智能交通系统(Intelligent Transportation Systems,ITS)是目前国际公认的缓解城市交通拥挤的最佳途径。道路交通信息是所有ITS项目不可缺少的前提和主要内容。如何在短时间内得到这些信息,以及如何根据这些信息快速确定出最佳行驶路径,已成为ITS领域的一个前沿问题,交通路网短时交通信息预测理论、模型与算法的优劣直接影响整个ITS的实施。交通状况信息中最基本的参数就是通过路段的交通流量和旅行时间,它们代表着路段的物理属性和交通特性,也是用户所关心的最直接指标。短时交通信息预测可以通过城市交通信息发布平台为出行者提供实时的交通信息,帮助他们进行路径的选择及诱导。人工神经网络由于其良好的非线性映射能力,已在交通预测中得到广泛应用。训练神经网络常采用BP(Back Propagation)算法,但BP算法具有收敛速度慢,易陷入局部最小的缺点。为了加快神经网络的学习速率,许多并行学习算法被相继提出,本文采用一种并行非线性优化技术训练神经网络,实现有检测器路段的交通流预测。利用并行变尺度拟牛顿法(Self-Scaling Parallel Quasi-Newton,SSPQN)改进BP算法,每次迭代时产生多个搜索方向,各并行子任务在不同的方向上执行非精确线性搜索以寻找最优点。并在MPICH并行环境下对上述算法进行测试分析。实验结果表明在达到相同训练精度的前提下,SSPQN算法有效提高了收敛速度,预测效果优于BP算法,基本达到实测路况交通流预测的要求。为了实现路网中任意路段的流量预测,针对无检测器路段,使用多元统计分析中的多维标度法对城市路网相关性进行分析,实现对整个路网的划分,借助同类交叉口的有检测器路段的流量对无检测器路段的流量进行预测。最后采用旅行时间函数模型经过参数标定,建立适用于国内城市的旅行时间估计模型,进而建立短时旅行时间的预测模型,并在VISSIM仿真平台上对该模型进行验证,实验结果表明满足动态交通诱导的要求。