王迎 趙建軍 李興菊 聶紅梅

摘 要：交通大數(shù)據(jù)的應用和發(fā)展為現(xiàn)代車輛路徑規(guī)劃帶來了機遇和挑戰(zhàn)。因此，了解交通大數(shù)據(jù)概念、路網匹配、路徑規(guī)劃算法、交通信息預測等方面的研究現(xiàn)狀和研究特點，對明確未來路徑規(guī)劃研究方向和發(fā)展趨勢顯得尤為重要。首先介紹交通大數(shù)據(jù)概念及軌跡數(shù)據(jù)預處理方法，歸納總結國內外在路網匹配上的各種匹配算法及其優(yōu)缺點;然后，闡述常用路徑規(guī)劃算法，其中包括傳統(tǒng)經典算法與當下流行的智能算法;隨后對交通信息預測研究方法和各種預測模型進行簡要概括;最后指出車輛路徑規(guī)劃現(xiàn)階段存在的問題，并展望未來研究方向。

關鍵詞：智能交通;路徑規(guī)劃;交通大數(shù)據(jù);行駛車輛;路網匹配;交通信息預測

DOI：10. 11907/rjdk. 201374

中圖分類號：TP301 文獻標識碼：A 文章編號：1672-7800（2020）010-0050-05

Abstract： The application and development of traffic big data brings new opportunities and challenges to modern vehicle route planning. Therefore， it is particularly important to understand the concept of traffic big data， the research status and characteristics of road network matching， route planning algorithm， and traffic information forecasting for the research direction and development trend of future route planning. In this regard， the concept of traffic big data and the preprocessing of trajectory data are introduced firstly. Secondly， the various matching algorithms for road network matching at home and abroad and the advantages and disadvantages of each algorithm are summarized. Then， the common route planning algorithm including traditional classical algorithms and current popular intelligent algorithms are elaborated. The following are brief summaries of research methods and various predictive models for traffic information prediction. Finally problems existing at the current stage of vehicle route planning are pointed out and the prospects for future research are presented.

Key Words： intelligent transportation; route planning; traffic big data; driving vehicles; road network matching; traffic information forecast

0 引言

近年來隨著大數(shù)據(jù)、人工智能、物聯(lián)網等技術的快速發(fā)展，智慧城市（Smart City）和智慧交通（Smart Traffic）逐步走入大眾視野，其中智能交通在智慧城市中扮演著重要角色。一方面車輛成為人們日常生活中不可或缺的重要交通工具，讓公眾出行變得便利;另一方面車輛需求變大，導致交通擁堵、交通事故頻發(fā)，使公眾人身和財產安全受到侵害。智能交通的出現(xiàn)為車輛行駛提供了安全、可靠、靈活的路徑規(guī)劃。在現(xiàn)階段，全球定位系統(tǒng)（GPS）、地理信息系統(tǒng)（GIS）、電子計算機技術及大數(shù)據(jù)技術等系統(tǒng)技術的融合為車輛路徑規(guī)劃提供了重要支撐，從而一定程度上降低了交通擁堵、交通事故的發(fā)生率，為智慧城市的實現(xiàn)作出了重要貢獻。

目前城市道路建設的速度無法匹配交通流增長速度，現(xiàn)有道路建設已不能滿足公眾出行暢通、交通安全的需求。智能交通系統(tǒng)（Intelligent Transportation Systems，ITS）應運而生，并逐步成為當下交通領域研究熱點。車輛路徑規(guī)劃是智能交通系統(tǒng)重要研究方向之一，國內外學者在該方面已取得了豐碩成果。車輛路徑規(guī)劃通過分析大量歷史與當前交通信息數(shù)據(jù)預測未來交通情況，從而為用戶提供更好的交通行駛體驗。其研究內容包括交通信息預測、路網模型和路徑規(guī)劃算法等。綜上所述，隨著大數(shù)據(jù)平臺的興起、人工智能的發(fā)展、設備性能的提升，進行新技術下車輛路徑規(guī)劃研究迫在眉睫。

1 交通大數(shù)據(jù)

1.1 交通大數(shù)據(jù)特征

交通大數(shù)據(jù)是智能交通系統(tǒng)基礎，研究和分析交通大數(shù)據(jù)是實現(xiàn)智能交通系統(tǒng)的重要環(huán)節(jié)。傳統(tǒng)交通數(shù)據(jù)特征有3V [1]、4V[2]、5V[3]，與傳統(tǒng)交通數(shù)據(jù)不同，交通大數(shù)據(jù)有6V特征[4]，如表1 所示。

