flow prediction method and its understanding | Wu，2018 | Transportation Research Part C: Emerging Technologies |
| 7 | A gradient boosting method to improve travel time prediction | Zhang，2015 | Transportation Research Part C: Emerging Technologies |
| 8 | Graph neural network for traffic forecasting: A survey | Jiang，2022 | Expert Systems with Applications |
| 9 | LSTM-based traffic flow prediction with missing data | Tian，2018 | Neurocomputing |
| 10 | On the assessment of vehicle trajectory data accuracy and application to the next generation SIMulation (NGSIM) program data | Punzo，2011 | Transportation Research Part C: Emerging Technologies |
|
| 图 7 2013至2023年被引用数排名前10位参考文献的共引趋势 Fig. 7 Co-citation trends of top 10 most cited references from 2013 to 2023 |
| |
通过分析表 6，可以发现3个关键点。
(1) 深度学习方法的兴起与发展
排名前3位的文献均聚焦于深度学习在交通流预测中的应用，这表明自2014年以来，深度学习方法逐渐成为该领域的主流研究方向。特别是Lv[26]提出的基于大数据的深度学习框架，为交通流预测提供了新的研究范式，预示着交通流领域进入快速发展阶段，与第2.1节的年度发表趋势分析相呼应。此外，排名第9位的文献进一步探索了长短期记忆网络在缺失数据条件下的应用，体现了深度学习在处理复杂交通数据中的优势。
(2) 大数据技术与传统方法的融合
排名第4位的文献对智能交通系统中的大数据分析技术进行了全面综述，反映了大数据技术在交通领域的广泛应用。与此同时，排名第5位的文献分别对比了统计方法与神经网络的优劣。排名第7位的文献提出了梯度提升方法，展示了传统统计方法与新兴大数据技术的融合趋势。这种融合不仅丰富了交通流预测的研究方法，还提高了预测精度和实用性。
(3) 复杂网络结构与数据质量的重要性
排名第6位和第8位的文献分别研究了混合模型和图神经网络在交通流预测中的应用，反映了近年来对复杂网络结构的深入探索。此外，排名第10位的文献评估了车辆轨迹数据的准确性，强调了高质量数据在交通流预测中的重要性。这些研究表明，随着交通数据的多样性和复杂性增加，数据质量和网络结构优化成为未来研究的重要方向。
2.5 关键词共现分析关键词是文章核心内容的简明摘要，以确定智能交通领域的主要研究集群[21]。为进一步分析2000至2023年交通流预测领域的主题演变特征，本研究对511篇文献进行了关键词共现分析，出现频率最高的15个关键词如表 7所示。首先，从关键词的出现次数来看，Deep Learning以208次的出现次数高居榜首，这充分说明了深度学习技术是交通流预测的核心研究问题，紧随其后的是Neural Network出现145次。此外，从平均发表年份来看，大部分关键词的平均发表年份均在2021年左右，这表明近年来交通流预测领域的研究较为活跃。
| 排名 | 关键词 | 出现次数/次 | 链接/篇 | 平均发表年份 | 平均引用数/次 |
| 1 | Deep Learning | 208 | 117 | 2021 | 53.6 |
| 2 | Neural Network | 145 | 108 | 2021 | 65.6 |
| 3 | Traffic Flow Prediction | 129 | 94 | 2021 | 71.8 |
| 4 | Models | 117 | 106 | 2021 | 69.8 |
| 5 | Intelligent Transportation Systems | 111 | 108 | 2021 | 47.8 |
| 6 | Machine Learning | 78 | 98 | 2021 | 48.0 |
| 7 | Traffic Flow | 77 | 90 | 2021 | 27.7 |
| 8 | Networks | 72 | 90 | 2021 | 27.5 |
| 9 | Prediction | 68 | 77 | 2021 | 32.9 |
| 10 | Predictive Models | 53 | 78 | 2022 | 43.6 |
| 11 | LSTM | 45 | 71 | 2022 | 34.1 |
| 12 | Systems | 41 | 77 | 2021 | 39.7 |
| 13 | Flow Prediction | 39 | 72 | 2021 | 77.6 |
