1. 研究目的与意义（文献综述）
1.1 研究背景及意义
近年来，我国经济快速发展使中等收入群体持续扩大，经济发展的主要驱动力由外需转为内需，消费在我国经济增长中的地位越来越突出。我国财政部税务总局在2019年第71号《关于车辆购置税有关具体政策的公告》中指出“纳税人购买自用应税车辆实际支付给销售者的全部价款，依据纳税人购买应税车辆时相关凭证载明的价格确定，不包括增值税税款”。同时，科技的飞速发展以及各大车企之间的竞争，汽车的购买成本相对降低。据公安部统计：截至2019年底，我国小型载客汽车保有量达2.2亿辆，与2018年底相比，增加了1926万辆（扣除报废注销量），增长了9.37%，其中私家车保有量达2.07亿辆，首次突破2亿辆。目前，全国已有66个城市汽车保有量超过百万辆，30个城市超200万辆，其中北京、成都、重庆、苏州、上海、郑州、深圳、西安、武汉、东莞、天津等11个城市超300万辆。我国国家统计局发布的《2019年中国统计年鉴》中的2014年至2018年的城市道路长度及私人汽车拥有量，根据数据显示近五年来，我国私人汽车拥有量的年增长率为13.65%，而城市道路长度的年增长率仅5.27%。城市机动车数量的迅猛增长与路面交通承载能力之间的矛盾已经引起了人们的广泛关注。
城市中的各种交通问题如交通拥堵、交通安全、环境污染、能源浪费等会对人类社会生产生活以及经济发展产生不可忽视的影响，人、车、路之前的矛盾已经日益尖锐。对个人而言，道路不畅通，车辆行驶缓慢，直接导致了出行时间增加，降低了办事的效率，从而导致社会生产力的下降；对管理者而言，不仅交通治理难度大大增加，而且在道路保养、修建等方面也要额外斥巨资投入。《中国移动源环境管理年报（2019）》显示，中国已经连续十年成为世界机动车产销第一大国，机动车等移动源污染已成为中国大气污染的重要来源，2018年全国机动车四项污染物排放总量初步核算为4065.3万吨。同时，车辆的频繁启动与停止也将导致燃油的利用率降低，造成资源的浪费。
目前，为了解决交通问题也提出了多种措施。控制车辆的使用量，车牌限购，机动车尾号限行，但该方法仍然治标不治本。由于已有的城市道路规划不合理，对增加道路基础设施产生了较大的阻碍。通过加强交通法规建设，制定合理完善的交通规划来加强对交通的管理也还有很长的路要走。2019年国务院印发的《交通强国建设纲要》提出，到2035年要基本形成“全国123出行交通圈”，基本建成交通强国。实践证明：智慧交通是解决当下由于经济发展所带来的交通问题的较为理想的方案，也是建成交通强国的一股强有力的助推力量。
2. 研究的基本内容与方案
2.1研究设计的基本内容、目标
第一章引言：分析了目前国内的交通状况以及实行its的必要性，还讲述了its在国内外的研究现状，重点讲述了国内已有的部分智能传感系统的应用。
第二章系统网络架构：根据短时交通流的预测顺序，首先讲述了交通流的基础概念——交通流、速度和占有率以及特性——时空相关性、周期性、不稳定性、不均匀性等；其次是利用智能传感器采集数据，再对采集的数据进行预处理；最后是预测的一些方法，如支持向量机、小波理论等，并提出了三个评价指标。
第三章基于卷积神经网络的短时交通流预测：首先根据cnn的原理构建样本与模型，对实验进行设计与分析，同时也研究卷积核的大小，预测时间的间隔等对算法准确性的影响。
3. 研究计划与安排
目前阶段已经完成对毕业论文第一、二章，研究背景及意义，国内外研究状况，以及系统网络架构的阐述的拟写，之后将对论文中所需用到的数据进行说明，算法进行优化与数据训练预测，最后将各章节内容进行串联，完成毕业论文。
4. 参考文献（12篇以上）
[1]魏中锐. 基于深度学习的交通流量预测[D].北京交通大学,2019.[2]薛亚鑫. 基于LSTM深度神经网络的短期交通流预测[D].北京交通大学,2019.[3]翟冬梅. 基于深度学习的短时交通流预测研究[D].北京交通大学,2019.[4]关莹莹. 基于深度学习的ITS短时交通流量预测算法研究[D].哈尔滨工业大学,2019.[5]尹杨. 基于深度学习的路网短时交通流分析与预测研究[D].西安邮电大学,2019.[6]赵蕾. 基于卷积神经网络的快速路交通流预测研究[D].北京交通大学,2019.[7]陈士举. 基于深度学习的城市车辆交通流量分析算法研究[D].河北科技大学,2019.[8]Patrick Booth,Heidi Brown,Jan Nemcik,Ren Ting.Spatial context in the calculation of gas emissions for underground coal mines[J].International Journal of Mining Science and Technology,2017,27(05):787-794.[9]赵娜,袁家斌,徐晗.智能交通系统综述[J].计算机科学,2014,41(11):7-11 45.[10]王圣男,郁梅,蒋刚毅.智能交通系统中基于视频图像处理的车辆检测与跟踪方法综述[J].计算机应用研究,2005(09):9-14.[11]汪正勇,陈万培,汤强,李志军.基于车流量的智能交通灯控制系统[J].中小企业管理与科技(下旬刊),2017(09):143-144.[12]李淑敏.基于STM32和摄像头的智能交通灯控制系统[J].科技经济导刊,2017(26):26.[13]李佩钰.一种基于小波和神经网络的短时交通流量预测[J/OL].计算机技术与发展,2019(12):1-9[2019-12-20].http://kns.cnki.net/kcms/detail/61.1450.TP.20190924.1537.046.html.[14]赵庆. 面向短时交通流分析与预测的循环神经网络算法研究[D].西安理工大学,2019.[15]尹杨. 基于深度学习的路网短时交通流分析与预测研究[D].西安邮电大学,2019.[16]李建森,沈齐,范馨月.城市道路短时交通流量预测[J].数学的实践与认识,2019,49(05):192-197.[17]范姝彤,李思思.智能交通灯控制系统优化[J].微处理机,2019,40(04):57-60.[18]武玉升.基于单片机的智能交通灯控制系统仿真设计[J].电子世界,2018(21):118-119 122.[19]Arzoo Miglani,Neeraj Kumar. Deep learning models for traffic flow prediction in autonomous vehicles: A review, solutions, and challenges[J]. Vehicular Communications,2019.[20]Xinping Xiao,Huiming Duan. A new grey model for traffic flow mechanics[J]. Engineering Applications of Artificial Intelligence,2020,88.[21]Arzoo Miglani,Neeraj Kumar. Deep learning models for traffic flow prediction in autonomous vehicles: A review, solutions, and challenges[J]. Vehicular Communications,2019,20.
