1. 研究目的与意义（文献综述）

在现代社会中，城市和高速公路上的车辆数量一直在增加。因此增加有关的许多问题，例如交通拥堵，可能导致出行浪费更长的时间，从而可能导致资金损失以及交通事故。获取准确及时的交通流信息对于旅客是必要的。随着当前交通流量数据的爆炸性增长，使用大数据预测交通流量对于确保安全旅行和设计超高效导航至关重要，这可以帮助旅客做出明智的旅行决策并改善公共安全。

预测交通流量的有效算法对于旅行者计划旅行时至关重要。早在20世纪70年代，自回归综合移动平均（arima）模型就被设计用于短期高速公路交通流量预测。从那以后，许多研究调查了交通流量预测。这些方法可分为三类：参数方法，非参数方法和混合方法。参数技术是基于arima的模型和卡尔曼滤波模型，它们基于时间序列方法。j.kong [17]等人使用一个参数（即速度）来有效地预测交通状态，其中信息由全球定位系统（gps）收集并且使用曲线拟合和车辆跟踪机制。然而，由于交通网络的复杂性，交通流量呈现出随机和非线性的质量。时间序列方法在预测交通流量方面往往效率低下。

从交通网络的角度来看，研究非常重视非参数方法。目前广泛使用的非参数方法包括k-最近邻（k-nn）方法，贝叶斯网络方法，在线学习加权支持向量回归（svr）和人工神经网络（anns）。h.chang[18]等人提出了一种动态多区间交通量模型，该模型基于k-nn非参数回归（knn-npr）。库马尔[19]等人提出了一种用于交通流量预测的贝叶斯网络方法。jeong [20]等提出了一种用于短期交通流预测的在线学习加权支持向量回归方法。库马尔等人短期应用人工神经网络（ann）模型交通流量的预测，其中交通量，速度，密度，时间和星期几被作为输入变量。为了获得自适应模型，一些研究探索了混合方法，它结合了几种技术。尽管混合方法是自适应的，但很难说在任何情况下一种方法优于另一种方法。造成这种困难的一个原因是，与大流量数据相比，所提出的方法是使用少量数据开发的。此外，交通流量预测的准确性取决于嵌入在时空交通数据中的特征和外部因素。

2. 研究的基本内容与方案

2.1研究的基本内容

第一部分是论文绪论。包括对论文研究背景、研究目的、研究意义的阐述，对交通流预测方法的国内外研究现状进行简要分析与评价比较，对论文的研究内容、研究思路、研究方法及技术路线进行阐明。

第二部分是理论基础。包括对特征识别、数据筛选、卷积神经网络及其相关理论技术进行概括性论述。

第三部分是模型建立。包括本文研究的短时交通流量预测模型的构造思路,详细介绍模型建立的具体步骤及实现过程。

3. 研究计划与安排

4. 参考文献（12篇以上）

[1] weihong chen, jiyao an, renfali, li fu, guoqi xie, md zakirul alam bhuiyan, keqin li.

a novel fuzzydeep-learning approach to traffic flow prediction with uncertainspatial–temporal data features[j].future generation computer systems 89 (2018)78–88,2018.

[2] 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.