章茂庭 楊楠 蔣順英 鄭永玲 白宇

摘 ?要：在數(shù)據(jù)科技時(shí)代，針對(duì)集中式挖掘平臺(tái)下傳統(tǒng)LSTM網(wǎng)絡(luò)模型在處理移動(dòng)軌跡大數(shù)據(jù)時(shí)存在的計(jì)算與存儲(chǔ)問題，提出一種Spark框架下基于LSTM優(yōu)化模型的實(shí)時(shí)交通流量預(yù)測(cè)方法，旨在于提高交通流量預(yù)測(cè)的精確性。實(shí)踐結(jié)果表明，基于真實(shí)的出租車GPS軌跡大數(shù)據(jù)，Spark框架下的LSTM優(yōu)化模型可以實(shí)時(shí)準(zhǔn)確地預(yù)測(cè)交通流量。

關(guān)鍵詞：實(shí)時(shí)交通流量預(yù)測(cè);Spark;LSTM;GPS軌跡大數(shù)據(jù);參數(shù)調(diào)整

中圖分類號(hào)：TP202+.2;U491.1+23 ? ? 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2020）04-0001-08

Abstract：In the era of data science and technology，the traditional LSTM network model in the centralized mining platform has the problems of computing and storage when dealing with the big data of mobile trajectory，this paper proposes a real-time traffic flow prediction method based on the LSTM optimization model under the Spark framework，which aims to the improvements of accuracy of traffic flow prediction. The experiment results of a case study demonstrate that with real-world taxi GPS trajectory big data，the proposed LSTM optimization model based on the Spark framework can accurately predict traffic flow in real time.

Keywords：real-term traffic flow prediction;Spark;LSTM;GPS track big data;parameter adjustment

0 ?引 ?言

近年來，我國(guó)推行“最多跑一次”改革在公共資源利用方面的不斷深入，尤其是在公共數(shù)據(jù)整合與共享中推動(dòng)著政府治理能力的提升，特別是通過交通流量可以衡定交通擁堵狀況，進(jìn)而提供準(zhǔn)確的交通流量預(yù)測(cè)誘導(dǎo)信息[1]。實(shí)時(shí)交通流量預(yù)測(cè)是城市智能交通系統(tǒng)誘導(dǎo)和控制的關(guān)鍵技術(shù)[2]，是利用當(dāng)前和歷史的交通流量信息對(duì)未來的交通流量進(jìn)行預(yù)測(cè)，進(jìn)而幫助出行者進(jìn)行路徑規(guī)劃，緩解交通擁堵和減少環(huán)境污染等[3]。