| 14 | Transportation | 36 | 84 | 2021 | 48.4 |
| 15 | Convolutional Neural-Network | 34 | 63 | 2022 | 71.4 |
关键词共现网络如图 8所示，时间数据条仅表示年份。其中，最小出现阈值为6，包含99个节点、1 900个链接和5个集群。关键词以节点形式呈现，节点间的连线则揭示了它们之间的关联性和共现频率。从年份维度观察，可通过关键词的密集程度和新兴节点的出现推测出研究热点随时间的演进。例如，深度学习(Deep Learning)、神经网络(Neural Network)、数据模型(Models)等关键词作为基础技术，贯穿整个研究时段；而深色节点，如回归(Regression)、随机森林(Random Forest)、时间序列(Time Series)等是交通流预测早期的主要关键词；长短期记忆网络(Long Short-Term Memory Networks，LSTM)、图卷及网络(Graph Convolutional Network，GCN)等特定算法则在近年来逐渐凸显，成为研究焦点。
|
| 图 8 关键词共现网络图 Fig. 8 Co-occurrence network of keywords |
| |
随着大数据和人工智能技术的快速发展，传统的交通预测方法渐渐难以满足实际需求，学者们开始探索更为先进有效的预测技术和方法。由图 7可见，基于统计学、传统机器学习和深度学习这3方面，是该领域发展历程中三代方法论的研究热点。
3 研究热点分析随着技术和经济的持续进步，车辆数量逐年增加，为了应对交通拥堵，人们不断探索解决方案，包括加强基础设施建设[22]、增加警察数量[23]和实施限行措施等[24-25]。交通流预测是指利用历史交通数据，通过建立模型和算法预测未来交通流量的技术。自20世纪80年代初，交通流预测就成为大多数ITS研究和应用不可或缺的一部分。
3.1 基于统计学的交通流预测在基于统计学的交通流预测研究中，一种广泛使用的技术是基于时间序列方法[26]。1970年，《时间序列分析：预测与控制》一书被认为是时间序列分析发展的里程碑[27]。早在20世纪70年代，ARIMA模型就被用于预测短期高速公路交通流量[28]和地铁的流量预测[29]。多年来，ARIMA模型一直被用作许多变体的基础，在不同的应用场景中进行模型的扩展以提高预测的准确性。例如子集ARIMA模型[30]、具有解释变量的ARIMA(ARIMAX)[31]、ARMA模型[32]、季节性ARIMA(SARIMA)模型[33]、矢量ARMA(VARMA)模型[34]和时空ARIMA(STARIMA)模型[35]。然而，ARIMA模型通常是为小型数据集设计的，需要数据满足某些假设，而实时变动的交通数据太复杂，无法满足这些假设[5]。基于统计理论的参数模型预测方法还包括卡尔曼滤波[36]、改进的卡尔曼滤波器模型[37-39]及灰色预测法[40-41]。除了上述模型外，早期的时间序列预测统计方法还包括自回归模型[42]和指数平滑法[43]，这些方法的预测结果主要应用于交通控制系统。
基于统计学的交通流预测方法虽然具有模型计算简单、预测速度快、数据要求相对较低及可解释性强等优点，但传统的统计学方法在处理非线性、非平稳的交通流数据时存在一定的局限性[44]。例如，传统ARIMA模型无法处理具有缺失值和高方差的大数据，同时也难以捕捉交通状态数据的空间相关性，难以适应交通流数据的动态变化特性[45]。
3.2 基于传统机器学习的交通流预测与基于统计学的预测方法相比，传统机器学习方法在交通流预测中展现出了显著的优势，通过引入非线性建模能力，能够更好地捕捉交通流数据中的复杂模式。传统的机器学习方法主要可以分为基于特征模型、基于高斯过程模型和基于状态空间模型。
3.2.1 基于特征模型基于特征的模型主要通过挖掘交通流数据的特征来进行预测。最常用的就是支持向量回归(Support Vector Regression，SVR)，早在2007年，Cao[46]首次基于SVR模型通过改进的粒子群优化，对短期交通流进行预测；2024年，Omar[47]提出了直接粒子群优化网格搜索支持向量回归(Direct-PSOGS-SVR)模型。由于交通流的随机性和非线性特性，非参数方法包括集成学习方法梯度提升决策树(GBDT)[48]和随机森林算法[49]，也成为交通流预测领域的研究热点。基于特征模型的交通流预测方法依赖于手工提取的特征，其性能受限于数据质量的依赖和模型泛化的限制，难以实现实时预测[50]。例如，支持向量机在小样本数据上表现优异，但在大规模数据集上计算复杂度较高，且对噪声数据敏感[51]。
3.2.2 基于高斯过程模型高斯过程模型假设数据的生成过程服从高斯分布，并利用已有的观测数据来推断目标函数的后验分布。2006年，Sun[52]首次提出了一种基于贝叶斯网络的交通流预测新方法。2010年，Xie[53]首次提出了一种新颖的机器学习方法，即高斯过程模型。2022年，Jiang[54]提出了一种新的深度图高斯过程用于短期交通流预测。随着交通流量研究技术的发展，高斯过程模型也在与其他模型，如k最近邻法[55]、SVR[56]、贝叶斯[57]等结合的过程中不断发展和优化。但与基于特征的模型相比，高斯过程模型处理大规模数据集时计算复杂度高，对高维数据的处理能力有限，随着规模越来越大，减少训练时间将变得更加关键[45]。