眾多學者[5-7]從交通安全、交通監(jiān)測、交通車輛行駛效率、公交基礎建設、運營管理及出行預測等方面研究了大數(shù)據(jù)對智能交通的作用。交通大數(shù)據(jù)的出現(xiàn)不僅為智能交通系統(tǒng)的實現(xiàn)提供重要的技術支撐，而且也為車輛路徑規(guī)劃和信息預測提供巨大的數(shù)據(jù)保障。

1.2 軌跡數(shù)據(jù)

軌跡數(shù)據(jù)屬于交通大數(shù)據(jù)，其數(shù)據(jù)豐富性和多樣性符合交通大數(shù)據(jù)的6V特征，即體量大（Volume）、速度快（Velocity）、多源（Variety）、難辨識（Veracity）、價值密度低（Value）、可視化（Visualization）。當軌跡數(shù)據(jù)為分析對象時，數(shù)據(jù)特征和處理技術架構等有價值的信息是關注重點。

軌跡數(shù)據(jù)是通過對1個或多個移動對象運動過程的采樣而形成的數(shù)據(jù)信息，一般包括GPS定位數(shù)據(jù)、時間數(shù)據(jù)、速度數(shù)據(jù)等。軌跡數(shù)據(jù)來源廣泛，不僅可通過衛(wèi)星定位、手機APP信息、通信服務基站、流動公交等途徑獲取，還可通過RFID技術、圖像識別技術等方式獲取，例如出租車、公交車等交通工具的活動軌跡數(shù)據(jù)可通過車載GPS 技術獲取。

軌跡數(shù)據(jù)采樣受設備、采樣等因素影響，其數(shù)據(jù)特點[8]如表2所示。

1.3 數(shù)據(jù)預處理

數(shù)據(jù)是進行各項工作的基礎，由于軌跡數(shù)據(jù)來源多樣且復雜，因而存在許多非人為的誤差或錯誤。為了得到更準確且有價值的數(shù)據(jù)，需對軌跡數(shù)據(jù)進行必要的數(shù)據(jù)清洗工作[9]。

軌跡數(shù)據(jù)清洗是為了剔除數(shù)據(jù)中的冗余點與噪音點。車輛在靜止和行駛狀態(tài)下會產生大量冗余點。有基于停留區(qū)域的軌跡數(shù)據(jù)挖掘，例如對旅游路線熱點區(qū)域和路線進行推薦[10]，挖掘其中熱點區(qū)域和剔除冗余采樣點;有基于速度的行為模式挖掘，其關注重點是基于速度劃分的行為模式[11];有基于用戶行為模式的挖掘，通過基于速度的出行模式劃分，獲取用戶行為模式與習慣[12]。而噪音點是數(shù)據(jù)接收設備異常導致的錯誤數(shù)據(jù)，例如，行駛車輛進入地下停車場或進入隧道涵洞干擾衛(wèi)星定位而導致的接受信號偏差。噪音點會影響數(shù)據(jù)分析準確性。常用軌跡數(shù)據(jù)清洗處理方法還有噪音濾波（Noise Filtering）[13-14]、停留點檢測（Stay Point Detection）[15-16]等。

2 路網匹配

2.1 概述

路網匹配指軌跡數(shù)據(jù)與數(shù)字地圖結合，將衛(wèi)星定位坐標下的采樣序列轉換成路網坐標序列，將GPS軌跡點匹配到實際路網上[17]。路網匹配不僅有利于對相應交通大數(shù)據(jù)進行分析挖掘，還可輔助解決智慧城市交通問題。首先浮動車每天可收集到大量包含車輛和用戶信息的衛(wèi)星定位坐標序列和車載數(shù)據(jù)，然后通過使用大數(shù)據(jù)處理車輛軌跡數(shù)據(jù)，挖掘出有價值的信息。路網匹配在一定程度上能反映車輛行駛狀態(tài)信息及行駛路徑，便于了解當前交通情況、交通流量、交通流速等，從而為車輛行駛提供有價值的參考，存在巨大的科研和應用價值。另外，位置服務和移動社交網絡越來越普及，衍生了豐富的應用，如常用線路查找[18]、道路交通監(jiān)管[19]、智慧城市規(guī)劃[20]、地理位置信息網絡[21]等已開始使用軌跡數(shù)據(jù)，以提高服務質量。但是，由于軌跡數(shù)據(jù)質量較差，如果不對其進行路網匹配，將無法正確顯示于道路上。經過路網匹配后，軌跡數(shù)據(jù)采樣點會映射到一個路網中。路網匹配對于評估交通流、車輛導航、車輛行駛路線預測等具有重要作用。

