随着中国城市化进程的不断加速和居民机动车保有量的持续增长,城市路网承担的交通压力日益加重,交通拥堵和交通事故等一系列交通问题也随之产生,并严重制约着道路通行能力和居民出行效率。城市智能交通系统通过对道路运行状态的监控和诱导,能够有效缓解交通拥堵问题,提高道路通行效率。准确实时的进行道路交通状态预测是智能交通系统实现交通控制和诱导的关键,同时也可为驾驶人员的行驶路线规划提供决策支持。车联网提供车辆之间和车辆与附近路边设备之间的无线通信,通过获取自身车辆、其他车辆和外界环境等相关信息,车联网中很容易形成能够反映交通状态的海量数据,相比于传统交通系统消息数据的匮乏,如何通过融合车联网中丰富多样的信息以得到更加精确的交通状态估计,对改善城市交通拥挤和提高道路利用率具有现实意义。本文面向车联网提出了一种多源数据融合中间件(MDFOSGi)框架,其利用OSGi(Open Service Gateway initiative)技术框架面向服务的优势,使车辆可以动态获取到交通参与方发布在路边单元的数据服务信息,针对不同应用封装不同的数据融合算法,利用车辆自身丰富的存储和计算资源,对车、道路、环境等相关服务数据进行处理和融合,产生本地决策,为上层应用提供数据服务支撑。同时针对交通预测相关应用提出面向不同特征的两种数据融合算法以及一种模型组合的算法,并封装于此中间件中,以提供更准确的数据服务。针对现有基于数据融合的交通状态预测方法大多仅融合多检测器采集到的交通数据,而忽略了社会、环境等因素对交通速度的影响,本文提出一种基于多源数据融合的单路段交通速度预测算法。在分析节假日和气候等因素对交通速度影响的基础上,将相关数据分为交通数据和外部影响数据,通过聚类分析将特征集划分为多个子集,然后利用不同子集构建多分支的LSTM路段交通速度预测模型。预测阶段,根据实时数据提取对应LSTM模型进行交通速度预测。其次针对高峰期路段交通流空间传播范围较大,提出一种面向高峰期的组合预测算法和基于近邻路段特征融合的DBN-LSSVR预测模型。首先运用灰色关联分析选择关联度较高的近邻路段的交通数据进行特征提取,将各路段交通特征输入深度信念网络进行特征融合重构,然后将融合后的特征输入最小二乘支持向量回归模型预测,并将预测结果与单路段预测结果进行组合输出,提高高峰期路段交通速度的预测精度。真实数据集上的实验分析表明,所提出的基于数据融合的道路交通速度预测方法受外界干扰因素影响较小,提高了交通速度预测精度,具有较满意的预测效果。