城市道路短时交通状态的预测,是实现未来路况查询、车辆动态导航等智能交通系统技术的关键。本文在分析基于浮动车数据的城市快速路交通流参数的时空相关性以及数据缺失状况的基础上,研究城市快速路的短时交通状态预测方法。首先,在综述交通状态预测相关理论的基础上,确定了本文通过预测交通流参数实现对交通状态的短时预测的思想,考虑到目前我国城市中浮动车数据比较容易获得的现实,选取了基于浮动车数据得到的交通流参数即行程速度,来表征快速路交通状态；其次,提出统计方法和K-means分类法相结合的方法对缺失数据进行填充,由于浮动车数据在采集过程中不可避免地会有噪声干扰,所以在补缺后利用小波变换对数据进行降噪处理以降低误差；然后,在对路链行程速度的时空相关性进行分析的基础上,结合交通流数据自身的特点以及各种交通状态预测模型的优缺点,分别构建了基于时间维度、空间维度以及时空维度特征向量的BP神经网络模型。最后,使用北京市市区一条长约3.2公里快速路路段的浮动车数据对以上3种模型的精度进行了检验。结果表明,3种模型的预测精度良好,都能满足短时交通状态预测的要求。其中,基于时空维度的模型预测精度最高,对路段中参与模型构建的路链精度达到了98.3%,对路段中未参与模型构建的路链精度达到了93.64%；其次是基于时间维度的模型,对路段中参与模型构建的路链精度达到了98.2%,对路段中未参与模型构建的路链精度达到了92.84%；最后是基于空间维度的模型,对路段中参与模型构建的路链精度达到了95%,对路段中未参与模型构建的路链精度达到了91.94%。结合以上分析结果,本文提出了基于实际数据缺失情况的城市快速路短时交通状态预测综合模型,即当某路链的时间数据和空间数据都存在的情况下,采用基于时空维度的交通状态预测模型；当某路链的时间数据缺失过多或者完全没有的时候,采用基于空间维度的交通状态预测模型；当路链的空间数据缺失过多或者完全没有的时候,采用基于时间维度的交通状态预测模型。