3.2.3 基于状态空间模型基于状态空间模型的交通流预测方法利用历史交通流数据，通过对状态方程和观测方程的求解，得到未来时刻的交通流状态向量，从而实现对交通流的预测。Feng[58]分析了聚类后交通流时间序列的马尔可夫性质，还包括高阶多元马尔可夫链[59]及其他混合方法[60]。由于模型的求解过程遵循马尔可夫特性，这限制了其在复杂交通系统中的适用性。研究表明，马尔可夫模型在分析城市交通系统的瓶颈问题和捕捉交通流状态转移动力学方面存在一定空白，例如，在城市交通网络中，交通流的状态转移通常受到多种外部因素(如天气、事故等)的影响[60]，而传统的马尔可夫模型难以有效捕捉这些复杂关系。
3.3 基于深度学习的交通流预测深度学习模型可从海量交通数据中提取复杂的时空模式，解决了传统预测方法的局限性，从而为交通流预测领域带来了革命性的变化。这些模型针对交通流预测的具体需求，展现了各自的优势。卷积神经网络(Convolutional Neural Network，CNN)在处理空间数据方面的优势得到了广泛认可，尤其是在处理图像或基于网格的数据领域。Fritscher[61]提出了一种双流多通道卷积神经网络(TM-CNN)方法来预测多车道交通速度。与TM-CNN专注于局部路段的精确预测不同，Sun[62]提出了一种基于深度学习的多分支模型TFFNet交通流量预测网络，预测整个城市道路网络的短期交通状态。在时间序列数据建模中，循环神经网络(Recurrent Neural Network，RNN)展现了显著优势，LSTM作为一种RNN的变种被广泛应用。Méndez[63]提出了一种混合CNN-BiLSTM模型，尤其在高峰期交通流量的动态变化预测中展现了强大的适应性和准确性。相比基于网格的模型，GCN更适合用于建模道路网络的不规则结构和拓扑连接性[64]。该模型还整合了外部因素，如天气、事件和历史交通数据，尤其是在复杂路网中表现出较强的灵活性和鲁棒性[65]。
Transformer模型基于处理全局依赖关系和自我关注机制上的优势，尤其是基于时空注意力机制的Transformer方法[66]，在处理高峰期流量异常或突发状况时，展现了更高的准确性和鲁棒性[67]。在数据降维和异常检测方面，自编码器具有独特的优势。变分自编码器在此基础上引入概率建模，使其在数据稀疏或噪声较高的场景中表现尤为突出，在异常检测和数据恢复中展现了重要作用[68]。在实时适应能力方面，强化学习与深度学习架构的结合展现了独特的潜力。例如，基于强化学习的动态图卷积神经网络能够通过对实时交通状况的适应性调整，特别适用于动态交通管理和信号优化等场景[69]。胶囊网络(CapsNet)作为一种创新的深度学习模型，能够捕捉数据中的空间层次结构信息，例如，胶囊网络可以细致地描述车道间的相互影响，从而提供更详细的交通流动态信息[70]。未来，胶囊网络在多模式交通融合预测中的潜力值得进一步探索。
尽管深度学习模型在交通流预测领域取得了显著成效，但仍然存在若干局限性。首先，模型在高质量数据的依赖性上表现突出，例如，Shen[71]提出了一个图注意递归神经网络的交通数据填补模型。Chen[72]为短时交通流预测提供了有效、准确的去噪方法，但关于时空问题的块交通数据缺失、不平衡和噪声问题仍未得到完全解决。其次，深度学习模型通常计算复杂度较高，特别是在涉及大规模交通网络和实时预测的场景中，可能导致效率瓶颈。为了更清晰地总结统计学、机器学习和深度学习预测方法的优劣性，对3类方法进行了对比分析，如表 8所示。
| 类别 | 方法 | 优点 | 局限性 | 适用场景 |
| 统计学 | ARIMA、卡尔曼滤波、历史平均法、时间序列模型等 | 计算简单，易于实现；预测速度快，适合实时应用；对数据量要求低；可解释性强，模型透明 | 难以处理非线性、非平稳数据；对复杂时空关系的捕捉能力有限；对数据分布的假设严格，难以适应动态变化 | 短期交通流预测；数据量较小的场景；对实时性要求较高的场景 |
| 机器学习 | SVM、随机森林、GBDT、KNN、贝叶斯网络、马尔可夫模型等 | 非线性建模能力强，能够捕捉复杂模式；灵活性高，适用于多种数据类型；对中等规模数据表现良好 | 对数据质量依赖较高，噪声数据影响大；计算复杂度较高，尤其在大规模数据上；模型泛化能力有限，难以适应新场景 | 中等规模数据的交通流预测；需要较高预测精度的场景；非线性关系较强的交通数据 |
| 深度学习 | CNN、LSTM、GCN、Transformer、CapsNet等 | 能够从海量数据中提取复杂时空模式；预测精度高，尤其在长时间序列和大规模数据上；适应性强，可整合多源数据，如天气、事件等 | 对高质量数据依赖性强，数据缺失和噪声问题影响大；计算复杂度高，训练时间长；模型可解释性差，调参难度大 | 大规模交通网络的长期预测；复杂时空关系的建模；需要高精度预测的场景 |
4 交通流预测技术未来的挑战和机遇
在探索交通流预测技术的未来发展时，不可避免地会遇到一系列挑战，但正是这些挑战孕育着创新与变革的机遇。尽管深度学习等先进技术已经显著提升了交通流预测的精度与效率，但仍然存在一系列局限，构成制约预测性能提升的瓶颈。当前的挑战和未来的研究应聚焦于以下3个方向。
(1) 数据质量的提升与优化