在數(shù)據(jù)驅(qū)動(dòng)的智能交通系統(tǒng)中，實(shí)時(shí)交通流量預(yù)測(cè)已經(jīng)引起了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注[4]。當(dāng)前，已有的交通流量預(yù)測(cè)模型大致可分為三類[4，5]：參數(shù)模型、非參數(shù)模型和混合模型。參數(shù)模型僅針對(duì)線性數(shù)據(jù)，如Kalman濾波模型[5]、自回歸平均模型[6]等。非參數(shù)模型可以有效彌補(bǔ)參數(shù)模型缺陷，如K近鄰模型[7]、支持向量機(jī)模型[8]、神經(jīng)網(wǎng)絡(luò)模型[9]等。非參數(shù)模型存在結(jié)構(gòu)復(fù)雜、計(jì)算量大和模型參數(shù)確定等問題，混合模型在交通流預(yù)測(cè)中更具優(yōu)勢(shì)。近年來，Xia等人提出一種基于MapReduce的面向分布式建模通用框架的時(shí)空權(quán)重K近鄰優(yōu)化模型（STW-KNN）[10]，有效提高了交通流量預(yù)測(cè)的精度、效率和可擴(kuò)展性;Luo等人提出一種基于KNN-LSTM的交通流預(yù)測(cè)方法，采用KNN算法對(duì)預(yù)測(cè)目標(biāo)站點(diǎn)所在區(qū)域的路網(wǎng)進(jìn)行空間相關(guān)性篩選，并將其構(gòu)造的數(shù)據(jù)集輸入LSTM中進(jìn)行訓(xùn)練[11];Liu等人通過由多個(gè)存儲(chǔ)單元組成的二維網(wǎng)絡(luò)，提出一種基于LSTM的新型高魯棒性交通流預(yù)測(cè)模型[12];Li等人利用GCN和LSTM混合的深度學(xué)習(xí)方法，考慮交通流的時(shí)空相關(guān)性并提取時(shí)空特性，進(jìn)而實(shí)現(xiàn)交通流量預(yù)測(cè)[13];劉釗等人考慮預(yù)測(cè)路段與其近鄰路段的歷史交通流量提出一種KNN與SVR組合的預(yù)測(cè)模型[14];陳小波等人提出一種基于遺傳算法和最小均方SVR模型的路網(wǎng)組合模型，并實(shí)現(xiàn)在流量預(yù)測(cè)中的應(yīng)用[15];Wang等人通過引入長(zhǎng)短期記憶網(wǎng)絡(luò)、殘差連接、深層次網(wǎng)絡(luò)和雙向交通流并考慮預(yù)測(cè)時(shí)降水因素，提出一種基于深雙向長(zhǎng)短期記憶模型和降水因素影響的深度交通流預(yù)測(cè)體系結(jié)構(gòu)P-DBL（Deep Bi-directional Long short-term memory），提高了流量預(yù)測(cè)的精度[16];Ma等人提出一種新的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)（LSTM-NN），可以有效捕捉非線性交通動(dòng)態(tài)，并能克服反向傳播誤差衰減問題，具有較好的時(shí)間序列預(yù)測(cè)能力[17];Jeong等人考慮時(shí)間對(duì)交通流的影響，提出一種基于LSTM模型的預(yù)測(cè)方法[18];Fu等人提出一種使用CNN與LSTM相結(jié)合的混合深度學(xué)習(xí)框架，提高交通流量的預(yù)測(cè)精度[19];Chen等人基于在線開放交通狀況數(shù)據(jù)，提出一種挖掘交通狀況隱藏模式的LSTM預(yù)測(cè)模型，基于深度學(xué)習(xí)方法使用堆疊式自動(dòng)編碼器（Stacked Auto-Encoder）模型，提出一種新穎且預(yù)測(cè)性能較高的交通流量預(yù)測(cè)方法[20]。

現(xiàn)有傳統(tǒng)的集中式LSTM模型無法有效解決交通流大數(shù)據(jù)的分布式存儲(chǔ)和并行計(jì)算問題。為此，本文基于貴州民族大學(xué)海量數(shù)據(jù)統(tǒng)計(jì)與分析方向的研究，并且針對(duì)目前大多數(shù)研究集中式學(xué)習(xí)模型，在大數(shù)據(jù)環(huán)境下提出基于Spark框架的分布式LSTM優(yōu)化模型，采用移動(dòng)軌跡大樣本數(shù)據(jù)提高預(yù)測(cè)的精確性。

1 ?LSTM優(yōu)化模型

LSTM模型是一種為解決一般RNN存在長(zhǎng)期依賴問題而設(shè)計(jì)的獨(dú)特結(jié)構(gòu)。它存在一個(gè)隱藏狀態(tài)，稱為細(xì)胞狀態(tài)（Cell State），記為C（t），遺忘門的輸出為f（t），該細(xì)胞狀態(tài)通過Sigmoid激活函數(shù)由上一序列的隱藏狀態(tài)h（t-1）和本序列X（t）得到。輸出 ?，表示遺忘上一層隱藏函數(shù)細(xì)胞狀態(tài)的概率，表達(dá)式為：

基于傳統(tǒng)的LSTM模型，進(jìn)行參數(shù)設(shè)置和迭代優(yōu)化。對(duì)于LSTM模型，當(dāng)模型訓(xùn)練時(shí)，各連接點(diǎn)的權(quán)值通過輸入數(shù)據(jù)的訓(xùn)練而獲得。當(dāng)確定步長(zhǎng)后，不斷調(diào)整整個(gè)網(wǎng)絡(luò)的誤差權(quán)值而使得誤差最小以及確定最優(yōu)迭代次數(shù)。其中5層網(wǎng)絡(luò)層（包括輸入層和輸出層）、16個(gè)隱含層節(jié)點(diǎn)、激活函數(shù)tanh、損失函數(shù)mean_squared_error、優(yōu)化函數(shù)RMSProp、Back、Batch、迭代次數(shù)等超參數(shù)由人為確定且相當(dāng)重要，合理與否將直接影響模型預(yù)測(cè)的準(zhǔn)確性。為此，在實(shí)驗(yàn)中可以根據(jù)經(jīng)驗(yàn)法或試湊法對(duì)參數(shù)進(jìn)行調(diào)整而最終確定。

