基于CNN-ARIMA的交通路口短周期交通車流量預(yù)測(cè)方法

包文華，劉海瑞，方 圓，王成棟

基于CNN-ARIMA的交通路口短周期交通車流量預(yù)測(cè)方法

包文華，劉海瑞，方 圓，王成棟*

（安徽信息工程學(xué)院，安徽 蕪湖 241000）

針對(duì)現(xiàn)有預(yù)測(cè)模型在智慧交通車流量預(yù)測(cè)過(guò)程中準(zhǔn)確度較低、數(shù)據(jù)不平穩(wěn)的問(wèn)題，文章提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）和時(shí)間序列預(yù)測(cè)模型自回歸差分移動(dòng)平均（ARIMA）相結(jié)合的短周期交通車流量預(yù)測(cè)方法。文章以蕪湖市汪溪路路口一周內(nèi)的歷史車流量數(shù)據(jù)為樣本去預(yù)測(cè)下一時(shí)間周期的交通車流量，將得到的數(shù)據(jù)經(jīng)過(guò)歸一化處理后模擬仿真實(shí)驗(yàn)，仿真結(jié)果表明，該方案能夠運(yùn)用于交通管控中，且能有效保持較高精確率而不受數(shù)據(jù)集大小的影響，其預(yù)測(cè)結(jié)果可以為車輛擁堵問(wèn)題提供較好的提前應(yīng)對(duì)方案。

智慧交通；交通路口；短周期；交通車流量；CNN-ARIMA；預(yù)測(cè)方法

隨著社會(huì)科技水平的不斷發(fā)展，人們對(duì)于出行的需求也相應(yīng)增多。家用車總數(shù)的持續(xù)增加和道路交通網(wǎng)的復(fù)雜化改進(jìn)，導(dǎo)致城市交通擁堵問(wèn)題日益嚴(yán)重。為了解決交通擁堵問(wèn)題，很多地方實(shí)施了智能交通系統(tǒng)[1]。近年來(lái)，人工智能技術(shù)被應(yīng)用在各行各業(yè)，許多學(xué)者也將其運(yùn)用在智能交通領(lǐng)域。文獻(xiàn)[2]主要從車輛檢測(cè)的速度和精度方面進(jìn)行改進(jìn)，從實(shí)驗(yàn)結(jié)果看改進(jìn)的算法具有良好的性能；文獻(xiàn)[3]分別從前車檢測(cè)精度、遮擋前車檢測(cè)，以及車檢測(cè)速度三個(gè)方面進(jìn)行了問(wèn)題的探究及對(duì)應(yīng)Faster基于卷積神經(jīng)網(wǎng)絡(luò)（Region- Convolutional Neural Networks, R-CNN）算法（用于對(duì)象檢測(cè)的深度神經(jīng)網(wǎng)絡(luò)架構(gòu)）的優(yōu)化，實(shí)驗(yàn)結(jié)果證明，在恰當(dāng)?shù)臄?shù)量及參數(shù)選擇下，優(yōu)化算法對(duì)前車的檢測(cè)有了較大的提升；文獻(xiàn)[4]提出了一種基于改進(jìn)的Faster R-CNN模型的車輛檢測(cè)算法，實(shí)驗(yàn)結(jié)果表明，該模型有效解決了漏檢和誤檢問(wèn)題。

但上述文獻(xiàn)所提出的算法只是檢測(cè)出車輛或者車輛個(gè)數(shù)，并沒(méi)有對(duì)車流量進(jìn)行預(yù)測(cè)，而預(yù)測(cè)車流量可以為出行者提供合理的建議，才是目前解決車輛擁堵問(wèn)題的關(guān)鍵[5]。故文獻(xiàn)[6]提出對(duì)特征提取視覺(jué)幾何群網(wǎng)絡(luò)（Visual Geometry Group Network, VGG16）生成的特征層進(jìn)行處理，通過(guò)加入反卷積操作將所得到的特征信息進(jìn)行分層預(yù)測(cè)，提出并實(shí)現(xiàn)利用注意力機(jī)制對(duì)Faster R-CNN算法做進(jìn)一步改進(jìn)；文獻(xiàn)[7]基于查分自回歸移動(dòng)平均（Auto Regressive Integrated Moving Average, ARIMA）算法提出了一種改進(jìn)型的短時(shí)車流量預(yù)測(cè)模型將短時(shí)車流量數(shù)據(jù)劃分為對(duì)應(yīng)的數(shù)據(jù)集組，再由每個(gè)數(shù)據(jù)集組預(yù)測(cè)下一個(gè)時(shí)間周期的車流量，仿真結(jié)果驗(yàn)證了模型的準(zhǔn)確性；文獻(xiàn)[8]提出了在ARIMA算法基礎(chǔ)上用矩估計(jì)法進(jìn)行參數(shù)初估計(jì)，用最小二乘法進(jìn)行參數(shù)精估計(jì)，用貝葉斯信息準(zhǔn)則（Bayesian Information Criterion, BIC）為模型定階，實(shí)驗(yàn)結(jié)果表明，在時(shí)變性強(qiáng)的短時(shí)交通流量預(yù)測(cè)時(shí)有一定的準(zhǔn)確性。