数据质量问题仍是制约预测精度的重要因素。交通数据的缺失、不平衡和噪声等问题，直接影响模型训练效果和预测准确性。因此，如何有效处理这些数据问题，提高数据质量，将是未来研究的重要方向，包括：开发更高效的数据清洗和修复技术，解决数据缺失和噪声问题；探索数据增强方法，缓解数据不平衡问题；构建多源数据融合框架，整合来自不同传感器和平台的交通数据，提高数据的完整性和可靠性。
(2) 计算复杂度的优化与实时应用
深度学习模型在处理大规模交通网络和实时预测时，通常面临效率瓶颈。未来研究需要在计算复杂度方面进行优化，包括：优化模型结构，开发更强鲁棒性的预处理技术；探索轻量化模型，降低实时应用中的计算压力；将强化学习与深度学习进一步结合，构建具备动态响应与智能决策能力的交通管理系统。这些研究将有助于提升模型的实时性和实用性，为智能交通系统的实际应用提供技术支持。
(3) 模型泛化能力的提升
当前模型大多针对特定区域数据进行训练，难以直接应用于其他区域。提高模型的泛化能力，使其能够适应不同交通场景和条件，将是未来研究的重点之一。具体研究方向包括：开发跨区域、跨场景的通用模型框架；利用迁移学习和领域自适应技术，提升模型在新环境中的适应能力；构建基于大模型的交通流预测方法，通过大规模预训练提高模型的泛化性能。
5 未来展望展望未来，随着大数据、云计算、物联网等技术的不断发展，交通数据的采集和处理技术将更加成熟。未来研究将更加注重技术的创新和应用，以及跨学科的合作与融合。例如：(1)交通流预测技术与大数据、大模型技术的深度融合，通过构建交通大模型，实时分析处理海量交通数据，优化流量分配；(2)结合实时导航、多路径选择等智能交通系统应用，实现更精准的交通流预测结果，为智慧交通系统建设提供坚实的技术支撑。
6 结论本研究全面梳理了基于机器学习的交通流预测在智能交通领域应用的相关文献，并采用文献计量方法收集了2000至2023年间Web of Science核心数据库中的551篇文献，得出主要结论如下。
(1) 在2003至2023年间，尤其是自2018年以来，智能交通应用领域的文献数量迅速增长。与其他期刊相比，IEEE Transactions on Intelligent Transportation Systems，IEEE Access，Transportation Research Part C: Emerging Technologies等期刊在该领域具有卓越地位。基于作者协作网络分析发现，尽管有许多学者贡献了较多数量的文献，但该领域的学术合作仍主要局限于个人研究团队，跨团队及跨国合作的情况有限。对于未来的研究工作，加强团队间协作至关重要。根据对机构单位协作网络的分析发现，中南大学、北京交通大学、中国科学院和香港理工大学在智能交通方面发表了大量文献。未来机构单位间必须加强合作伙伴关系，共同推动研究成果的传播和利用。通过国家协作分析发现，中国是智能交通数据库中最重要的贡献者，VOSviewer构建的网络图突出了中国不仅在文献数量方面占据主导地位，在国际合作程度方面也占据主导地位。鉴于交通业固有的全球性，强调深化国际合作、利用互补知识库来推动交通流预测的研究是当前的关键。
(2) 通过参考文献共引分析表明，深度学习、神经网络等技术已成为交通流预测的核心研究议题，且近年来研究活跃度显著提升。关键词共现分析进一步揭示了研究主题和演变趋势，由高频关键词发现，与参考文献共引结论一致；由关键词共现网络图发现，该领域的研究热点随技术发展而演进，从统计学方法到传统机器学习，再到深度学习技术，形成了三代方法论。
(3) 在研究热点分析方面，本研究详细阐述了基于统计学、传统机器学习和深度学习的交通流预测方法。尽管统计学方法具有简单快速的优势，但在处理非线性、非平稳数据时存在局限。传统机器学习方法在一定程度上提高了预测精度，但仍受限于数据质量和模型泛化能力。相比之下，深度学习模型凭借强大的数据提取能力，为交通流预测带来了革命性变化，但未来研究还需聚焦于数据质量提升、模型优化与算法轻量化，增强模型泛化能力等，还需依托大数据、云计算等技术革新，深度融合大模型与交通流预测技术，以推动智能交通领域的持续创新与发展。
此外，必须承认本综述的局限性，值得未来进一步探索。首先，尽管进行了系统的文献综述过程，但依赖仅Web of Science数据库进行文献选择，将不可避免导致部分重要文献的遗漏。此外，检索词的选择仅限于所选文献的主题领域，可能会忽视智能交通领域当前面临的其他挑战，如数据安全问题和技术实现问题等。因此，未来研究应旨在利用更广泛的数据库，通过对来自不同来源的数据和信息进行全面分析，为智能交通领域的可持续发展提供更科学合理的建议。
| [1] |
CHENG Z, PANG M S, PAVLOU P A. Mitigating traffic congestion: The role of intelligent transportation systems[J].
Information Systems Research, 2020, 31(3): 653-674.
DOI:10.1287/isre.2019.0894 |
| [2] |
NAGY A M, SIMON V. Survey on traffic prediction in smart cities[J].
Pervasive and Mobile Computing, 2018, 50: 148-163.
