1. 研究目的与意义（文献综述）

随着现代化进程的不断加快，世界交通运输产业和汽车产业也高速发展起来。诚然，汽车产业的蓬勃发展给社会带来了很多便利，汽车也成为经济和社会活动中不可或缺的重要工具，但是过多的人口数量和机动车保有量也为社会带来了问题和挑战，其中交通拥堵是我们所直接面对的社会焦点问题。随着智能交通的兴起，交通状态判别和交通诱导成为我们解决交通拥堵等问题的关键，而实现有效的交通诱导的前提与核心问题是如何进行实时准确的交通流预测，即如何有效地利用实时交通信息滚动预测未来一段时间内的交通状况。对此国内外学者进行了大量研究并可总结为以下几种方法：

时间序列模型。时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。它一般采用曲线拟合和参数估计方法进行。1979年，ahemd和cook首次在将时间序列预测模型应用于交通流预测领域，随后交通流预测领域涌现出大量基于时间序列模型的研究。韩超^[1]的研究中，基于arima(p,d,0)模型，提出一种短时交通流实时自适应预测算法，该算法中采用带遗忘因子的递推最小二乘方法进行参数估计,采用基于线性最小方差预报原理的astrom预报算法进行预报，对不同交通流状况具有较好的适应性。王晓全^[2]的研究中，基于线性递归的arima模型和非线性递归的garchm模型,提出一种组合模型arima-garch-m进行短时交通流预测,并利用城市快速路交通流数据进行模型预测精度的检验，结果表明相比于arima-svr模型和arima-garch模型，arima-garch-m模型的预测结果精度更高。

卡尔曼滤波模型。卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法，该模型于1984年被引入交通流预测领域，随后不断有学者进行扩展研究。聂佩林^[3]的研究中，基于约束卡尔曼滤波提出了时交通流量组合预测模型，将各单一预测模型的权重为状态变量,交通流量为观测变量,以单一预测模型的加权和作为预测结果，结果表明组合模型具有较好的精度和鲁棒性。柳立春^[4]的研究中，分别以卡尔曼滤波算法和多新息扩展卡尔曼算法分别对长江武汉大桥段每月日均船舶交通流和每日实时船舶交通流进行预报分析，结果表明，改进后的算法在预报稳定性和预报精度上都有较明显提升。

2. 研究的基本内容与方案

2.1 研究的基本内容

1) 高速公路交通流数据的预处理；

2) 利用统计方法分析交通流时间序列的趋势性，周期性等性质，并选取合适方法对其进行处理；

3. 研究计划与安排

2.16-3.4：阅读文献资料，明确研究的主要内容，了解研究所需理论知识和方法。

3.4-3.18：翻译相关的英文文献，确定自己的研究方案，撰写毕业论文开题报告。

3.18-4.15：阅读文献资料，明确研究的主要内容，了解研究所需理论知识和方法。

4. 参考文献（12篇以上）

[1]韩超, 宋苏, 王成红. 基于arima模型的短时交通流实时自适应预测[j]. 系统仿真学报, 2004(07):1530-1532, 1535.

[2]王晓全, 邵春福, 尹超英, 等.基于arima-garch-m模型的短时交通流预测方法[j]. 北京交通大学学报, 2018,42(04):79-84.

[3]聂佩林, 余志, 何兆成. 基于约束卡尔曼滤波的短时交通流量组合预测模型[j].交通运输工程学报, 2008(05):86-90.