2.2 算法

路網匹配是較為復雜的問題，已積累多種相關算法。有關路網匹配的算法也是目前研究熱點。根據(jù)軌跡數(shù)據(jù)涉及的信息，現(xiàn)有常用路網匹配算法如表3所示，其中隱馬爾可夫路網匹配算法是目前算法研究熱點。

3 路徑規(guī)劃

3.1 概述

路徑規(guī)劃在交通領域應用廣泛，如GPS 導航、GIS 系統(tǒng)路徑規(guī)劃、城市路網規(guī)劃等[34]。路徑規(guī)劃核心是算法，在過去的幾十年中，算法已取得巨大進展，由傳統(tǒng)算法發(fā)展至目前人工智能算法[9]。由于算法特點和適用范圍各不相同，應充分考慮其特點，才可選取合適的路徑規(guī)劃算法。

3.2 路徑規(guī)劃算法

3.2.1 Dijkstra 算法

Dijkstra 算法是典型的最短路徑算法，由Dijkstra[35]于1959年提出。該算法通過所有節(jié)點正向遍歷比較得到最短路徑，適用于道路權值為非負的最短路徑問題[36]，能得出某個點到其它點的最短路徑。該算法對最短路徑的計算較為準確，其魯棒性能也較好，但是該算法需經過多次遍歷，導致節(jié)點多、耗時長、占用空間大。

3.2.2 Floyd算法

Floyd算法是求最短路徑的經典算法之一，由Floyd于1962年提出，可讀性和理解性較好。該算法可以正確處理有向圖的最短路徑問題，時間復雜度為[O（n3）]，實際效果較Dijkstra 算法更好，改進后也可求無向圖最短路徑[37]。

3.2.3 Lee算法

Lee算法較早用于電路路徑追蹤[38]，該算法適用于軌跡數(shù)據(jù)實時變化的路徑規(guī)劃，代價相對較小。理論上只要存在最佳路徑，該算法基本可找到該條最佳路徑[39]，但是相對復雜多層的路徑，其占用空間很大。

3.2.4 蟻群算法

蟻群算法（Ant Colony Algorithm，ACA）是Marco Dorigo在1991年提出的一種用來搜尋優(yōu)化路徑的概率型隨機搜索算法。其思想是整個蟻群集體構成待優(yōu)化的解空間，模擬螞蟻覓食途中會留下信息素，較短路徑的螞蟻釋放信息素較多。隨著時間的推移，在相同時間內最短路徑上螞蟻釋放的信息濃度高。在正反饋作用下，信息素濃度高的最短路徑很快會被發(fā)現(xiàn)[40]。該算法計算機易于實現(xiàn)，魯棒性較強，但容易陷入局部最優(yōu)解。

3.2.5 神經網絡算法

神經網絡算法（Neural Network Algorithm，NNA）是模擬動物的神經網絡信息傳遞，通過邏輯性思維推理過程的一種算法。該算法也是人工智能中常用的一種，其信息是分布式存儲的，信息處理是通過類似神經元之間的相互作用動態(tài)處理。但是路徑規(guī)劃路網復雜多變，很難用數(shù)學公式進行描述，通過改進可以實現(xiàn)路徑規(guī)劃。如小波神經網絡算法，該算法是將小波分析與神經網絡結合，通過小波分析對高低頻信號進行處理找到其信號特征值，并將這個信號特征值輸入于神經網絡進行下一步神經網絡算法處理[41]。

3.2.6 遺傳算法

遺傳算法（Genetic Algorithm，GA）是最早由Holland教授于1975年提出的一種人工智能算法[42]。該算法模擬生物進化論思想，并融合了適者生存的概念。遺傳算法根據(jù)待優(yōu)化問題的目標函數(shù)構造相應適應度函數(shù)，再對其進行初始化、評價和遺傳操作。遺傳算法具有快速隨機搜索能力，魯棒性好，擴展性強，但是編程較為復雜，算法搜索速度較慢。