上述參數(shù)確定后，需要明確的是影響模型預(yù)測(cè)準(zhǔn)確性的Back、Batch和迭代次數(shù)。由于Back與選定數(shù)據(jù)有關(guān)，可以通過實(shí)驗(yàn)進(jìn)而確定Back和Batch的最佳組合。為此，在實(shí)驗(yàn)中以2n的倍數(shù)進(jìn)行數(shù)值設(shè)定1、2、4、8、…、2n（n=0，1，2，…，n），并進(jìn)行循環(huán)訓(xùn)練而最終確定參數(shù)（在實(shí)驗(yàn)中，取1、2、4、8，迭代訓(xùn)練100次）。參數(shù)訓(xùn)練組合方式，如圖1所示。通過實(shí)驗(yàn)確定Back和Batch，接著進(jìn)行迭代次數(shù)訓(xùn)練（迭代次數(shù)分別為100、150、200、250…）。通過訓(xùn)練結(jié)果的對(duì)比分析，確定最佳的迭代次數(shù)。

基于上述參數(shù)和迭代優(yōu)化方法，確定最優(yōu)參數(shù)和最佳迭代次數(shù)。

同時(shí)，為了降低實(shí)時(shí)預(yù)測(cè)應(yīng)用的計(jì)算成本和內(nèi)存消耗，在基于Spark并行處理框架的Hadoop分布式計(jì)算平臺(tái)中實(shí)現(xiàn)LSTM優(yōu)化模型，實(shí)現(xiàn)交通流量的并行預(yù)測(cè)，提高預(yù)測(cè)的實(shí)時(shí)性。Spark框架下實(shí)現(xiàn)的LSTM優(yōu)化模型如圖2所示。

2 ?數(shù)據(jù)預(yù)處理

2.1 ?數(shù)據(jù)選取

案例研究所采用的數(shù)據(jù)源，選取于2012年11月北京市12 000輛出租車所產(chǎn)生的GPS軌跡數(shù)據(jù)（約50 GB）。為了更為直觀地展示GPS軌跡數(shù)據(jù)，通過提取11月5日GPS軌跡點(diǎn)的密度分布，如圖3（a）所示?？梢园l(fā)現(xiàn)，該密度分布基本可以形成北京市路網(wǎng)。同時(shí)，選取北京市三里河?xùn)|路（三個(gè)路段）作為目標(biāo)路段展開研究，如圖3（b）所示。

2.2 ?數(shù)據(jù)處理

在數(shù)據(jù)預(yù)處理中，首先提取出租車GPS軌跡數(shù)據(jù)（如2012年11月5日），其次判斷車輛運(yùn)行軌跡是否在目標(biāo)路段區(qū)域，最后根據(jù)時(shí)間間隔統(tǒng)計(jì)車輛數(shù)量。在數(shù)據(jù)預(yù)處理中，將GPS軌跡數(shù)據(jù)解壓上傳至HDFS，并進(jìn)行數(shù)據(jù)清洗，如圖4所示。

基于Spark并行分布式計(jì)算平臺(tái)的數(shù)據(jù)預(yù)處理主要包括數(shù)據(jù)提取、數(shù)據(jù)統(tǒng)計(jì)和數(shù)據(jù)集成三個(gè)步驟：

（1）數(shù)據(jù)提?。和ㄟ^textFile（）函數(shù)讀取存儲(chǔ)在HDFS中的原始數(shù)據(jù)，定義鍵值對(duì)，其中key1表示時(shí)間和車輛ID，value1表示目標(biāo)路段編號(hào)。若讀入數(shù)據(jù)的GPS軌跡處于選定目標(biāo)路段區(qū)域則提取并存入鍵值對(duì)，反之則舍棄。接著，使用sortByKey（）函數(shù)對(duì)時(shí)間和車輛ID排序，并去除當(dāng)前時(shí)間間隔內(nèi)同一車輛的重復(fù)數(shù)據(jù)，為此便可獲得目標(biāo)路段在當(dāng)前時(shí)間間隔內(nèi)的車輛信息。

（2）數(shù)據(jù)統(tǒng)計(jì)：讀取步驟1中所提取的數(shù)據(jù)信息，定義鍵值對(duì)，其中key2表示時(shí)間和區(qū)域編號(hào)，value2表示目標(biāo)路段編號(hào)加1。接著，使用reduceByKey（）函數(shù)對(duì)當(dāng)前時(shí)間間隔內(nèi)的出租車數(shù)量進(jìn)行統(tǒng)計(jì)，得到選定目標(biāo)路段在各時(shí)間間隔內(nèi)的車輛數(shù)量（即交通流量）。

