机场是一个空地交通系统,机场地面交通的预测不同于一般城市道路具有其特殊性。本研究以北京首都国际机场为研究对象,基于2016年8月1日-2017年7月31日空地交通小时数据,预测辖区内58条道路小时级别的拥堵延时指数,为相关部门的管理提供依据。与传统的基于自身序列的预测模型相比,本研究将航空因素引入地面交通拥堵预测模型中,结果显示航空因素对于机场地面交通的预测具有重要影响,证实了机场地面交通预测的特殊性。与线性模型ARIMA和VAR模型相比,深度学习算法LSTM模型具有更好的预测精度。

以成都市中心城区人民南路三段为例，进行了实例预测研究。预测结果为交 通拥堵预测的识别率为48%，误判率为16%，结果表明基于速度的拥堵预测模型能够对 城市主干道交通状态进行有效的预测分析。

据统计，我国目前百万人口以上的城市中有80%的路段和90%的路口通行能力已经接近极限，特别是北京、上海、深圳等城市，交通拥堵已成为城市问题。不但影响了人的日常生活工作，也严重制约了城市的经济发展和环境状况。所以随着交通拥堵问题的日益严重，能提前预测交通拥堵的程度是具有潜在价值的，这样司机和行人就可以通过预报尽可能地避免交通拥堵带来的不便。

针对城市道路交通拥堵预警问题，提出了一种基于深度学习的预测模型 。 通过归纳合并交通流参数 、 环境状态 、 时段等基础数据来构建交通流特征向量并确定四种预测状态 。 采用深度学习的自编码网络方法从无 标签数据集中学习获取可表征数据深层特征的隐层参数并生成新特征集 。 应用 Softmax 回归对有标签的新特征 集进行学习生成预测分类器，模型可对交通拥堵状况进行多态预测 。 通过仿真对比分析，预测模型具有较省略 特征学习的预测算法更好的预测性能，平均预测精度可达 85% 。