DOI:10.1016/j.pmcj.2018.07.004 |
| [3] |
DO L N N, TAHERIFAR N, VU H L. Survey of neural network-based models for short-term traffic state prediction [J/OL]. WIREs Data Mining and Knowledge Discovery, 2019, 9(1): e1285. (2018-09-19) [2024-12-01]. https://doi.org/10.1002/widm.1285.
|
| [4] |
KAFFASH S, NGUYEN A T, ZHU J. Big data algorithms and applications in intelligent transportation system: A review and bibliometric analysis [J/OL]. International Journal of Production Economics, 2021, 231: 107868. (2020-07-21)[2024-12-01]. https://doi.org/10.1016/j.ijpe.2020.107868.
|
| [5] |
YIN X Y, WU G, WEI J Z, et al. Deep learning on traffic prediction: Methods, analysis, and future directions[J].
IEEE Transactions on Intelligent Transportation Systems, 2022, 23(6): 4927-4943.
DOI:10.1109/TITS.2021.3054840 |
| [6] |
BORIS M S, EDDY S D, PILAR P P, et al. Urban traffic flow prediction techniques: A review [J/OL]. Sustainable Computing: Informatics & Systems, 2022, 35: 100739. (2022-05-07)[2024-12-01]. https://doi.org/10.1016/j.suscom.2022.100739.
|
| [7] |
孟闯, 王慧, 林浩, 等. 道路交通流数据预测方法研究综述[J]. 计算机工程与应用, 2023, 59(14): 51-61. MENG Chuang, WANG Hui, LIN Hao, et al. Review of research on road traffic flow data prediciton methods[J]. Computer Engineering and Applications, 2023, 59(14): 51-61. |
| [8] |
SHAYGAN M, MEESE C, LI W X, et al. Traffic prediction using artificial intelligence: Review of recent advances and emerging opportunities [J/OL]. Transportation Research Part C: Emerging Technologies, 2022, 145: 103921. (2022-11-17) [2024-12-01]. https://doi.org/10.1016/j.trc.2022.103921.
|
| [9] |
姚俊峰, 何瑞, 史童童, 等. 基于机器学习的交通流预测方法综述[J]. 交通运输工程学报, 2023, 23(3): 44-67. YAO Junfeng, HE Rui, SHI Tongtong, et al. Review on machine learning-based traffic flow prediction methods[J]. Journal of Traffic and Transportation Engineering, 2023, 23(3): 44-67. |
| [10] |
CHEN Y, WANG W R, CHEN X M. Bibliometric methods in traffic flow prediction based on artificial intelligence [J/OL]. Expert Systems with Applications, 2023, 228: 120421. (2023-10-15) [2024-12-01]. https://doi.org/10.1016/j.eswa.2023.120421.
|
| [11] |
DONTHU N, KUMAR S, MUKHERJEE D, et al. How to conduct a bibliometric analysis: An overview and guidelines[J].
Journal of Business Research, 2021, 133: 285-296.
DOI:10.1016/j.jbusres.2021.04.070 |
| [12] |
ELLEGAARD O, WALLIN J A. The bibliometric analysis of scholarly production: How great is the impact?[J].
Scientometrics, 2015, 105(3): 1809-1831.
DOI:10.1007/s11192-015-1645-z |
| [13] |
ZHU J W, LIU W S. A tale of two databases: The use of web of science and scopus in academic papers[J].
Scientometrics, 2020, 123(1): 321-335.
DOI:10.1007/s11192-020-03387-8 |
| [14] |
AHMED S, ALSHATER M M, AMMARI A E, et al. Artificial intelligence and machine learning in finance: A bibliometric review [J/OL]. Research in International Business and Finance, 2022, 61: 101646. (2022-04-14)[2024-12-01]. https://doi.org/10.1016/j.ribaf.2022.101646.
|
| [15] |
裴玉龙, 何庆龄, 侯琳, 等. 基于文献计量分析的交通量预测研究综述[J]. 公路交通科技, 2023, 40(2): 171-181. PEI Yulong, HE Qingling, HOU Lin, et al. Review of studies on traffic volume prediction based on bibliometric analysis[J]. Journal of Highway and Transportation Research and Development, 2023, 40(2): 171-181. DOI:10.3969/j.issn.1002-0268.2023.02.021 |
| [16] |
XU C, YU D M, YANG H, et al. 20 years of economic corridors development: A bibliometric analysis[J].
Journal of Applied Economics, 2021, 24: 173-192.
DOI:10.1080/15140326.2021.1880246 |
| [17] |
LIANG J, TANG J J, LIU F, et al. Combining individual travel preferences into destination prediction: A multi-module deep learning network[J].
IEEE Transactions on Intelligent Transportation Systems, 2022, 23(8): 13782-13793.
DOI:10.1109/TITS.2021.3128153 |
| [18] |
TANG J J, LIANG J, LIU F, et al. Multi-community passenger demand prediction at region level based on spatio-temporal graph convolutional network [J/OL]. Transportation Research Part C: Emerging Technologies, 2021, 124: 102951. (2021-01-06) [2024-12-01]. https://doi.org/10.1016/j.trc.2020.102951.
|
| [19] |
ZHANG W B, ZOU Y J, TANG J J, et al. Short-term prediction of vehicle waiting queue at ferry terminal based on machine learning method[J].
Journal of Marine Science and Technology, 2016, 21(4): 729-741.
