本文是一篇物流管理论文，针对交通流数据的特性，提出基于深度自编码网络构建短时交通流预测模型，并针对单一深度学习模型本身存在的数据适应性缺陷，提出分别结合灰色模型与模糊信息粒化方法提升深度自编码网络的预测准确度及泛化性能。最后基于微观交通仿真平台将短时交通流预测结果用于交叉口信号灯的动态控制当中，以实现提前对交通流的随机变化做出反应并优化相应的信号灯配时方案。
第 1 章 绪论
1.1 研究背景
随着我国国民经济与城市化进程发展，城市旅客运输需求及工业制造与电商物流等相关产业的货物运输需求急速增长，部分地区的“城市病”日益凸显。交通运输管理作为城市发展的核心问题之一，在运行过程中始终处于一个前期规划与后期治理不断冲突与协调的阶段。现阶段粗放型的交通管理模式已经不能满足城市发展的需求，道路交通系统运行不畅、交通堵塞及其引发的环境污染问题已经严重影响到了居民的正常出行与货物运输效率，甚至在一定程度上制约了区域经济的发展[1]。
可持续性经济发展对于高效、精细化交通管理模式的需求日趋迫切，智能交通系统（Intelligent Transport System, ITS）应运而生并逐步发展。ITS 具体是指在基础交通设施相对健全的前提下引入各类先进的技术（如数据通信传输技术、电子传感技术、人工智能以及计算机处理技术等）并进行一定的集成，建立起一个精确、实时、高效的综合交通管理系统，全方位地在交通控制场景中发挥作用[2]。
我国自“十五”规划以来开始将智能交通系统的开发列入国家科技攻关计划。2017 年国务院印发《“十三五”现代综合交通运输体系发展规划》，明确建设综合型现代交通运输体系的一项重点任务就是提升交通发展智能化水平、促进交通产业智能化变革；同年，交通运输部发布的《推进智慧交通发展行动计划》指出要利用大数据、地理信息系统等信息技术实现行业数据资源交换共享和开放应用，以提升交通运输系统的总体运作效率。2019 年 9 月，中共中央、国务院印发实施《交通强国建设纲要》，进一步明确了建设交通强国在构建现代化经济体系以及全面建成社会主义现代化强国中的战略地位，并提出建设交通强国的重点任务之一就是“科技创新富有活力、智慧引领”，即推动人工智能、大数据、区块链、超级计算等新技术与交通行业深度融合，大力发展智慧交通，完善科技创新机制。因此，基于新兴智能技术对智能交通系统及其各功能模块进行提升与完善，成为目前及未来较长时间内交通运输领域的研究热点。
...........................
1.2 研究目的及意义
1.2.1 研究目的
在实际信号交叉口的交通管控中，信号灯定时控制或者仅根据当前时段与路段的交通流信息进行感应控制，均不能充分应对未来一段时间内实际交通流的随机变化，容易造成交叉口通行能力分配不合理、交叉口服务水平下降等问题。利用交通流预测结果对交叉口未来的交通状态进行预判，能够在一定程度上提升对于交通流随机变化的适应性，但是预测模型准确度不高则会导致制定的控制方案达不到预期效果。
针对交通流时空数据的大规模、高随机性等特点，旨在利用深度学习算法提升预测模型在特征学习方面的能力，并结合灰色模型与模糊信息粒化方法弥补深度学习算法在泛化性能方面的缺陷，融合构建相对准确与稳定的短时交通流预测模型，以支撑信号灯精细化动态控制，实现对交通流随机变化的提前应对、提升交叉口服务水平。
1.2.2 研究意义
（1）理论意义
目前，短时交通流预测模型已经成为智能交通领域的一大研究热点，为提升某个路段交通流量预测的准确度，模型输入已由目标路段的单一历史数据序列逐步过渡到结合上下游路段信息的多元历史数据序列，但由此导致的数据维度及复杂度上升对预测模型的学习能力提出了更高的要求。近年来一些文献开始将深度学习算法应用于交通流预测领域，并验证其效果优于传统统计学预测方法或浅层机器学习方法。但是单一的深度学习模型对于现实交通流数据预测仍存在一定的适应性缺陷，通过研究灰色模型、模糊信息粒化与深度神经网络结合进行预测的方法，可以在一定程度上缓解深度学习算法的数据适应性问题，从而进一步提升模型的预测性能。这一尝试也可以为深度学习用于其他领域进行时间序列预测提供一些新的思路。
（2）实际意义
短时交通流量预测是交通信号控制、交通诱导和交通信息服务等智能交通系统子功能模块的重要基础。信号交叉口的精细化控制已经成为城市交通信号控制系统的核心发展需求，基于相对准确的交通流预测结果可以对关键交叉口的信号灯进行动态精细化控制，这对提升交叉路口的服务水平以及道路整体的通行能力具备一定的实际意义。
...........................
