随着我国社会经济的发展,人们交通出行的需求不断上升,机动车数量与日俱增,传统的交通技术和手段已经难以解决由此引起的严重交通拥堵问题。智能交通和智慧交通作为一种改善城市交通状况的有效方式被提出后便受到了广泛关注,而交通流的短时预测是智能交通和智慧交通实现的基础和关键,因此,如何准确地预测交通流己经成为学者们研究的热点。另一方面,伴随着国家和城市的综合实力提升,各大城市以文化交流活动、体育赛事等为代表的大型活动举办的日益频繁。大型活动举行期间,一般情况下会在有限的空间内迅速聚集大量的人流和车流,从而造成周边地区的交通拥挤,为城市管理带来巨大的挑战。本文以大型活动中的区域交通流预测为研究对象,分析持续型大型活动影响下的区域交通流特性及其影响因素,重点探讨有效的大型活动中区域交通流预测方法。本文的研究目的是为行人出行、交通管理规划提供指导,促进解决持续型大型活动期间的交通拥堵问题。本文的主要研究内容如下:1.以大连市灯光音乐喷泉为例,分析持续型大型活动影响下的区域交通流特性。在对交通流信息进行数据采集、数据预处理、交通流特性分析后,发现大型活动影响下的区域交通具有突增性、周期性、线性相关性、随机性和强非线性四个典型特征。突增性表现在活动举办前后引起的区域交通流激增;周期性表现在典型的日周期性变化,同时存在季节周期变化等;线性相关性为交通流时间序列之间存在强的线性相关性;随机性和强非线性是指具体时刻的交通流同时体现出较强的随机性和非线性。2.本文分别建立了基于ARIMA模型和BP模型的区域交通流预测模型。基于时间序列的ARIMA在对区域交通流短时预测中具有较好的效果,但ARIMA模型本质上是一种线性预测模型,其对强非线性处理能力较弱,具体表现在峰值处的预测误差相对较大。理论上BP模型具有逼近任意非线性的能力,但因其对影响因素众多的情况容易陷入局部最优解,反而造成基于BP神经网络的预测模型对大型活动下的区域交通流短时预测效果不好。这说明由于实际交通流的复杂性,单一的预测方法难以取得很好的预测效果。3.提出了一种基于ARIMA和BP神经网络组合模型的大型活动中区域交通流预测方法。该方法利用不同情况下的交通流时间分布统计模型考虑日周期性和已知因素的影响;然后利用ARIMA模型预测交通流中的线性成分;再利用BP神经网络模型预测交通流中的非线性残差成分;最后结合线性成分和非线性成分得到最终的短时交通流预测量。预测结果对比分析可知:基于ARIMA和BP神经网络组合模型的预测准确性高于各自单独使用时的准确性。