DOI:10.1007/s00773-016-0385-y |
| [20] |
DENG H M, ZHANG Y P, LI J, et al. Research on energy saving potential and countermeasures in China's transport sector[J].
Energy Reports, 2022, 8: 300-311.
|
| [21] |
YU D J, XU Z S, FUJITA H. Bibliometric analysis on the evolution of applied intelligence[J].
Applied Intelligence, 2019, 49: 449-462.
DOI:10.1007/s10489-018-1278-z |
| [22] |
DONALDSON D. Railroads of the Raj: Estimating the impact of transportation infrastructure[J].
American Economic Review, 2018, 108(4/5): 899-934.
|
| [23] |
DUTTA A, CHAKRABORTY A, KUMAR A, et al. Intelligent traffic control system: Towards smart city [C]//Proceedings of the 2019 IEEE 10th Annual Information Technology, Electronics and Mobile Communication Conference (IEMCON). New York: IEEE, 2019: 1124-1129.
|
| [24] |
LIU Z Y, LI R M, WANG X K, et al. Effects of vehicle restriction policies: Analysis using license plate recognition data in Langfang, China[J].
Transportation Research Part A: Policy and Practice, 2018, 118: 89-103.
DOI:10.1016/j.tra.2018.09.001 |
| [25] |
YAO W B, DING Y H, XU F M, et al. Analysis of cars' commuting behavior under license plate restriction policy: A case study in Hangzhou, China [C]//Proceedings of the 2018 21st International Conference on Intelligent Transportation Systems (ITSC). New York: IEEE, 2018: 236-241.
|
| [26] |
LV Y S, DUAN Y J, KANG W W, et al. Traffic flow prediction with big data: A deep learning approach[J].
IEEE Transactions on Intelligent Transportation Systems, 2015, 16(2): 865-873.
|
| [27] |
BOX G E P, JENKINS G M, REINSEL G C, et al. Time series analysis: Forecasting and control[M].
Hoboken: Wiley, 2015.
|
| [28] |
HAMED M M, AL-MASAEID H R, SAID Z M B. Short-term prediction of traffic volume in urban arterials[J].
Journal of Transportation Engineering, 1995, 121(3): 249-254.
DOI:10.1061/(ASCE)0733-947X(1995)121:3(249) |
| [29] |
YAN D F, ZHOU J W, ZHAO Y, et al. Short-term subway passenger flow prediction based on ARIMA [C]//Proceedings of the Geo-Spatial Knowledge and Intelligence. Singapore: Springer, 2018: 464-479.
|
| [30] |
LEE S, FAMBRO D B. Application of subset autoregressive integrated moving average model for short-term freeway traffic volume forecasting[J].
Transportation Research Record, 1999, 1678(1): 179-188.
DOI:10.3141/1678-22 |
| [31] |
WILLIAMS B M. Multivariate vehicular traffic flow prediction: Evaluation of ARIMAX modeling[J].
Transportation Research Record, 2001, 1776(1): 194-200.
DOI:10.3141/1776-25 |
| [32] |
LI X, LIU Y, FAN L S, et al. Research on the prediction of dangerous goods accidents during highway transportation based on the ARMA model [J/OL]. Journal of Loss Prevention in the Process Industries, 2021, 72: 104583. (2021-07-10) [2024-12-01]. https://doi.org/10.1016/j.jlp.2021.104583.
|
| [33] |
GIRAKA O, SELVARAJ V K. Short-term prediction of intersection turning volume using seasonal ARIMA model[J].
Transportation Letters, 2020, 12(7): 483-490.
DOI:10.1080/19427867.2019.1645476 |
| [34] |
PAVLYUK D. Short-term traffic forecasting using multivariate autoregressive models[J].
Procedia Engineering, 2017, 178: 57-66.
DOI:10.1016/j.proeng.2017.01.062 |
| [35] |
BARROS O M D, MARTE C L, ISLER C A, et al. Spatial matrices for short-term traffic forecasting based on time series [J/OL]. Latin American Transport Studies, 2023, 1: 100007. (2023-11-17) [2024-12-01]. https://doi.org/10.1016/j.latran.2023.100007.
|
| [36] |
WELCH G F. Computer vsion: A reference guide[M].
Cham: Springer International Publishing, 2020: 1-3.
|
| [37] |
ZHOU T, JIANG D Z, LIN Z Z, et al. Hybrid dual Kalman filtering model for short-term traffic flow forecasting[J].
IET Intelligent Transport Systems, 2019, 13(6): 1023-1032.