第 2 章 相关理论基础
2.1 机器学习时间序列预测模型概述
2.1.1 机器学习时间序列预测建模原理
时间序列预测将预测对象的历史信息按时间顺序排列成序列，在假定与利用时序数据相关性的基础上，通过分析历史序列随时间变化的规律并构建相应的时序拟合模型，外推得到预测对象未来的走势变化[40]。经典的机器学习算法在时间序列预测问题上取得了较好的效果，但是该方法实质上将时间序列预测转化为了回归分析，即利用一组历史时序数据回归得到下一个时刻的预测值，这种转化方式的核心问题在于，当数据顺序产生交换或是训练集与测试集随机划分时忽略了时间序列预测对于数据相关性的假设，导致模型在现实问题中的预测应用受到局限。
因此，利用机器学习算法进行时间序列预测建模的关键思路在于，通过合理设置时间滑窗构造按时间顺序排列的预测特征，以及按事件发生的先后顺序划分训练集与测试集，避免出现用“未来数据”预测“过去走向”的问题。具体的模型构建方式如图 2-1 所示。
首先通过时间滑窗划分给时间序列数据构建预测特征，包括历史特征（特征 A）与目标特征（特征 B），这里的时间窗口数量及长度可以按实际需求进行变化。然后通过学习训练集中预测特征的内在关联完成机器学习预测模型构建，最后输入测试集所需的历史数据即可得到任务要求的最终预测结果。
图 2-1 时间序列预测滑动窗口划分示意图
...........................
2.2 短时交通流预测基础知识
2.2.1 短时交通流预测基本概念
交通流是指机动车辆在公共道路网络中连续行驶所形成的车流，它是道路交通系统中最主要的研究对象之一[48]。交通流在运行过程中会呈现出多种状态，而交通流参数则是用以描述不同交通流状态特征的物理量。交通流的基本参数包括交通流量、车流速度以及车流密度。交通流量（也称交通量、流量）与车流速度分别表示在单位时间内通过选定地点或路段的机动车数量以及机动车平均车速，车流密度则表示单位采集路段所承载的车辆数量。
在交通流的三大参数中，交通流量不仅可以直接通过道路车辆监测器采集，而且直观展示了道路交通的通行状态，是交通流运行分析、交通组织方案制定以及效果评价的重要参数，也是信号控制的基础依据。
针对交通流未来一段时间内反映交通状态的基本参数进行预测即为交通流预测。交通流预测模型的核心在于，将历史及实时采集的交通流参数信息作为模型输入，利用数据挖掘手段对输入信息进行系统性的分析，以输出未来一段时间内的交通流参数预测结果。
从交通流预测的时间间隔长短进行划分，短时交通流预测表示对未来 5 分钟、10 分钟以及 15 分钟间隔的交通流参数进行预测。短时交通流预测结果是交通管理与控制方案制定的基础，其中，5 分钟间隔的交通流量预测结果能够为交通信号控制提供较大的决策支持[49]。
.............................
第 3 章 基于 GM-DAEP 的短时交通流预测模型 .................... 27
3.1 引言 ..................................... 27
3.2 灰色模型理论及预测方法 ........................ 28
第 4 章 基于 FIG-DAEP 的短时交通流区间预测模型 .......................... 40
4.1 引言 ....................................... 40
4.2 模糊信息粒化理论及方法 ............................ 41
第 5 章 基于交通流预测的交叉口动态信号灯控制及仿真分析 ........................... 53
5.1 引言 ....................................... 53
5.2 基于交通流预测的交叉口动态信号灯控制策略 ..................... 53
第 5 章 基于交通流预测的交叉口动态信号灯控制及仿真分析
5.1 引言
根据交叉路口各进道口的实际交通情况调节信号灯的配时设置，是降低交叉口车辆延误、提升进道口通行能力的一种常用手段，而利用交通流预测模型得到交叉口关键进道口的流量信息可以实现对信号灯配时提前做出动态调整，进而有效提升信号交叉口的综合服务水平。
本章首先从交通流状态聚类、确定配时模板以及动态控制流程三个方面对基于交通流预测的信号灯动态控制策略进行详细阐述；然后根据实际路网的道路与交通状况进行 VISSIM 仿真模型构建，获取路网流量仿真数据；最后通过仿真平台的运行结果验证基于交通流预测的信号灯动态控制策略的有效性。
信号灯动态控制策略具体可分为三个步骤。首先需要根据历史流
