1. 研究目的与意义（文献综述）

1.1研究短时交通流并进行预测的意义

现代城市中车辆的增长速度远远超过道路里程数的增长，由此所引发的交通拥堵、环境污染等问题已严重阻碍了城市的可持续发展。解决该问题的一个较好方法是发展城市智能交通，建立有效的交通诱导系统，提高城市道路利用率。反映城市路网状态的重要指标是交通流 ，是指单位时间内道路某一截面通过的车辆数据，有效的交通诱导系统可以预测未来短时间 (10 ～ 15 min) 的交通状况，时提出合理的诱导建议。随着交通传感器的大规模应用，每天都可以很容易地获得大量的实时交通数据，如流量、速度和占用率。通过精确的短期交通流量预测，拥有先进旅客信息系统设备的旅客可以合理地安排自己的活动，而交通管理者可以有效地调整交通管理策略。因此，无论从管理者还是使用者的角度来说，研究短时交通流并预测对城市交通安全和出行安全都有着重要的意义。

1.2短时交通流预测研究的现状

随着短时交通流分析与预测工作的不断深入，研究人员依据不同的分析角度以及应用条件提出了许多模型。这些模型可以分为３类：第一类是基于数理统计以及微积分的预测模型；第二类是基于机器学习等现代科学技术为基础的预测模型，包括支持向量机、神经网络、基于混沌理论的模型等；第三类就是组合预测模型。第一类模型通过观测数据内部的统计特征，动态地处理交通流数据，预测未来的交通流量，但该类模型大多仅利用历史流量数据来预测，而忽略了季节、气候，上下游流量的影响等其它因素，难以适应交通流随机性强的特点，故该类预测方的准确率并不是很高；第二类模型通常采用机器学习或者人工智能的方法预测短时交通流量，缺点是往往会忽视交通流数据所固有的一些特性。

2. 研究的基本内容与方案

2.1研究（设计）的基本内容

（1）对基于帝国竞争算法的短时交通流预测问题进行研究

（2）对帝国竞争算法进行研究，并针对短时交通流预测问题进行算法调研，在现有算法的基础上设计改进的短时交通流预测算法

3. 研究计划与安排

（1）1-2周：阅读必读参考文献，提出设计方案并撰写开题报告

（2）3-4周：查阅其他相关文献，对现有的帝国竞争算法及交通流预测问题进行研究

（3）5-6周：针对短时交通流预测问题进行帝国竞争算法调研

4. 参考文献（12篇以上）

[1]Vlahogianni E I, Karlaftis M G, Golias J C.Short-term traffic forecasting: Where we are and where we’re going[J].Transportation Research Part C: Emerging Technologies, 2014, 43: 3-19.

[2]Zhao Z, Chen W, Wu X, et al. LSTM network: a deeplearning approach for short-term traffic forecast[J]. IET Intelligent TransportSystems, 2017, 11(2): 68-75.

[3]Polson N G, Sokolov V O. Deep learning forshort-term traffic flow prediction[J]. Transportation Research Part C: EmergingTechnologies, 2017, 79: 1-17.

[4]康丹青. 基于深度学习的短时交通流预测方法研究[D].哈尔滨理工大学,2018

[5]田保慧，郭彬． 基于时空特征分析的短时交通流预测模型 ［J］． 重庆交通大学学报: 自然科学版，2016，35 (3): 105 －109．

[6]韦凌翔，陈红，王永岗，等． 基于 RVM 和 ARIMA的短时交通流量预测方法研究 ［J］． 武汉理工大学学报: 交通科学与工程版，2017，41 (2): 349 －354．

[7]熊亭,戚湧,张伟斌,李千目.基于时空相关性的短时交通流预测模型[J].计算机工程与设计,2019,40(02):501-507

[8]熊亭,戚湧,张伟斌,李千目.基于时空相关性的短时交通流预测模型[J].计算机工程 与设计,2019,40(02):501-507.

[9]杨正理,陈海霞,王长鹏,徐智.大数据背景下城市短时交通流预测[J].公路交通科 技,2019,36(02):136-143.

[10]张智杰,沈琴琴.GM(1,1)模型几种初值改进方法在短时交通流预测中的应用[J]. 科技创新与应用,2019(03):11-13 17.

[11]胡浩,闫伟,李泓明.基于组合预测的城市道路短时交通流预测方法研究[J/OL]. 工业工程与管理:1-17[2019-03-07].

[12]景辉鑫,钱伟,车凯.基于灰色ELM神经网络的短时交通流量预测[J].河南理工 大学学报(自然科学版),2019,38(02):97-102.

[13]晏雨婵,武奇生,白璘,席维.采用MPSO优化SVR的短时交通流预测方法[J/OL]. 计算机技术与发展,2019(04):1-6[2019-03-07].

[14]周宏,刘钊.基于时间序列的高速公路短时交通流最优组合预测[J].工程与建设, 2018(06):812-814.

[15]曹洁,沈钧珥,张红,侯亮,陈作汉.基于小波和多维重构的BP神经网络交通流短 时预测[J].计算机应用与软件,2018,35(12):61-65 82.

[16]罗向龙,李丹阳,杨彧,张生瑞.基于KNN-LSTM的短时交通流预测[J]. 北京工业大学学报,2018,44(12):1521-1527. [17]王庆丰,马少飞,刘强,樊平,慧宇翔.基于帝国竞争算法的主动配电网多目标优化 研究[J].智慧电力,2018,46(08):74-78.