3.2.7 粒子群算法

粒子群算法（Particle Swarm Optimization，PSO）是Eberhart&Kennedy提出的一種新的進化算法，也稱為鳥群覓食算法。該算法從規(guī)律性鳥群集體活動中得到啟發(fā)，通過個體對信息的共享使整個群體運動從無序化到有序化的演變，最終獲得最優(yōu)解。粒子群算法常被用于求解機器人或車輛路徑規(guī)劃問題[43]。該算法原理簡單、參數(shù)少、易操作實現(xiàn)、計算速度快，而且具有記憶功能，但是對種群大小不十分敏感，易陷入局部最優(yōu)解。

3.2.8 A*算法

A*算法是一種靜態(tài)網絡中求最短路徑的啟發(fā)式搜索算法。A*算法如果能找到一個合適的啟發(fā)函數(shù)，即可加快最短路徑搜索速度，進而提高最短路徑搜索精度。A*算法是一種最佳優(yōu)先算法，較適合求解最短路徑，魯棒性也較強，但是易忽略本身節(jié)點限制，不過后續(xù)可通過增加節(jié)點進行改進[44]。

4 交通信息預測

準確的交通信息預測是智能交通領域的重要研究內容。近些年，在基于大數(shù)據(jù)的車輛路徑規(guī)劃相關研究中，對車輛數(shù)據(jù)發(fā)掘并作出交通信息預測成為熱點。

目前，有許多預測方法被廣泛用于交通信息預測并取得了不錯的效果，如卡爾曼濾波方法[45]、時間序列方法[46]、神經網絡法[47]、馬爾可夫預測[48]及灰色預測理論等[49]，上述各方法又可建立多種預測模型。其中時間序列方法在車輛交通流預測研究應用中使用較多，是交通流預測研究熱點。較早提出的預測模型有自回歸模型（AR）、自回歸滑動平均模型（ARMA）、滑動平均模型（MA）[50]等。這些模型具有計算精度高、應用規(guī)模大、實時性好等優(yōu)點，但有時無法準確反映交通狀況的不確定性，抗干擾能力較差。因此，通常選取多種預測模型組合，使其優(yōu)缺點互補，以最合適的預測模型進行交通信息預測。如馬爾可夫預測模型經常與小波理論、BP神經網絡等模型組合，這些模型在交通信息預測方面也有不錯的效果。除此之外，結合人工智能算法的混合模型[51]、組合預測理論[52]、混沌理論[53]等也被廣泛應用于交通信息預測。交通信息預測為減少交通堵塞、提高道路利用率、適時實施交通管制及城市環(huán)境保護提供了強有力的技術支持，具有重要的現(xiàn)實意義。

5 結語

本文對基于大數(shù)據(jù)的車輛路徑規(guī)劃關鍵環(huán)節(jié)，包括交通大數(shù)據(jù)處理、路網匹配、路徑規(guī)劃算法、交通信息預測的國內外研究情況進行了重點介紹。傳統(tǒng)靜態(tài)車輛路徑規(guī)劃系統(tǒng)發(fā)展相對較成熟，基于實時動態(tài)的車輛路徑規(guī)劃、城市交通路網規(guī)劃、城市交通軌跡數(shù)據(jù)挖掘等是現(xiàn)代智能交通系統(tǒng)研究熱點，因此結合人工智能、大數(shù)據(jù)平臺的動態(tài)車輛路徑規(guī)劃備受重視。隨著人工智能算法、大數(shù)據(jù)挖掘、無線通信、北斗衛(wèi)星導航等技術的進一步成熟，基于交通大數(shù)據(jù)的智能車輛路徑規(guī)劃將得到更加長足的發(fā)展，但同時交通數(shù)據(jù)安全不容忽視，如何建立完善的隱私保護機制是大數(shù)據(jù)時代的新挑戰(zhàn)。

參考文獻：

[1] LANEY D. 3D data management： controlling data volume， velocity and variety[J].? META Group Research， 2001， 949（6）： 1-4.

[2] CHEN M， MAO S W， ZHANG Y， et al. Big data related technologies， challenges and future prospects series[M].? NewYork：Springer， 2014.

[3] 程學旗， 靳小龍， 王元卓，等.? 大數(shù)據(jù)系統(tǒng)和分析技術綜述[J].? 軟件學報， 2014， 25（9）： 1889-1908.

[4] 陸化普，孫智源， 屈聞聰.? 大數(shù)據(jù)及其在城市智能交通系統(tǒng)中的應用綜述[J]. 交通運輸系統(tǒng)工程與信息， 2015， 15（5）： 45-52.

[5] 岳建明，袁倫渠. 智能交通發(fā)展中的大數(shù)據(jù)分析[J]. 生產力研究， 2013， 251（6）： 137-138，165.

