文献综述（或调研报告）：
交通状况预测基于先验知识和部分真实观测数据。先验知识（即模型假设）可以是物理交通流模型或数据驱动模型两类，基于提取的实际交通数据，分别利用物理原理或机器学习方法建立。根据先验知识的类型和依赖的输入数据类型，可以把这些方法分为模型驱动、数据驱动两类。模型驱动方法依赖于根据观测经验建立的交通流物理模型；数据驱动方法则依赖于历史数据和统计或机器学习方法[1]。
- 模型驱动预测方法
模型驱动的交通状况预测方法主要包括传统四阶段模型、基于活动的需求预测模型以及土地利用与交通需求模型。其中四阶段法作为交通需求预测的经典方法，因其阶段间逻辑关系明确、步骤分明，在学术与工程领域得到广泛的应用，包括实际的交通规划战略制定，以及许多基于该方法开发的交通仿真软件（如TransCAD、VISUM）。同时四阶段模型也需要收集各种数据，如OD调查，经济水平指标，土地利用情况等。通过收集的数据，产生出行需求和路段交通流。然而随着四阶段法的广泛应用，其本身的局限性也日益暴露出来。除了采集大规模的数据本身需要耗费大量的人力物力；四阶段法本身基于一些过强的假设，可能导致预测结果与真实情况不符。例如，在交通分配阶段，基于Wardrop用户均衡原则，假设所有的出行者都选择最短路径,而这并不总是符合实际情况。
基于仿真的方法根据车辆之间的运行状态以及车辆与环境之间反应规则的具体定义。根据观测结果建立车辆跟驰模型、变道模型并定义可接受间隙。这些反应规则通常假定遵循一定的随机分布，并使用伪随机数实现。然而通常难以获得与实际情况准确相符的随机分布，因此误差也会反映在交通状况参数的预测结果。
- 数据驱动预测方法
交通流模型是描述时空中交通运动的物理理论。因此，模型驱动的交通状况预测方法用其推断未观测时间段或空间中的交通状态。随着智能交通系统设施的快速发展，新数据类型（如全球定位系统（GPS）、呼叫详细记录（CDR）、第二代车载诊断设备（OBD2）等）的可用性在质量和数量上都在迅速提高，仅由数据驱动的交通状况预测方法受到了广泛的关注[2]。
然而挑战和困难也随之出现，在数据处理的过程中，将面临一系列的问题，如数据查找、数据存储、数据分析、可视化以及数据共享。与其他数据不同，交通大数据具有时空覆盖的特性，因而增加了数据样本的复杂性和异质性[3]。因此，构建交通状况预测模型必须具有较强的大数据处理能力。尽管浅层神经网络在交通流信息预测中得到了广泛的应用，但由于数据样本有限，很容易造成模型过拟合的问题。这启发我们思考基于集成学习的数据驱动交通状况预测方法。随着机器学习技术的不断发展，学者尝试开发具有挖掘数据之间的复杂非线性关系能力的模型，因此，一些深层的机器学习模型因其更强的学习隐性特征的能力，逐渐取代了浅层的机器学习模型[4]。
- 机器学习模型
本部分综述主要针对在交通状况预测中使用的参数与非参数机器学习模型。参数模型通过建立结构化表达式和变量假设来计算实验数据[5]。在交通流预测中， Weiguo Li等使用有序逻辑回归（LR）对交通流进行预测[6];此外ARMA模型也是一个重要的参数模型。ARMA将预测对象随时间变化形成的数据序列作为一个随机序列，利用特定的数学模型来逼近该序列[7]。参数模型具有充分的理论基础，广泛适用于稳定的交通流。然而当交通状况急剧变化时，模型可能无法体现实际情况，容易造成信息丢失和过拟合的问题。
非参数模型直接或间接从真实数据分析中建立联系，无需对数据分布形式建立额外的假设[8]。随着交通大数据样本量的增加，越来越多的学者开始关注非参数模型的研究。在交通状况预测中，Djukic等(2012)基于主成分分析的结果，进而使用标准卡尔曼滤波方法（KF）提高OD估计的准确率；Ma等人(2015)使用RNN通过微波数据进行交通速度预测[9]；Chang等(2012)针对交通流中频繁的波动和突变，提出了一种基于KNN回归的动态预测方法[10]；Jeong等(2013)提出了一种短时交通流预测的支持向量回归(SVR)预测模型[11]。集成学习作为一种强监督模型，利用多个弱学习器，逐步降低模型误差，以逼近最优解[12]。Xinran He等（2014）使用GBDT算法重构特征后，以GBDT输出的结果作为输入重新建立LR模型对点击量进行预测（模型框架如图一）[13]。非参数模型具有特征学习的能力，能够学习隐性特征并且自适应调整模型结构来提高特征学习能力和鲁棒性。
综上所述，本文需要将部分路段的精确数据与广泛数据（网约车数据）结合，对全网络的交通状况进行预测。对于无真实数据的路段，本身构成一个无样本学习的问题，所以本文基于集成学习模型对有样本路段提取特征，并利用组合特征在无真实数据的路段上建立参数模型。
参考文献
课题毕业论文、文献综述、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