DOI:10.1049/iet-its.2018.5385 |
| [38] |
ZHANG S Y, SONG Y Y, JIANG D Z, et al. Noise-identified Kalman filter for short-term traffic flow forecasting [C]//Proceedings of the 2019 15th International Conference on Mobile Ad-Hoc and Sensor Networks (MSN). New York: IEEE, 2019: 462-466.
|
| [39] |
CAI L R, ZHANG Z C, YANG J J, et al. A noise-immune Kalman filter for short-term traffic flow forecasting [J/OL]. Physica A: Statistical Mechanics and its Applications, 2019, 536: 122601. (2019-12-15) [2024-12-01]. https://doi.org/10.1016/j.physa.2019.122601.
|
| [40] |
XIE D R, CHEN H L, DUAN H M. A dynamic multivariate partial grey model based on the traffic flow parameter equation and its application [J/OL]. Physica A: Statistical Mechanics and Its Applications, 2024, 656: 130204. (2024-12-15) [2024-12-20]. https://doi.org/10.1016/j.physa.2024.130204.
|
| [41] |
SONG Y X, DUAN H M, CHENG Y L. A novel fractional-order grey euler prediction model and its application in short-term traffic flow [J/OL]. Chaos, Solitons & Fractals, 2024, 189: 115722. (2024-11-14) [2024-12-01]. https://doi.org/10.1016/j.chaos.2024.115722.
|
| [42] |
NGUYEN H A T, NGUYEN H D, DO T H. An application of vector autoregressive model for analyzing the impact of weather and nearby traffic flow on the traffic volume [C]//Proceedings of the 2022 RIVF International Conference on Computing and Communication Technologies (RIVF). New York: IEEE, 2022: 328-333.
|
| [43] |
YANG H F, DILLON T S, CHANG E, et al. Optimized configuration of exponential smoothing and extreme learning machine for traffic flow forecasting[J].
IEEE Transactions on Industrial Informatics, 2019, 15(1): 23-34.
DOI:10.1109/TII.2018.2876907 |
| [44] |
XIE P, LI T R, LIU J, et al. Urban flow prediction from spatiotemporal data using machine learning: A survey[J].
Information Fusion, 2020, 59: 1-12.
DOI:10.1016/j.inffus.2020.01.002 |
| [45] |
LI W, WANG J X, FAN R, et al. Short-term traffic state prediction from latent structures: Accuracy vs. efficiency[J].
Transportation Research Part C: Emerging Technologies, 2020, 111: 72-90.
DOI:10.1016/j.trc.2019.12.007 |
| [46] |
CAO C T, XU J M. Improved particle swarm optimized SVM for short-term traffic flow predication [C]//Proceedings of 2007 Chinese Control Conference. New York: IEEE, 2007: 6-9.
|
| [47] |
OMAR M, YAKUB F, ABDULLAH S S, et al. One-step vs horizon-step training strategies for multi-step traffic flow forecasting with direct particle swarm optimization grid search support vector regression and long short-term memory [J/OL]. Expert Systems with Applications, 2024, 252: 124154. (2024-10-15) [2024-12-01]. https://doi.org/10.1016/j.eswa.2024.124154.
|
| [48] |
YANG S Y, WU J P, DU Y M, et al. Ensemble learning for short-term traffic prediction based on gradient boosting machine [J/OL]. Journal of Sensors, 2017, 2017(1): 7074143. (2017-05-04) [2024-12-01]. https://doi.org/10.1155/2017/7074143.
|
| [49] |
WUMAIER H, GAO J, ZHOU J. Short-term forecasting method for dynamic traffic flow based on stochastic forest algorithm[J].
Journal of Intelligent & Fuzzy Systems, 2020, 39(2): 1501-1513.
|
| [50] |
DAI G W, TANG J J, LUO W. Short-term traffic flow prediction: An ensemble machine learning approach[J].
Alexandria Engineering Journal, 2023, 74: 467-480.
DOI:10.1016/j.aej.2023.05.015 |
| [51] |
TOAN T D, TRUONG V H. Support vector machine for short-term traffic flow prediction and improvement of its model training using nearest neighbor approach[J].
Transportation Research Record, 2021, 2675(4): 362-373.
DOI:10.1177/0361198120980432 |
| [52] |
SUN S L, ZHANG C S, YU G Q. A Bayesian network approach to traffic flow forecasting[J].
IEEE Transactions on Intelligent Transportation Systems, 2006, 7(1): 124-132.
DOI:10.1109/TITS.2006.869623 |
| [53] |
XIE Y C, ZHAO K G, SUN Y, et al. Gaussian processes for short-term traffic volume forecasting[J].
Transportation Research Record, 2010, 2165: 69-78.
DOI:10.3141/2165-08 |
| [54] |
JIANG Y L, FAN J B, LIU Y, et al. Deep graph Gaussian processes for short-term traffic flow forecasting from spatiotemporal data[J].
IEEE Transactions on Intelligent Transportation Systems, 2022, 23(11): 20177-20186.
DOI:10.1109/TITS.2022.3178136 |
| [55] |
ZHAO J, SUN S L. High-order Gaussian process dynamical models for traffic flow prediction[J].
IEEE Transactions on Intelligent Transportation Systems, 2016, 17(7): 2014-2019.
DOI:10.1109/TITS.2016.2515105 |
| [56] |
WANG D, WANG C C, XIAO J H, et al. Bayesian optimization of support vector machine for regression prediction of short-term traffic flow[J].
Intelligent Data Analysis, 2019, 23(2): 481-497.
