交通拥堵是各大城市的诟病,智能交通系统是解决交通拥堵问题的最有效措施,而短时交通流预测和大数据是实现智能交通系统的关键技术。如何提高预测的准确性和实时性,是智能交通迫切需要解决的关键难题。论文采用美国双子城一年的交通运行实测大数据,针对目前交通流预测中存在的技术难题,重点研究了交通大数据背景下,城市交通流预测的交通大数据快速分析挖掘和多模型融合建模等关键技术。论文的主要创新研究成果如下:1.构建了Hadoop+Spark交通流预测大数据平台在研究Hadoop分布式计算架构MapReduce及Spark平台多轮迭代计算机制的基础上,提出了交通大数据分析及预测的整体架构。针对交通数据量大源广、交通流短时预测实时性强的特点,构建了基于Hadoop+Spark离线分析和在线预测相结合的交通流预测大数据平台,用Hadoop/MapReduce挖掘交通历史大数据,用Spark/RDD和流计算实现交通流短时预测。该大数据平台的建立为交通大数据的快速分析和交通流的实时预测提供了平台保障。2.建立了MapReduce+JOMP和MapReduce+Fork/Join两种粗细粒度相结合的计算模式针对交通大数据主要由动态海量小文件组成,而海量小文件频繁的I/O操作会导致Hadoop整体分析效率降低的特点,论文采用JOMP和Fork/Join技术优化了MapReduce计算模式,分别建立了MapReduce+JOMP和MapReduce+Fork/Join两种粗细粒度相结合的计算模式,实现了平台上节点间分布式运行、节点内部多线程并行运行的计算机制。经试验验证,两种优化方法均能有效提高交通海量小文件的分析效率,该优化方法是对交通大数据快速分析的有效探索。3.建立了基于时间序列多重分形特征的交通流组合模型在对交通流时空特性多角度分析的基础上,结合智能计算、时间序列及波动统计等理论,提出了基于交通流多特征分解和波动统计分布特性的多模型融合分段建模思想,建立了基于时间序列多重分形特征的交通流组合预测模型。经实际数据实验,验证了该模型能够有效地提高交通流短时预测的精度,且多步预测的效果更佳;同时,证明了综合考虑交通流线性和非线性多模式信息,集交通流特性分析与预测为一体的组合预测方法是提高交通流预测精度的有效方法。4.建立了基于小波分析的多元时间序列交通流组合预测模型研究了基于多源交通数据的交通流组合预测方法,以小波分析理论和多元时间序列建模方法为基础,建立了基于小波分析的多元时间序列交通流组合预测模型WSARIMAX,扩展了多元时间序列建模必须满足协整关系的限制条件。经实际数据实验,该模型有效地提高了交通流的预测精度,并得出在目前的交通数据检测水平下,数据质量对交通流预测结果的影响要小于外部因素的影响这一结论,证明了多源交通大数据对提高交通流短时预测精度有重要的作用。本论文的研究重点解决了交通大数据的快速挖掘、交通流时空特性的深层分析和多模型融合的交通流预测方法三个方面的技术难题,对大数据背景下交通交通流短时预测的创新性研究有着重要的意义。