OD交通流量反映了路网中一段时间内从起点到终点的交通量分布情况。OD交通流量信息是进行合理、有效地交通规划、运营、管理与控制的前提与基础。其中,短期(预测)的OD流量是制定精准、有效的动态交通管理与控制措施的重要数据基础。动态OD流量预测关注OD矩阵在时间序列上的变化趋势,对该趋势的掌握是实现交通管理和信息系统实时性的必要条件。基于对交通流量信息时序随机性或混沌性的不同界定,文献中提出的OD流量预测方法主要包括参数模型预测和非参数模型预测。这两类方法分别关注OD流量数据的周期性变化和短期波动情况,在预测精度和效率上各有侧重。参数模型预测绝大多数是基于状态空间(state-space)相关模型构建的预测方法,而非参数模型往往使用一系列模式识别和机器学习方法实现短期预测。本文首先分析了路网OD矩阵的高维度特性,提出了基于主成分分析(PCA)的数据降维方法,得出5个主成分可以表征原始OD数据83%以上的特性;然后,基于降维后的主成分数据,利用多项式拟合模型得到结构模式和偏差,建立递推状态空间模型,并利用卡尔曼滤波技术构建(参数型)预测模型(模型1);此外,论文提出了3种基于K-最邻近分类(非参数)预测算法(K-Nearest Neighbor):第一种(模型2)基于KNN的预测方法直接利用主成分数据,以相邻时间段的主成分得分之差作为模式趋势构建状态模式集和标签集;第二和第三种(模型3和4)基于KNN的方法则对状态模式集和标签集数据进行多项式拟合,得到结构模型集和残差集,而后两种方法之间的差异是对残差集的处理不同。第二种方法直接假设残差是高斯白噪声,后一时段的残差方差与前一时段的相同,第三种方法则对残差的方差再次应用KNN方法进行预测。最后,利用长沙市交叉口的视频摄像头采集的交通流量信息,对本文提出的四个模型的有效性进行验证,结果显示在不同的需求状况下,本文提出的模型能够做出合理的预测。同时,预测精度高度依赖于可用OD数据的质量:卡尔曼滤波器模型对于规则和周期性OD模式表现更好;而对于不规则OD矩阵,K-NN模型可以进行更准确的预测。