交通信号控制和交通流诱导系统是智能交通系统(ITS)的核心课题,实现交通控制和交通诱导系统功能的关键是实时准确交通流预测信息。交通流预测信息可直接送到先进的交通信息系统(ATIS)和交通管控系统(ATMS),为出行者提供实时有效的出行信息,提高城市交通管控水平。交通流预测一直是许多相关领域的研究热点。现有短时交通流预测主要针对单断面交通流时间序列数据变化规律进行分析,基于统计模型、非线性理论、智能算法或将几种模型进行组合得到预测模型,存在预测精度不高、难以适应短时交通流变化的非线性和不确定性等问题。针对以上问题,本文以城市道路交通流时空特性为着手点,深入分析了城市道路交通流的时间特性和空间特性,将空间邻近路段交通流影响考虑进短时预测,结合基于时间序列数据预测方法稳定性好和空间相关估计预测非线性强的特点,提出了同时考虑研究路段实时及历史交通流数据和空间相关路段交通流数据的预测方法,提高了短时交通流预测精度。首先,分析了交通流时间特性,将动力学特性分析方法应用于短时交通流时间特性分析,具体介绍了交通流时间特性和短时可预测性判别方法。引用三种基于不同理论的短时交通流预测方法,给出各方法数学模型和算法步骤,实验案例,分别对2min、6min和12min三种统计周期交通流进行预测,对比预测结果评价指标,分析了各预测模型的适用性。其次,分析了城市道路交通流空间分布特性和相关性,借鉴无检测器路段交通参数估计思想,分析了利用空间邻近检测数据对目标路段交通流预测的可行性。提出了利用多元逐步线性回归模型对目标路段交通流进行空间估计预测的方法。考虑到交通系统的时变性,结合卡尔曼滤波理论最优估计思想,设计了基于卡尔曼滤波的短时交通流空间预测方法。实验仿真,验证了所提方法的有效性。最后,在城市道路交通流时空关联特性分析基础上,提出了两种同时考虑目标路段交通流时间序列数据和空间邻近道路交通流数据的预测方法。一种是利用最小二乘动态加权融合算法,将基于目标路段时间序列数据预测结果和基于空间相关流量数据预测结果进行融合,输出最终结果;另一种是将卡尔曼滤波优化的k近邻算法应用于短时交通流预测,初始用多元线性回归对定义的状态变量赋以权值,利用卡尔曼滤波递归最优估计原理,根据研究路段实时采集数据对状态变量权值在线更新,以适应交通状态的变化。实验案例,对比单一基于时间序列数据和空间相关数据的预测方法,验证了所提方法的优越性。