但上述方案在車流量預(yù)測(cè)算法中處理大量數(shù)據(jù)集時(shí)，仍存在檢測(cè)準(zhǔn)確率較低和算法性能不穩(wěn)定的問(wèn)題。為解決以上研究存在的問(wèn)題，本文提出了一種基于CNN和ARIMA相結(jié)合的短周期交通車流量預(yù)測(cè)方法，將獲取的車流量數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集，構(gòu)建訓(xùn)練模型并對(duì)模型優(yōu)化，從而提高測(cè)試集的預(yù)測(cè)準(zhǔn)確率。仿真實(shí)驗(yàn)結(jié)果驗(yàn)證了該模型在預(yù)測(cè)車流量方面具有較好的普適性和魯棒性，其預(yù)測(cè)結(jié)果可以為出行者提供交通路線規(guī)劃，以此解決交通擁堵問(wèn)題。

1 基于CNN-ARIMA的車流量預(yù)測(cè)

本文中所提出的基于CNN-ARIMA相結(jié)合的短周期交通車流量預(yù)測(cè)方案，預(yù)測(cè)過(guò)程包括獲取數(shù)據(jù)集、數(shù)據(jù)處理、構(gòu)建訓(xùn)練模型以及實(shí)驗(yàn)結(jié)果分析。首先介紹獲取數(shù)據(jù)集，以蕪湖市汪溪路十字路口為場(chǎng)景，如圖1所示。收集一周內(nèi)通過(guò)的車流量，用收集到的歷史車流量數(shù)據(jù)去預(yù)測(cè)未來(lái)一周內(nèi)可能通行的車輛總數(shù)，將得到的數(shù)據(jù)用于交通管控中。

圖1 交通路口場(chǎng)景圖

1.1 數(shù)據(jù)集來(lái)源

由于開(kāi)源數(shù)據(jù)集（如Tsinghua traffic）中場(chǎng)景較為單一，包含圖像類別不足，不足以證明預(yù)測(cè)結(jié)果的準(zhǔn)確性。故本文選取蕪湖市汪溪路路口的車流量為數(shù)據(jù)集，連續(xù)7天為一個(gè)時(shí)間周期序列，采集時(shí)間段為9:00－18:00，每間隔30 min統(tǒng)計(jì)一次車流量。通過(guò)使用當(dāng)前周期的車流量數(shù)據(jù)去預(yù)測(cè)下一周期時(shí)間節(jié)點(diǎn)的車流量，預(yù)測(cè)過(guò)程可以進(jìn)行Z-Scores歸一化處理，經(jīng)過(guò)處理后的車流量數(shù)據(jù)在不同周期的相同時(shí)間節(jié)點(diǎn)會(huì)存在關(guān)聯(lián)性。

1.2 CNN算法

在傳統(tǒng)的模型訓(xùn)練方法中，視頻監(jiān)控采集的圖像需要處理的數(shù)據(jù)量太大，同時(shí)圖像在數(shù)字化的過(guò)程中很難保留原有的特征，導(dǎo)致圖像處理的準(zhǔn)確率不理想。故本文先采用基于CNN模型來(lái)處理，采用不同結(jié)構(gòu)和數(shù)值的卷積核，提取更精確的數(shù)據(jù)特征。模型由3層卷積層和3層池化層構(gòu)成，使用線性整流函數(shù)（Rectified Linear Unit, ReLU）作為激活函數(shù)。在每個(gè)隱藏層，卷積核的大小為6×6，卷積運(yùn)算步長(zhǎng)為2。卷積運(yùn)算公式用矩陣乘法來(lái)表示：

