文献计量动态交通流讨论 从２０世纪９０年代以来，小轿车开始进入我国寻常百姓的家中，城市机动车保有量的增加，必定会导致交叉口机非混行严重［１］。在现实交通系统中，网络的交通需求是可变的［２］，因此人们对道路的需求开始增多并且以前从未出现过的交通问题也开始频繁出现并影响着社会的进展。所幸，智能交通的进展对于交通问题的解决起到了有效的作用，是近年来讨论的热点。准确地预测交通流是实现智能交通进展的前提和关键，也是智能化交通管理的客观需求［３］，同时，交通流预测也是目前动态交通流领域的主要讨论内容。由于交通流具有随机性、非线性、动态性和反馈性等特性，对此，可将交通流预测方法大致分为两大类，第１类是线性参数法，例如时间序列、卡尔曼滤波、线性回归等；第２类是非线性参数法，例如混沌理论、深度学习以及ｋ近邻等。在前些年，国内外学者利用线性参数法来预测交通流的较多。为了避开传统数学表达式不能很好地进行动态趋势描述的缺点，赵亚伟等［４］利用多维时间序列法来对高速公路的ＥＴＣ短时交通流量进行预测；Ｓ．Ｖ．ＫＵＭＡＲ［５］针对ＡＲＩＭＡ模型需要大量连续交通量数据的缺点，利用卡尔曼滤波来对交通流进行预测，成功避开了数据带来的限制；杨高飞等［６］则将卡尔曼滤波和ＡＲＭＡ进行组合，利用组合模型来预测短时交通流，在预测精度上，该组合模型比两个单一模型有了很大的提高。随着时代的进步和计算机技术的进展，面对交通流的不确定性，越来越多的学者倾向于通过利用非线性参数法来预测交通流，从而提高预测精度。王春安［７］提出了在Ｈａｄｏｏｐ环境下利用ＭａｐＲｅｄｕｃｅ处理框架与ＢＰ神经网络结合的预测模型来预测交通流，该模型不仅可以分析大量数据，而且还可以减小预测时间以及增强预测的实时性；在交通流数据缺失、不完整等情况下，ＴＩＡＮＹａｎ等［８］提出了一种基于长短时记忆（ＬＳＴＭ）的模型来克服数据缺陷在交通流预测中的不足。交通流的变化具有随机性和非线性的特点，对预测精度带来了一定的干扰，Ｎ．Ｇ．ＰＯＬＳＯＮ等［９］对此基于深度学习的方法，提出了正则化和ｔａｎｈ层序列结合的模型。而国内梁艳平等［１０］则利用相似数据与变ｋ值ＫＮＮ（ＫＮＮ⁃ＳＤＡ）算法来预测短时交通流，相比较于传统方法减小了由于交通流的时变性带来的预测误差。综上所述，有关交通流的讨论一直是一个讨论热点，且目前已经发表了大量的相关文献。随着大数据技术及计算...