（3）數(shù)據(jù)集成：將目標(biāo)路段在當(dāng)前時(shí)間間隔t內(nèi)的出租車車輛總數(shù)整合為一維數(shù)組Xt，由Xt構(gòu)成矩陣X。定義鍵值對(duì)，其中key3表示時(shí)間間隔，value3則表示各目標(biāo)路段的出租車總數(shù)，使用sortByKey（）函數(shù)按時(shí)間進(jìn)行排序，并將結(jié)果輸入HDFS所得到的數(shù)據(jù)將作為后續(xù)的訓(xùn)練數(shù)據(jù)庫。

在數(shù)據(jù)預(yù)處理的數(shù)據(jù)清洗中發(fā)現(xiàn)，GPS軌跡數(shù)據(jù)可能受到GPS信號(hào)不穩(wěn)定等因素的影響。為了得到平穩(wěn)時(shí)間序列曲線便于網(wǎng)絡(luò)訓(xùn)練，采用Kalman濾波對(duì)已統(tǒng)計(jì)數(shù)據(jù)集進(jìn)行平滑處理，如圖5所示。

3 ?案例研究與結(jié)果分析

3.1 ?實(shí)驗(yàn)環(huán)境

在案例研究中，基于Hadoop搭建Spark并行與分布式計(jì)算平臺(tái)。在搭建的Spark集群中，Master作為Work節(jié)點(diǎn)（4個(gè)Work節(jié)點(diǎn)），基本配置為Intel至強(qiáng)i7-3550、ECC DDR3 8G。所有實(shí)驗(yàn)均運(yùn)行于Ubuntu 18.64操作系統(tǒng)，并配置Hadoop 3.1.1+Spark 2.4.3+Java+DL4J。

3.2 ?評(píng)價(jià)指標(biāo)

為了驗(yàn)證參數(shù)調(diào)整和迭代優(yōu)化的合理性，進(jìn)而驗(yàn)證優(yōu)化模型的有效性，本實(shí)驗(yàn)采用以下四個(gè)評(píng)價(jià)指標(biāo)：MAPE（平均絕對(duì)百分比誤差）、RMSE（均方根誤差）、MAE（平均絕對(duì)誤差）和ME（最大誤差），分別被定義如下：

其中，Xt是交通流量的實(shí)際值， 是交通流量的預(yù)測(cè)值，n是在所提供的時(shí)間間隔內(nèi)交通流量處理的總數(shù)。正如其他研究[26-28]，模型預(yù)測(cè)準(zhǔn)確性主要取決于MAPE，MAPE值越低則預(yù)測(cè)準(zhǔn)確性越高。

3.3 ?網(wǎng)絡(luò)模型構(gòu)建

LSTM網(wǎng)絡(luò)輸入采用8維，第一個(gè)隱藏層輸入保持8維，輸出為8*8矩陣;第二個(gè)隱藏層接收上層的輸出8*8矩陣，輸出則變?yōu)?維;第三個(gè)隱藏層輸入輸出皆為8維，網(wǎng)絡(luò)模型的輸出為1維。在這里，采用tanh激活函數(shù)便于更新模型，采用RMSProp優(yōu)化函數(shù)便于快速找更新模型權(quán)重。LSTM優(yōu)化模型構(gòu)建流程，如圖6所示。

3.4 ?實(shí)驗(yàn)結(jié)果分析

為了更加直觀地反映模型的預(yù)測(cè)性能，通過反歸一化增大數(shù)量級(jí)。根據(jù)LSTM優(yōu)化模型的調(diào)參方法進(jìn)行反復(fù)實(shí)驗(yàn)，每次對(duì)相同參數(shù)開展3次實(shí)驗(yàn)并取均值，實(shí)驗(yàn)結(jié)果如表1所示。

當(dāng)Back固定和改變Batch時(shí)，獲得最低的MAPE平均值，實(shí)驗(yàn)結(jié)果如圖7所示（鑒于實(shí)驗(yàn)結(jié)果趨勢(shì)相似，從而選取第二次進(jìn)行呈現(xiàn)）。

基于案例研究可知，得到最優(yōu)參數(shù)Back=4和Batch=8時(shí)，預(yù)測(cè)模型的精確度最高。為此，選擇參數(shù)Back=4和Batch=8帶入LSTM模型，并分別迭代100、150、200和250次進(jìn)行訓(xùn)練，得到不同迭代次數(shù)的實(shí)驗(yàn)結(jié)果，如表2、圖8所示。