式中，y為當(dāng)前值；為常數(shù)項(xiàng)；為階數(shù)；y-為自相關(guān)系數(shù)；ε為誤差。

把卷積核展開(kāi)后進(jìn)行按序排列，再遍歷所有的通道，最后將矩陣中對(duì)應(yīng)的行列數(shù)據(jù)點(diǎn)乘。CNN對(duì)數(shù)據(jù)處理需要以下幾個(gè)步驟：

步驟1：數(shù)據(jù)準(zhǔn)備。收集車流量數(shù)據(jù)，并將其劃分為訓(xùn)練集和測(cè)試集；

步驟2：數(shù)據(jù)預(yù)處理。對(duì)數(shù)據(jù)進(jìn)行必要的處理，例如去噪、歸一化、缺失值填充等；

步驟3：特征提取。對(duì)每個(gè)數(shù)據(jù)樣本提取特征，例如天氣、時(shí)間、交通擁堵情況等，可以使用CNN自動(dòng)提取特征；

步驟4：構(gòu)建CNN模型。使用開(kāi)源神經(jīng)網(wǎng)絡(luò)庫(kù)（Keras）深度學(xué)習(xí)框架構(gòu)建CNN模型，包括卷積層、池化層、全連接層等；

步驟5：訓(xùn)練模型。使用訓(xùn)練集進(jìn)行模型訓(xùn)練，并在驗(yàn)證集上調(diào)整模型參數(shù)，避免過(guò)擬合；

步驟6：模型評(píng)估。使用測(cè)試集評(píng)估模型的預(yù)測(cè)效果，本文設(shè)置了均方根誤差（Root Mean Square Error, RMSE）、平均絕對(duì)誤差（Mean Absolute Error, MAE）、平均絕對(duì)百分比誤差（Mean Absolute Percentage Error, MAPE）三個(gè)指標(biāo)；

步驟7：模型優(yōu)化。根據(jù)評(píng)估結(jié)果對(duì)模型進(jìn)行優(yōu)化，例如調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)、改變損失函數(shù)、增加正則化等；

步驟8：預(yù)測(cè)車流量。使用訓(xùn)練好的CNN卷積網(wǎng)絡(luò)模型對(duì)新的車流量數(shù)據(jù)進(jìn)行預(yù)測(cè)。

1.3 ARIMA算法

ARIMA是一種自回歸差分移動(dòng)平均模型，廣泛應(yīng)用于單變量時(shí)間序列數(shù)據(jù)預(yù)測(cè)。時(shí)間序列就是在時(shí)間變化過(guò)程中增量不變的條件下，記錄不同時(shí)刻下經(jīng)過(guò)路口車輛數(shù)量的集合，通過(guò)對(duì)多組歷史值的分析來(lái)預(yù)測(cè)未來(lái)的發(fā)展趨勢(shì)，即下一周期各時(shí)間節(jié)點(diǎn)通過(guò)路口的車流量。ARIMA（,,）模型有3個(gè)參數(shù)，表示經(jīng)過(guò)次差分后是平穩(wěn)的ARIMA（,）過(guò)程，其中階自回歸過(guò)程的計(jì)算如式（1）所示。

現(xiàn)在通過(guò)使用ARIMA時(shí)間序列對(duì)車流量數(shù)據(jù)進(jìn)行預(yù)測(cè)，將時(shí)間節(jié)點(diǎn)的車流量設(shè)為變量，采用自回歸模型預(yù)測(cè)與前期相關(guān)的現(xiàn)象，步驟依次為

步驟1：進(jìn)行平穩(wěn)性檢驗(yàn)。觀察時(shí)序圖，或者單位根檢測(cè)檢驗(yàn)判斷序列是否平穩(wěn)。如果平穩(wěn)直接使用ARMA模型去擬合；如果不平穩(wěn)但是通過(guò)次差分后是一個(gè)平穩(wěn)過(guò)程，則使用ARIMA模型擬合。

步驟2：人工和階數(shù)的確定。ARIMA模型要求殘差之間不存在自相關(guān)性，因此，本文將自相關(guān)性系數(shù)大于0.1作為判定界限，如若滿足則是白噪聲，反之則不是。當(dāng)?shù)玫狡椒€(wěn)時(shí)間序列之后，要對(duì)其求得自相關(guān)系數(shù)自相關(guān)函數(shù)（Auto Correlation Function, ACF），通過(guò)對(duì)自相關(guān)圖得到最佳的階層和階數(shù)。