[6] TAO S， CORCORAN J， MATEO-BABIANO I， et al. Exploring bus rapid transit passenger travel behavior using big data[J]. Applied Geography， 2014， 53（53）： 90-104.

[7] SUN J， ZHANG C， ZHANG L H， et al. Urban travel behavior analyses and route prediction based on floating car data[J].? Transportation Letters， 2014， 6 （3）： 118-125.

[8] 高強，張鳳荔， 王瑞錦， 等.? 軌跡大數(shù)據(jù)： 數(shù)據(jù)處理關鍵技術研究綜述[J]. 軟件學報， 2017， 28（4）： 959-992.

[9] 李建明. 浮動車數(shù)據(jù)挖掘及其在路徑規(guī)劃中的應用[D].? 沈陽： 沈陽航空航天大學， 2016.

[10] ZHENG Y， XIE X. Learning travel recommendations from user-generated GPS traces[J]. ACM Transactions on Intelligent Systems &Technology， 2011， 2（1）： 389-396.

[11] LI S， PETER R S. Review of GPS travel survey and GPS data-processing methods[J].? Transport Reviews， 2014， 34（3）： 316-334.

[12] STENNETH L， WOLFSON O， YU P S， et al. Transportation mode detection using mobile phones and GIS information[C]. Chicago：ACM Sigspatial International Symposium on Advances in Geographic Information Systems， 2011.

[13] LEE W C， KRUMM J. Computing with spatial trajectories[M]. New York：Springer，2011.

[14] HIGHTOWER J， BORRIELLO G. Particle filters for location estimation in ubiquitous computing： a case study[C].? Nottingham： The 6th International Conference on Ubiquitous Computing， 2004.

[15] WANG Y， ZHENG Y， XUE Y. Travel time estimation of a path using sparse trajectories[C].? New York： Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data mining， 2014.

[16] QI G， PAN G， LI S， et al. How long a passenger waits for a vacant taxi-Large-scale taxi trace mining for smart cities[J].? Green Computing & Communications， 2013： 1029-1036.

[17] JENSEN C S， TRADISAUSKAS N. Map matching[J].? Encyclopedia of Database Systems， 2016： 1692-1696.

[18] LI X， HAN J， LEE J， et al. Traffic density-based discovery of hot routes in road networks[C]. Boston：The 10th International Symposium on Advances in Spatial and Temporal Databases，2007.

[19] YUAN Y F， VAN L H， VAN W F， et al. Network-Wide traffic state estimation using loop detector and floating car data[J].? Journal of Intelligent Transportation Systems， 2014， 18（1）： 41-50.

[20] YUAN N J， ZHENG Y， XIE X， et al. Discovering urban functional zones using latent activity trajectories[J]. IEEE Transactions on Knowledge and Data， 2015， 27（3）： 712-725.

[21] ZHENG Y， WANG L， XIE X， et al. GeoLife： managing and understanding your past life over maps[C].? Beijing： The 9th International Conference on Mobile Data Management， 2008.

[22] BERNSTEIN D， KORNHAUSER A. An introduction to map matching for personal navigation assistants[J].? Geometric Distributions， 1996， 122（7）： 1082-1083.

[23] TAYLOR G， BLEWITT G， STEUP D， et al. Road reduction filtering for GPS-GIS navigation[J].? Transactions in GIS， 2001， 5（3）： 193-207.

[24] YIN H， WOLFSON O. A weight-based map matching method in moving objects databases[C].? Chicago： The 16th International Conference on Scientific and Statistical Database Management， 2004.

[25] BLAZQUEZ C， VONDEROHE A. Simple map-matching algorithm applied to intelligent winter maintenance vehicle data[J].? Journal of the Transportation Research Board， 2005， 1935（1）： 68-76.

[26] BRAKATSOULAS S， PFOSER D， SALAS R， et al. On map-matching vehicle tracking data[J].? International Conference on Very Large Data Bases， 2005， 2： 853-864.

[27] NADINE S， KAY W A. Map matching of GPS traces on high-resolution navigation networks using the multiple hypothesis technique （MHT）[J].? Working Paper Transport and Spatial Planning， 2009， （10）： 568-588.

[28] QUDDUS M A， NOLAND R B， OCHIENG W Y. A high accuracy fuzzy logic based map matching algorithm for road transport[J].? Journal of Intelligent Transportation Systems， 2006， 10（3）： 103-115.