DOI:10.3233/IDA-183832 |
| [57] |
ZHU Z, XU M, KE J T, et al. A Bayesian clustering ensemble Gaussian process model for network-wide traffic flow clustering and prediction [J/OL]. Transportation Research Part C: Emerging Technologies, 2023, 148: 104032. (2023-01-24) [2024-12-01]. https://doi.org/10.1016/j.trc.2023.104032.
|
| [58] |
FENG Y Y, ZHANG W B. Traffic flow prediction of urban intersection based on environmental impact factors and markov chains [C]//Proceedings of the 2020 39th Chinese Control Conference (CCC). New York: IEEE, 2020: 5643-5648.
|
| [59] |
HU J J, HU C, YANG J Y, et al. Do traffic flow states follow Markov properties? A high-order spatiotemporal traffic state reconstruction approach for traffic prediction and imputation [J/OL]. Chaos, Solitons & Fractals, 2024, 183: 114965. (2024-05-11) [2024-12-01]. https://doi.org/10.1016/j.chaos.2024.114965.
|
| [60] |
PAN Y A, GUO J F, CHEN Y Y, et al. A fundamental diagram based hybrid framework for traffic flow estimation and prediction by combining a Markovian model with deep learning [J/OL]. Expert Systems with Applications, 2024, 238: 122219. (2024-03-15) [2024-12-01]. https://doi.org/10.1016/j.eswa.2023.122219.
|
| [61] |
FRITSCHER M, KNÖDTEL J, REICHENBACH M, et al. Simulating memristive systems in mixed-signal mode using commercial design tools [C]//Proceedings of the 2019 26th IEEE International Conference on Electronics, Circuits and Systems (ICECS). New York: IEEE, 2019: 225-228.
|
| [62] |
SUN S Y, WU H Y, XIANG L G. City-wide traffic flow forecasting using a deep convolutional neural network [J/OL]. Sensors, 2020, 20(2): 421. (2020-01-11) [2024-12-01]. https://doi.org/10.3390/s20020421.
|
| [63] |
MÉNDEZ M, MERAYO M G, NÚÑEZ M. Long-term traffic flow forecasting using a hybrid CNN-BiLSTM model [J/OL]. Engineering Applications of Artificial Intelligence, 2023, 121: 106041. (2023-03-01) [2024-12-01]. https://doi.org/10.1016/j.engappai.2023.106041.
|
| [64] |
雷斌, 李佳璐, 张鹏, 等. 基于多图时空图卷积模型的城市交通流长时预测[J]. 公路交通科技, 2024, 41(4): 204-213. LEI Bin, LI Jialu, ZHANG Peng, et al. Long term prediction on urban traffic flow based on multi-source spatio-temporal graph convolutional neural network model[J]. Journal of Highway and Transportation Research and Development, 2024, 41(4): 204-213. DOI:10.3969/j.issn.1002-0268.2024.04.021 |
| [65] |
SAXENA U, CHAKRABORTY I, ROY K. Towards ADC-less compute-in-memory accelerators for energy efficient deep learning [C]//Proceedings of the 2022 Design, Automation & Test in Europe Conference & Exhibition (DATE). New York: IEEE, 2022: 624-627.
|
| [66] |
冯凤江, 杨增刊. 基于图卷积和注意力机制的高速公路交通流预测[J]. 公路交通科技, 2023, 40(9): 215-223. FENG Fengjiang, YANG Zengkan. Expressway traffic flow forecast based on graph convolution and attention mechanism[J]. Journal of Highway and Transportation Research and Development, 2023, 40(9): 215-223. DOI:10.3969/j.issn.1002-0268.2023.09.025 |
| [67] |
WANG Z H, WANG Y, JIA F R, et al. Spatiotemporal fusion transformer for large-scale traffic forecasting [J/OL]. Information Fusion, 2024, 107: 102293. (2024-02-21) [2024-12-01].https://doi.org/10.1016/j.inffus.2024.102293.
|
| [68] |
BOQUET G, MORELL A, SERRANO J, et al. A variational autoencoder solution for road traffic forecasting systems: Missing data imputation, dimension reduction, model selection and anomaly detection [J/OL]. Transportation Research Part C: Emerging Technologies, 2020, 115: 102622. (2020-03-20) [2024-12-01].https://doi.org/10.1016/j.trc.2020.102622.
|
| [69] |
PENG H, DU B W, LIU M S, et al. Dynamic graph convolutional network for long-term traffic flow prediction with reinforcement learning[J].
Information Sciences, 2021, 578: 401-416.
DOI:10.1016/j.ins.2021.07.007 |
| [70] |
MARERI B, BOATENG G O, OU R, et al. MANTA: Multi-lane capsule network assisted traffic classification for 5G network slicing[J].
IEEE Wireless Communications Letters, 2022, 11(9): 1905-1909.
DOI:10.1109/LWC.2022.3186529 |
| [71] |
SHEN G J, ZHOU W F, ZHANG W Y, et al. Bidirectional spatial-temporal traffic data imputation via graph attention recurrent neural network[J].
Neurocomputing, 2023, 531: 151-162.
DOI:10.1016/j.neucom.2023.02.017 |
| [72] |
CHEN X Q, WU S B, SHI C J, et al. Sensing data supported traffic flow prediction via denoising schemes and ANN: A comparison[J].
IEEE Sensors Journal, 2020, 20(23): 14317-14328.
DOI:10.1109/JSEN.2020.3007809 |