Short-term traffic flow forecasting is a key element in Intelligent Transport Systems (ITS) to provide proactive traffic state information to road network operators. A variety of methods to predict traffic variables in the short-term can be found in the literature, ranging from time-series algorithms, machine learning tools and deep learning methods to a selective hybrid of these approaches. Despite the advances in prediction techniques, a challenging problem that affects the application of such methods in the real world is the prevalence of insufficient data across an entire network. It is rare that extensive historical training data required for model training are available for all the links in a city. In order to address this data insufficiency problem, this paper applies transfer learning techniques to machine learning methods in short-term traffic prediction. All the traffic data used in this paper were collected from Highways England road networks in the UK. The results show that through improving the transferability of machine learning-based models, the computational burden due to the model training process can be significantly reduced and the prediction accuracy under data deficient scenarios can be improved for one-step ahead prediction. However, the prediction accuracy gradually decreases in multi-step ahead prediction. It is also found that the accuracy of the proposed hybrid method is highly dependent upon consistency between datasets but less dependent on geographical attributes of links.

短期交通流量预测是智能交通系统（ITS）中向路网运营商提供主动交通状态信息的关键要素。从时间序列算法，机器学习工具和深度学习方法到这些方法的选择性混合，可以在文献中找到各种短期内预测交通变量的方法。尽管预测技术取得了进步，但在现实世界中影响此类方法应用的一个具有挑战性的问题是整个网络中普遍存在数据不足的情况。很少有模型训练所需的大量历史训练数据可用于城市中的所有链接。为了解决此数据不足问题，本文将转移学习技术应用于短期交通预测中的机器学习方法。本文使用的所有交通数据均来自英国的英国公路网。结果表明，通过改善基于机器学习的模型的可传递性，可以显着减少模型训练过程带来的计算负担，并且可以提高数据不足情况下的预测准确性，从而可以进行一步式提前预测。但是，在多步提前预测中，预测精度逐渐降低。还发现，提出的混合方法的准确性高度依赖于数据集之间的一致性，而较少依赖于链接的地理属性。本文使用的所有交通数据均来自英国的英国公路网。结果表明，通过改善基于机器学习的模型的可传递性，可以显着减少模型训练过程带来的计算负担，并且可以提高数据不足情况下的预测准确性，从而可以进行一步式提前预测。但是，在多步提前预测中，预测精度逐渐降低。还发现，提出的混合方法的准确性高度依赖于数据集之间的一致性，而较少依赖于链接的地理属性。本文使用的所有交通数据均来自英国的英国公路网。结果表明，通过改善基于机器学习的模型的可传递性，可以显着减少模型训练过程带来的计算负担，并且可以提高数据不足情况下的预测准确性，从而可以进行一步式提前预测。但是，在多步提前预测中，预测精度逐渐降低。还发现，提出的混合方法的准确性高度依赖于数据集之间的一致性，而较少依赖于链接的地理属性。对于一步一步的预测，可以显着减少模型训练过程带来的计算负担，并且可以提高数据不足场景下的预测精度。但是，在多步提前预测中，预测精度逐渐降低。还发现，提出的混合方法的准确性高度依赖于数据集之间的一致性，而较少依赖于链接的地理属性。对于一步一步的预测，可以显着减少模型训练过程带来的计算负担，并且可以提高数据不足场景下的预测精度。但是，在多步提前预测中，预测精度逐渐降低。还发现，提出的混合方法的准确性高度依赖于数据集之间的一致性，而较少依赖于链接的地理属性。