[29] OBRADOVIC D， LENZ H， SCHUPFNR M. Fusion of map and sensor data in a modern car navigation system[J].? Journal of Signal Processing Systems， 2006， 45（1）： 111-122.

[30] XU H， LIU H C， TAN C W， et al. Development and application of an enhanced Kalman filter and global positioning system error-correction approach for improved map-matching[J].? Journal of Intelligent Transportation Systems， 2010， 14（1）： 27-36.

[31] CHERIF S， EL-NAJJAR M E， FRANCOIS C. A road matching method for precise vehicle localization using hybrid Bayesian network[J].? Journal of Intelligent Transportation Systems， 2008， 12（4）： 176-188.

[32] NEWSON P， KRUMM J. Hidden Markov map matching through noise and sparseness[C].? Seattle： The 17th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems， 2009.

[33] LOU Y， ZHANG C， ZHENG Y， et al. Map-Matching for low-sampling-rate GPS trajectories[C].? Seattle： The 17th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems， 2009.

[34] JOHN K. Probabilistic modeling of traffic lanes from GPS traces[C].? San Jose： The 18th ACM Sigspatial International Conference on Advances in Geographic Information Systems， 2010.

[35] DIJKSTRA E W. A note on two problems in connection with graphs[J].? Numerische Mathematik， 1959， 1（1）：269-271.

[36] JAVED A， SEJOON L. Congestion-aware traffic routing system using sensor data[C].? Anchorage： The 15th International IEEE Conference on Intelligent Transportation Systems， 2012.

[37] 周程. 物流配送路徑優(yōu)化策略研究[J].? 武漢理工大學學報， 2005， 29（5）： 797-800.

[38] LEE C Y. An Algorithm for path connections and its applications[J].? Electronic Computers， 1961， 10（3）： 346-365.

[39] JOHN F， PETER R. Adaptive routing for road traffic[J].? IEEE Computer Graphics and Applications， 2000， 20（3）： 46-53.

[40] YU Z K， NI M F， WANG Z Y. Dynamic route guidance using improved genetic algorithm[J].? Mathematical Problems in Engineering， 2012， 2013（1）： 1-6.

[41] LI Y， WANG R， XU M. Rescheduling of observing spacecraft using fuzzy neural network and ant colony algorithm[J].? Chinese Journal of Aeronautics， 2014， 27（3）： 678-687.

[42] 尹元韜，王焱. 遺傳算法改進策略研究進展[J]. 信息技術與信息化，2010（3）： 40-45.

[43] CALABRESE. Real-time urban monitoring using cell phones： a case study in Rome[J].? IEEE Transactions on Intelligent Transportation Systems， 2010， 12（1）：141-151.

[44] RAJESH K B， NGUYEN X K. Real-time trip information service for a large taxi fleet[C]. Bethesda： Proceedings of the 9th international conference on Mobile systems， applications and services， 2011.

[45] 石曼曼.? 基于卡爾曼濾波的短時交通流預測方法研究[D].? 成都： 西南交通大學， 2012.

[46] SMITH B L， DEMETSKY M J. Traffic flow forecasting： comparison of modeling approaches[J]. Journal of Transportation Engineering， 1997， 123（4）： 261-266.

[47] MARK S D， MARK R C. Short-term inter-urban traffic forecasts using neural networks[J].? International Journal of Forecasting， 1997， 13（1）： 21-31.

[48] 胡楓.? 基于馬爾科夫模型的短時交通流預測研究[D].? 南京： 南京郵電大學， 2013.

[49] 許倫輝， 傅惠.? 交通信息智能預測理論與方法[M].? 北京： 科學出版社， 2009.

[50] 顧國民， 李未， 蔡家楣.? 城市綜合應急指揮系統(tǒng)的車輛路徑規(guī)劃研究與實現(xiàn)[D].? 杭州：浙江工業(yè)大學， 2005.

[51] BAHER A， HIMANSHU P， WILL R. Short-term traffic flow prediction using neuro-genetic algorithms[J]. Intelligent Transportation Systems Journal， 2002， 7（1）： 3-41.

[52] 沈國江， 王嘯虎， 孔祥杰.? 短時交通流量智能組合預測模型及應用[J].? 系統(tǒng)工程理論與實踐， 2011， 31（3）： 561-568.

[53] 薛潔妮， 史忠科.? 基于混沌時間序列分析法的短時交通流預測研究[J].? 交通運輸系統(tǒng)工程與信息， 2008， 8（5）： 68-72.

（責任編輯：江 艷）