基于上述實(shí)驗(yàn)結(jié)果的對(duì)比分析，在分別迭代100、150、200和250次的實(shí)驗(yàn)中，當(dāng)?shù)?50次時(shí)的MAPE值最低。為

此，基于開源庫Deeplearning4J框架，使用SparkDl4jMultiLayer加載LSTM網(wǎng)絡(luò)模型配置，利用Data Normalization將數(shù)據(jù)歸一化封裝成JavaRDD訓(xùn)練數(shù)據(jù)形式，從而完成實(shí)時(shí)并行預(yù)測(cè)。

從圖9可知，參數(shù)調(diào)節(jié)和迭代優(yōu)化使得LSTM模型訓(xùn)練所獲得的MAPE值更低。具體來說，當(dāng)Back=4，Batch=8和迭代次數(shù)為150時(shí)，MAPE為15.955%。上述實(shí)驗(yàn)結(jié)果表明，基于真實(shí)的出租車軌跡大數(shù)據(jù)，Spark框架下的LSTM優(yōu)化模型可以實(shí)時(shí)準(zhǔn)確地預(yù)測(cè)交通流量。

4 ?結(jié) ?論

本文基于Spark框架提出分布式LSTM優(yōu)化模型的交通流預(yù)測(cè)方法，實(shí)現(xiàn)大規(guī)模軌跡數(shù)據(jù)的分布式存儲(chǔ)與并行計(jì)算，提高交通流量預(yù)測(cè)精確性。該方法在Spark并行分布式計(jì)算框架下基于Kalman濾波平滑處理軌跡大數(shù)據(jù)，通過參數(shù)調(diào)節(jié)和迭代計(jì)算實(shí)現(xiàn)LSTM模型的優(yōu)化，并在Spark框架下實(shí)現(xiàn)交通流量的并行預(yù)測(cè)。在案例研究中，基于真實(shí)的出租車GPS軌跡大數(shù)據(jù)，實(shí)時(shí)準(zhǔn)確地預(yù)測(cè)了北京市三里河?xùn)|路的交通流量。當(dāng)Back=4，Batch=8，迭代次數(shù)為150時(shí)，所提出的方法能獲得MAPE為15.955%的預(yù)測(cè)準(zhǔn)確性。

參考文獻(xiàn)：

[1] 杜小勇，陳躍國(guó)，范舉，等.數(shù)據(jù)整理——大數(shù)據(jù)治理的關(guān)鍵技術(shù) [J].大數(shù)據(jù)，2019，5（3）：13-22.

[2] ZHANG J，WANG F Y，WANG K，et al. Data-Driven Intelligent Transportation Systems：A Survey [J]. IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS，2011，12（4）：1624-1639.

[3] JIA Y H，WU J P，XU M. Traffic Flow Prediction with Rainfall Impact Using a Deep Learning Method [J]. Journal of Advanced Transportation，2017：1-10.

[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(yīng)用綜述 [J].交通運(yùn)輸系統(tǒng)工程與信息，2015，15（5）：45-52.

[5] 陳聰，張國(guó)惠，馬曉磊，等.利用大數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)技術(shù)輔助智慧城市發(fā)展 [J].大數(shù)據(jù)，2016，2（3）：39-48.

[6] QIAO S L，SUN R C，F(xiàn)AN G P，et al. Short-term traffic flow forecast based on parallel long short-term memory neural network [C]. Proceedings of 2017 IEEE 8th International Conference on Software Engineering and Service Science，IEEE BEIJING SECTION，2017：253-257.

[7] ZHAO Z，CHEN W，WU X，et al. LSTM network：a deep learning approach for short-term traffic forecast [J]. Intelligent Transport Systems Iet，2017，11（2）：68-75.

[8] OKUTANI I，STEPHANEDES Y J. Dynamic prediction of traffic volume through Kalman filtering theory [J]. Transportation Research Part B Methodological，1984，18（1）：1-11.

[9] ALGHAMDI T，ELGAZZAR K，BAYOUMI M，et al. Forecasting traffic congestion using ARIMA modeling [C]. 2019 15th International Wireless Communications and Mobile Computing Conference （IWCMC），2019：1227-1232.

[10] XIA D W，WANG B F，LI H Q，et al. A distributed spatial-temporal weighted model on MapReduce for short-term traffic flow forecasting [J]. Neurocomputing，2016，179（Feb.29）：246-263.

