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。

由于卡尔曼滤波方法中的可自由选择预测因素，并且算法精度较高，故被广泛应用于预测领域。该算法具有较强的健壮性，但由于每次预测需要进行大量运算，难以进行实时预测。

神经网络模型。神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。神经网络于1993年首次被用于短时交通流预测，它在一定程度上摆脱了精准数学模型的困扰，为交通流预测方面提供了新的研究思路和方向^[5]。Qu^[6]的研究中，基于深层神经网络对交通流量值与交通流量影响因素进行相关性挖掘，从而进行短时交通流预测，结果表明预测方法精度明显优于传统预测方法。L. Florio^[7]的研究中，运用人工神经网络预测高速公路的车流密度，从而确定交通的时空稳定性。Zhu^[8]的研究中，采用人工神经网络的方法对相邻交叉路口的交通量，结果表明相邻交叉路口交通量具有类似的趋势，且模型预测精度可观。

非参数回归模型。非参数回归是指不依赖先验信息，只依赖历史数据，寻找历史数据中与当前点相似的近邻从而预测下一时刻值^[5]。该预测方法于1991年应用于交通流预测，随后学者对其进行大量改进，如有学者提出了基于密度集的变搜索算法，基于动态聚类和散列函数的历史数据组织方式。凌帅^[9]的研究中，对非参数回归进行了改进，并进行交通流预测，结果可知算法提高了预测精度和准确度，提高了系统灵活性和准确性。

通过上述四种方法来对高速公路短时道路交通流数据进行预处理，分别得到预测数据。其中卡尔曼滤波法的算法精度较高，但是无法用于实时测试；神经网络算法也是一种精度很高并且脱离了精准数学模型的预测方法，但是仅仅在短时预测中效果较好，且容易丢失数据；非参数回归模型因依靠历史数据来预测交通流，在不断的改进中精度和准确度也得到了提高，但是由于因子的不确定性，此方法容易受到限制。综上，本文拟采用ARIMA-GARCH-M模型来预测交通流，考虑到异方差，可对各种波动型数据分析，使预测更加准确。

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；