交通流状态预测是交通研究领域中的热门课题,也是交通管理者对交通进行有效管理的依据之一。交通系统是一个由人、车、路组成的复杂系统,它的安全、有序的运行,离不开交通控制和交通诱导技术,而交通控制和诱导是以对交通流状态的预测为依据的。因此,准确、及时地对交通流状态进行预测能够在一定程度上缓解交通拥堵,从而保持交通道路的安全、畅通。国内外学者经过多年的研究,先后建立了多种交通流模型,并提出了一些交通流预测方法,但这些方法多以线性预测为主。随着交通系统复杂度的日益增大,传统的预测方法则表现出了局限性。针对这种情况,本文尝试性地引入粒子滤波算法。粒子滤波作为一种非线性的预测方法,它可以应用在任何形式的状态空间模型上。为了验证其在非线性系统中预测的优越性,本文以卡尔曼滤波算法和粒子滤波算法为例对同一非线性模型进行对比仿真实验,实验结果表明,粒子滤波在对非线性模型的时变系统的预测性能上比卡尔曼滤波要好。这也是本文选择粒子滤波算法作为预测方法的原因之一。本文在对城市快速路交通流状态进行预测时,选择北京市北三环一段快速路段作为实验对象,并采集该路段相关交通流信息。通过分析该路段交通流状态特性,建立交通流模型,运用粒子滤波算法对该路段交通流状态进行预测,实验结果表明,粒子滤波算法能够较好地对交通流状态做出预测,具有较好的适用性。然而,在实验的过程中,随着粒子运算迭代次数的增加,只有少数粒子具有较大的权值,大多数粒子则出现了退化现象。针对粒子的这种退化问题,本文尝试性地引入遗传算法对粒子滤波重采样过程进行优化。通过实例验证,改进后的方法预测性能得到了提高。