步驟3：模型評(píng)價(jià)。針對(duì)蕪湖市汪溪路路口的交通車流量數(shù)據(jù)集，通過(guò)結(jié)合最小化信息量準(zhǔn)則（Akaike Information Criterion, AIC）和BIC構(gòu)建更簡(jiǎn)單的預(yù)測(cè)模型。與其他時(shí)間序列預(yù)測(cè)模型進(jìn)行對(duì)比，從而找到最優(yōu)模型，其計(jì)算公式為

式中，AI為AIC值；BI為BIC值；為模型參數(shù)個(gè)數(shù)；為樣本數(shù)量；為似然函數(shù)。在保證模型精度的情況下盡量使得值越小越好。

步驟4：模型預(yù)測(cè)結(jié)果。通過(guò)ARIMA時(shí)間序列預(yù)測(cè)模型對(duì)蕪湖市汪溪路路口一段周期內(nèi)交通車流量數(shù)據(jù)進(jìn)行分析，預(yù)測(cè)出下一段時(shí)間周期交通車流量的變化趨勢(shì)。通過(guò)對(duì)預(yù)測(cè)結(jié)果進(jìn)行分析，找出一種在短周期時(shí)間序列中較為平穩(wěn)的變化趨勢(shì)。如果沒(méi)有找到最優(yōu)解，則返回式（2）和式（3）重新計(jì)算，直至找到最優(yōu)的模型。

1.4 CNN-ARIMA的車流量預(yù)測(cè)方法

傳統(tǒng)策略對(duì)于交通車流量的預(yù)測(cè)往往會(huì)受到上下班高峰期、意外擁堵、天氣等多種因素的影響。因此，使用傳統(tǒng)的策略進(jìn)行預(yù)測(cè)可能無(wú)法達(dá)到較好效果。在現(xiàn)有的成果中，大部分方式都是通過(guò)對(duì)歷史車流量數(shù)據(jù)進(jìn)行分析來(lái)預(yù)測(cè)下一階段的車流量。雖然理論上是可行的，但在實(shí)際情境中，往往會(huì)出現(xiàn)因?yàn)槟畴A段內(nèi)車流量的急劇變化而干擾下一階段車流量的預(yù)測(cè)情況。為了避免該現(xiàn)象的出現(xiàn)，本文通過(guò)收集歷史周期車流量數(shù)據(jù)，計(jì)算每個(gè)時(shí)間節(jié)點(diǎn)的特征值，將得到的結(jié)果進(jìn)行線性分析之后取其平均值，使用式（4）預(yù)測(cè)下一階段各時(shí)間點(diǎn)的車流量。這種方式可以較好地應(yīng)對(duì)車流量因外部因素的影響所造成的準(zhǔn)確率誤差，即

式中，為一種線性回歸系數(shù)，該系數(shù)值與預(yù)測(cè)精確率密切相關(guān)；α隨值變化，為每個(gè)時(shí)間節(jié)點(diǎn)的車流量數(shù)據(jù)值。為了提高結(jié)果的精確率，本文提出了一種基于CNN-ARIMA的方法來(lái)預(yù)測(cè)值，從而得到式（4）的預(yù)測(cè)值，步驟依次為

步驟1：每一時(shí)間節(jié)點(diǎn)獲取一次歷史車流量數(shù)據(jù)，將該樣本數(shù)據(jù)記錄之后按照時(shí)間順序進(jìn)行排序，對(duì)樣本數(shù)據(jù)采用隨機(jī)抽樣法進(jìn)行處理和分析，用最后的實(shí)驗(yàn)結(jié)果預(yù)測(cè)下一周期各時(shí)間節(jié)點(diǎn)的車流量。

步驟2：將處理后的數(shù)據(jù)采用式（5）進(jìn)行Z- Scores歸一化處理，再將所有實(shí)驗(yàn)數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集，訓(xùn)練集和測(cè)試集比例設(shè)為8:2，表示為

