Traffic forecasting is a critical challenge for Intelligent Transportation Systems (ITS), increasingly enabled by the deepening interconnectedness of intelligent vehicles and traffic infrastructures. In this study, we propose a hybrid short-term forecasting architecture based on the careful consideration and analysis of reservation-based behavior cooperation and the characteristics of Cooperative ITS (C-ITS), especially its future application mode of Service-oriented C-ITS (SoC-ITS). We design several novel models and mechanisms to forecast the behavioral parameters of road vehicles in this architecture, combining a developed artificial neural network method and a statistical technique. Considering the lack of large-scale deployment of C-ITS at present, a new simulator (SoC-ITSS v2.1) is independently designed with two main aims. The first is to establish a massive dataset that is unavailable for current transportation systems, but necessary for back propagation neural network-based forecasting and statistics models. Our second aim is to provide an effective visual verification environment for this proposed mechanism. Using our newly developed simulator, these proposed models and methods are verified under two typical authorization policies (First-Arrival-First-Pass-Multi-Queue for ordinary C-ITS and Highest-Weight-First-Pass-Multi-Queue for SoC-ITS). The experimental results show that this forecasting mechanism can adaptively model traffic situations of both ordinary C-ITS and SoC-ITS, and provide good performance.

智能交通系统（ITS）面临的一项严峻挑战是智能汽车与交通基础设施之间日益加深的互联性，这使得智能交通系统日益面临挑战。在这项研究中，我们基于对基于预订的行为合作以及协作型ITS（C-ITS）的特点，特别是其面向服务的C-ITS的未来应用模式的认真考虑和分析，提出了一种混合短期预测架构。 （SoC-ITS）。我们结合开发的人工神经网络方法和统计技术，设计了几种新颖的模型和机制来预测公路车辆在该体系结构中的行为参数。考虑到目前缺乏大规模部署C-ITS的能力，新设计的模拟器（SoC-ITSS v2.1）具有两个主要目的。首先是要建立一个庞大的数据集，该数据集对于当前的运输系统是不可用的，但是对于基于反向传播神经网络的预测和统计模型却是必需的。我们的第二个目标是为该提议的机制提供有效的视觉验证环境。使用我们最新开发的模拟器，这些提出的模型和方法在两种典型的授权策略下进行了验证（普通C-ITS的“先到先出多队列”和SoC-“最高权重先通过多队列”）它的）。实验结果表明，该预测机制可以对普通C-ITS和SoC-ITS的流量情况进行自适应建模，并具有良好的性能。但是对于基于反向传播神经网络的预测和统计模型是必需的。我们的第二个目标是为该提议的机制提供有效的视觉验证环境。使用我们最新开发的模拟器，这些提出的模型和方法在两种典型的授权策略下进行了验证（普通C-ITS的“先到先出多队列”和SoC-“最高权重先通过多队列”）它的）。实验结果表明，该预测机制可以对普通C-ITS和SoC-ITS的流量情况进行自适应建模，并具有良好的性能。但是对于基于反向传播神经网络的预测和统计模型是必需的。我们的第二个目标是为该提议的机制提供有效的视觉验证环境。使用我们最新开发的模拟器，这些提出的模型和方法在两种典型的授权策略下进行了验证（普通C-ITS的“先到先出多队列”和SoC-“最高权重先通过多队列”）它的）。实验结果表明，该预测机制可以对普通C-ITS和SoC-ITS的流量情况进行自适应建模，并具有良好的性能。这些提出的模型和方法在两种典型的授权策略下进行了验证（普通C-ITS的“先到达先通过多队列”和SoC-ITS的“最高权重先通过多队列”）。实验结果表明，该预测机制可以对普通C-ITS和SoC-ITS的流量情况进行自适应建模，并具有良好的性能。这些提出的模型和方法在两种典型的授权策略下进行了验证（普通C-ITS的“先到达先通过多队列”和SoC-ITS的“最高权重先通过多队列”）。实验结果表明，该预测机制可以对普通C-ITS和SoC-ITS的流量情况进行自适应建模，并具有良好的性能。