[11] LUO X L，LI D Y，YANG Y，et al. Spatiotemporal Traffic Flow Prediction with KNN and LSTM [J]. Journal of Advanced Transportation，2019，（PT.1）：537-546.

[12] LIU B Y，CHENG J R，CAI K Q，et al. Singular point probability improve LSTM network performance for long-term traffic flow prediction [C]// National Conference of Theoretical Computer Science，2017：328-340.

[13] LI Z S，XIONG G，CHEN Y Y，et al. A hybrid deep learning approach with GCN and LSTM for traffic flow prediction [C]//2019 IEEE Intelligent Transportation Systems Conference （ITSC）. IEEE，2019：1929-1933.

[14] 劉釗，杜威，閆冬梅，等.基于K近鄰算法和支持向量回歸組合的短時(shí)交通流預(yù)測(cè) [J].公路交通科技，2017，34（5）：122-128+158.

[15] 陳小波，劉祥，韋中杰，等.基于GA-LSSVR模型的路網(wǎng)短時(shí)交通流預(yù)測(cè)研究 [J].交通運(yùn)輸系統(tǒng)工程與信息，2017，17 （1）：60-66+81.

[16] WANG J Y，XU X F，WANG F S，et al. A deep prediction architecture for traffic flow with precipitation information [C]// International Conference on Sensing and Imaging. Springer，Cham，2018：329-338.

[17] MA X L，TAO Z M，WANG Y H，et al. Long short-term memory neural network for traffic speed prediction using remote microwave sensor data [J]. Transportation Research Part C：Emerging Technologies，2015，54：187-197.

[18] JEONG Y S，BYON Y J，CASTRO-NETO M M，et al. Supervised Weighting-Online Learning Algorithm for Short-Term Traffic Flow Prediction [J]. IEEE Transactions on Intelligent Transportation Systems，2013，14（4）：1700-1707.

[19] FU R，ZHANG Z，LI L. Using LSTM and GRU neural network methods for traffic flow prediction [C]// Youth Academic Conference of Chinese Association of Automation. IEEE，2016：324-328.

[20] CHEN Y Y，LV Y S，LI Z J，et al. Long short-term memory model for traffic congestion prediction with online open data [C]// 2016 IEEE 19th International Conference on Intelligent Transportation Systems （ITSC）. IEEE，2016：132-137.

[21] AGAFONOV A，YUMAGANOV A. Spatial-temporal K Nearest Neighbors model on MapReduce for traffic flow prediction [C]//International Conference on Intelligent Data Engineering and Automated Learning. Springer，Cham，2018：253-260.

[22] LUO C，HUANG C，CAO J D，et al. Short-term traffic flow prediction based on least square support vector machine with hybrid optimization algorithm [J]. Neural Processing Letters，2019：1-18.

[23] CHAI Y C，HUANG D R，ZHAO L. A Short-term traffic flow prediction method based on wavelet analysis and neural network [C]//2016 Chinese Control and Decision Conference （CCDC）. IEEE，2016：7030-1034.

作者簡(jiǎn)介：章茂庭（1994-），女，漢族，貴州三穗人，就讀于數(shù)據(jù)科學(xué)與信息工程學(xué)院，統(tǒng)計(jì)學(xué)研究生，研究方向：海量數(shù)據(jù)統(tǒng)計(jì)與分析;楊楠（1997-），女，漢族，貴州盤縣人，就讀于數(shù)據(jù)科學(xué)與信息工程學(xué)院，統(tǒng)計(jì)學(xué)研究生，研究方向：海量數(shù)據(jù)統(tǒng)計(jì)與分析;蔣順英（1996-），女，漢族，貴州興義人，就讀于數(shù)據(jù)科學(xué)與信息工程學(xué)院，統(tǒng)計(jì)學(xué)研究生，研究方向：海量數(shù)據(jù)統(tǒng)計(jì)與分析;鄭永玲（1995-），女，漢族，貴州畢節(jié)人，就讀于數(shù)據(jù)科學(xué)與信息工程學(xué)院，統(tǒng)計(jì)學(xué)研究生，研究方向：海量數(shù)據(jù)統(tǒng)計(jì)與分析;白宇（1994-），女，漢族，貴州仁懷人，就讀于數(shù)據(jù)科學(xué)與信息工程學(xué)院，統(tǒng)計(jì)學(xué)研究生，研究方向：海量數(shù)據(jù)統(tǒng)計(jì)與分析。