步驟3：將訓(xùn)練集和測(cè)試集用于訓(xùn)練CNN的卷積神經(jīng)網(wǎng)絡(luò)，起初設(shè)定一個(gè)預(yù)期值，記錄每輪訓(xùn)練得到的實(shí)驗(yàn)結(jié)果，將數(shù)據(jù)結(jié)果進(jìn)行對(duì)比。采用隨機(jī)梯度下降算法迭代參數(shù)，減小測(cè)試誤差，同時(shí)設(shè)定迭代次數(shù)閾值，避免因迭代次數(shù)過(guò)多導(dǎo)致實(shí)驗(yàn)結(jié)果出現(xiàn)過(guò)擬合或者欠擬合的情況。

圖2 預(yù)測(cè)過(guò)程圖

步驟4：對(duì)最終得到的實(shí)驗(yàn)結(jié)果進(jìn)行分析計(jì)算，若預(yù)測(cè)結(jié)果不理想則重復(fù)訓(xùn)練步驟3，直至獲取全局最優(yōu)解的參數(shù)。具體預(yù)測(cè)流程如圖2所示。

2 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文提出的CNN-ARIMA算法預(yù)測(cè)車流量的效果，對(duì)采集的車流量數(shù)據(jù)集上進(jìn)行了仿真實(shí)驗(yàn)。仿真實(shí)驗(yàn)環(huán)境使用操作系統(tǒng)為Win- dows 10；CPU酷睿i9 NVIDIA GeForce GTX 450；運(yùn)行內(nèi)存為16 GB；硬盤為512 GB；深度學(xué)習(xí)框架為Tensorflow2.6；初始學(xué)習(xí)率為0.005；batch_ size設(shè)為150，后續(xù)會(huì)更改其大小；設(shè)閾值為500。同時(shí)使用長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short Term Mem- ory, LSTM）與移動(dòng)平均模型（Moving Average, MA）作為對(duì)比算法，以評(píng)估本文所提出算法在不同指標(biāo)下的性能。

2.1 預(yù)測(cè)性能指標(biāo)

為了驗(yàn)證本文所述算法以及其他兩種算法的效果，采用RMSE、MAE、MAPE三個(gè)指標(biāo)來(lái)對(duì)算法模型進(jìn)行評(píng)價(jià)，計(jì)算公式為

2.2 預(yù)測(cè)結(jié)果分析

為了對(duì)本文提出的算法進(jìn)行評(píng)估，CNN- ARIMA、LSTM、MA三種算法的結(jié)果如圖3所示。橫坐標(biāo)表示訓(xùn)練的車流量總數(shù)，將其劃分為六段，樣本數(shù)為500～1 000個(gè)，間隔值為100。縱坐標(biāo)表示模型預(yù)測(cè)的準(zhǔn)確度。由圖3可知，本文算法的最高預(yù)測(cè)準(zhǔn)確度為93%，最低預(yù)測(cè)準(zhǔn)確度為89%，均高于LSTM和MA算法，這說(shuō)明本文算法具有一定可行性。

圖3 預(yù)測(cè)結(jié)果圖

當(dāng)車流量在500～600時(shí)，三種算法的預(yù)測(cè)準(zhǔn)確度都較高，均處于90%以上，當(dāng)車流量為600～800時(shí)，隨著車輛樣本數(shù)的增加，CNN-ARIMA和LSTM算法的預(yù)測(cè)準(zhǔn)確度有所下降，但下降趨勢(shì)較緩，而MA算法的下降速度較快，預(yù)測(cè)準(zhǔn)確度低于90%。因?yàn)镸A算法性能較前兩種算法相比不太穩(wěn)定，當(dāng)處理的數(shù)據(jù)集過(guò)大，容易出現(xiàn)過(guò)擬合，從而導(dǎo)致算法準(zhǔn)確率下降較快。當(dāng)訓(xùn)練車流量在800～1 000時(shí)，LSTM和MA算法的預(yù)測(cè)準(zhǔn)確度迅速下降，而本文所提出的CNN-ARIMA算法仍保持緩慢下降，且預(yù)測(cè)準(zhǔn)確度超過(guò)85%。這說(shuō)明本文所提出的算法能有效保持較高精確率而不受數(shù)據(jù)集大小的影響。本文三種算法的RMSE、MAE和MAPE的對(duì)比結(jié)果，如表1所示。提出的CNN-ARIMA算法RMSE、MAE和MAPE分別為9.71%、7.16%、17.42%。相比于另外兩種算法具有較好的效果，這也充分證明了本文算法的可行性。

