通信工程文献翻译——摘要：

智能交通系统（ITS）的发展在未来智能城市的设计中正在迅速成为制定超级效率导航要求的重要组成部分。运输系统可能受到事故和天气等因素的严重影响。具体来说，恶劣天气条件可能会对旅行时间和交通流量产生重大影响。本研究有两个目标：一是调查天气参数与交通流量之间的相关性，二是通过提出一种新的整体架构来改善交通流量预测。它融合了交通和天气预报和决策层数据融合方案的深层信念网络，以提高使用天气条件的预测精度。使用来自加利福尼亚州旧金山湾区的交通和天气数据的实验结果证实了与现有技术相比拟议方法的有效性。

第一节

引言

目前道路上有超过10亿辆汽车，预计到2050年将翻一番，达到25亿左右?[2]，设计高效的导航和更安全的旅行正在成为交通运输部门面临的重大挑战。智能交通系统（ITS）的发展是智能城市设计和实施的基石。事实上，建设更多的道路并不能彻底解决大量交通拥堵，油耗，旅行延误和安全的问题。

连接的汽车在数据丰富的环境中发展，在这些环境中，它们始终如一地产生和接收各种数据：天气，道路，交通和社交网络流。一个有趣的例子是荷兰艾恩德霍芬市，当局与IBM合作设计了一个交通管理解决方案，将车载传感器的数据与道路交通流量相结合?[3]。数据不仅存储和处理，而且用于及时准确的预测和决策。

交通流预测是应该实现的ITS的主要功能之一。规划积极行动减轻道路拥堵特别有用。此外，及时准确的预测可为司机提供指导，以便更好地选择理想的出发时间和最佳路线，以避免发生僵局。然而，交通预测是非常具有挑战性的。驱动程序与周围的连接的东西（基础设施，交通灯，汽车）以及彼此互动。在旅途中，他们也暴露在不断变化的天气条件下。有利或恶劣的天气将严重影响道路上的司机。联邦公路管理局提供的统计数据显示，23％的车祸是由于天气条件恶化?[4]。因此，调查天气对交通预测的影响至关重要。量化这样的影响将有助于交通运营商和道路使用者在更好的预先规划和最佳导航策略方面与天气条件相匹配。

由于道路交通和天气条件之间的密切关系，本文提出了一种深入学习的新颖方法，通过融合过去的交通流量数据和天气数据提供的大数据来预测交通流量。首先，我们研究道路交通自相关，以确定实现高预测精度所需的前面流量步骤所需的数量。然后，我们调查不同粒度的流量测量和天气条件之间的互相关。目的是选择最有......

Abstract—Development of Intelligent Transportation Systems (ITS) is fast becoming a crucial component in the design of future smart cities given major requirement for enacting super-efficient

navigation. Transportation systems might be heavily affected by factors such as accidents and weather. Specifically, inclement weather conditions may have drastic impact on travel time and traffic flow. The current study has two objectives: first, to investigate a correlation between weather parameters and traffic flow, and to improve traffic flow prediction by proposing a novel holistic architecture. It incorporates: 1) deep belief networks for traffic and weather prediction and, 2) decision-level data fusion scheme to enhance prediction accuracy using weather conditions. The experimental results, using traffic and weather data originated from San Francisco Bay Area of California,corroborate the effectiveness of the proposed approach compared to the state of the art.

Index Terms—Intelligent transportation systems, traffic prediction, weather information, deep learning, data fusion.

I. INTRODUCTION

Presently, our cities suffer from ever increasing population growth, pollution leading to pressure on existing transportation infrastructure. The situation will be even more critical in future. Recent statistics indicate that 60% of the world population will be living in cities by 2050 [1]. With more than a billion cars on the roads today that is expected to double to around 2.5 billion by 2050 [2], designing super-efficient navigation and safer travel journey are becoming a major challenges for transportation authorities. The development of Intelligent Transportation Systems (ITS) is a cornerstone in the design and implementation of smart cities. Indeed, building more roads will not radically solve the problem of large traffic congestion, fuel consumption, longer travel delays and safety.

Connected cars evolve in a data-rich environment where they consistently generate and receive a variety of data that......