表1 算法結(jié)果分析表

3 結(jié)論

本文提出了一種基于CNN和ARIMA相結(jié)合的短周期交通車流量預(yù)測(cè)方法，所提出的算法在Tensorflow框架上進(jìn)行實(shí)現(xiàn)，通過(guò)對(duì)車流量數(shù)據(jù)集的訓(xùn)練參數(shù)進(jìn)行迭代，提高了預(yù)測(cè)結(jié)果的準(zhǔn)確度，仿真實(shí)驗(yàn)表明，本文的算法可以不受數(shù)據(jù)集的大小影響而保持較高的預(yù)測(cè)準(zhǔn)確度，其預(yù)測(cè)結(jié)果可以為車輛擁堵問(wèn)題提供較好的提前應(yīng)對(duì)方案。在后續(xù)的研究中需要增加更大復(fù)雜化的車流量數(shù)據(jù)集，以期達(dá)到對(duì)整個(gè)城市路網(wǎng)的車流量進(jìn)行預(yù)測(cè)。

[1] 李瑞敏,王長(zhǎng)君.智能交通管理系統(tǒng)發(fā)展趨勢(shì)[J].清華大學(xué)學(xué)報(bào)(自然科學(xué)版),2022(3):509-515.

[2] 王劍.城市街景影像中行人車輛檢測(cè)實(shí)現(xiàn)[D].北京:北京建筑大學(xué),2020.

[3] 崔國(guó)臣.基于Faster R-CNN的前方道路車輛檢測(cè)優(yōu)化算法研究[D].青島:山東科技大學(xué),2020.

[4] 魏子洋,趙志宏,趙敬嬌.改進(jìn)Faster R-CNN算法及其在車輛檢測(cè)中的應(yīng)用[J].應(yīng)用科學(xué)學(xué)報(bào),2020,38(3): 377-387.

[5] 胡杰,龔永勝,蔡世杰,等.基于多源數(shù)據(jù)的車流量時(shí)空預(yù)測(cè)方法[J].汽車工程,2021,43(11):1662-1672.

[6] 陳帥男.基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)算法研究[D].大慶:東北石油大學(xué),2021.

[7] 楊東龍.基于ARIMA模型的區(qū)間道路短時(shí)車流量預(yù)測(cè)研究[J].電子設(shè)計(jì)工程,2021,29(13):38-42.

[8] 張利,李星毅,施化吉.基于ARIMA模型的短時(shí)交通流量預(yù)測(cè)算法研究[J].鄭州輕工業(yè)學(xué)院學(xué)報(bào)(自然科學(xué)版),2008,23(4):89-92.

Short Cycle Traffic Vehicle Flow Prediction Method for Traffic Intersections Based on CNN-ARIMA

BAO Wenhua, LIU Hairui, FANG Yuan, WANG Chengdong*

( Anhui Institute of Information Technology, Wuhu 241000, China )

Aiming at the problems of low accuracy and unstable data of existing prediction models in the process of intelligent traffic vehicle flow prediction, this paper proposes a short-period traffic flow prediction method based on the combination of convolutional neural network (CNN) andtime series prediction model auto regressive integrated moving average(ARIMA). In this paper, the historical traffic flow data of Wangxi road intersection in Wuhu city within a week is taken as the sample to predict the traffic vehicleflow in the next time period, and the obtained data are normalized and simulated. The simulation results show that the scheme can be applied to traffic control, and the scheme can effectively maintain a high accuracy without being affected by the size of the data set, and the prediction results can provide a better solution to the problem of vehicle congestion in advance.

Intelligent transportation;Traffic intersections;Short cycle;Traffic vehicleflow predic- tion; CNN-ARIMA;Prediction method

U491.1+4

A

1671-7988(2023)22-178-05

10.16638/j.cnki.1671-7988.2023.022.035

包文華（2001－），男，研究方向?yàn)檐嚶?lián)網(wǎng)智慧交通、大數(shù)據(jù)分析預(yù)測(cè)，E-mail:whbao1314@163.com。

王成棟（1991－），男，碩士，助教，研究方向?yàn)檐嚶?lián)網(wǎng)智慧交通，E-mail:cdwang2@iflytek.com。

安徽高校自然科學(xué)研究一般項(xiàng)目資助、安徽信息工程學(xué)院青年科研基金項(xiàng)目資助（22QNJJKJ006）；安徽信息工程學(xué)院國(guó)家級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目（202213613007）；安徽信息工程學(xué)院省級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目（S202213613047）。