随着我国经济实力的提升,我国城市化的进程也正在逐渐加快,大城市甚至超大城市的数量迅速攀升,这对城市交通管理提出了诸多的要求。在此背景下,城市交通智能化的研究和应用都得到了有效的发展,智能交通系统(Intelligent Transport System,简称为ITS)也得以广泛应用。其中,城市道路交通流量作为城市交通中的基础数据,它的准确预测对智能交通系统有着举足轻重的意义。因此,本文将对城市短期交通流量预测问题进行研究。为了提高城市短期交通流量预测的准确性,相关的基础理论与应用科学研究工作者们提出了各种方法与模型。这些方法主要以时间序列分析算法为主,将城市短期交通流量预测问题视作时间序列分析问题,并且利用历史的道路交通流量数据挖掘道路交通流量的变化规律。然而当这些方法被运用到复杂的城市路网中时,仍然存在着一些不足之处。这主要是因为道路交通流量的变化对事件具有敏感性,特别是当一些交通事故或者大型集会等不确定事件发生的情况下,交通流量的变化将脱离历史数据中常见的模式。为了在这些情况发生时对城市中道路交通流量进行更好地预测,我们需要从道路交通流量形成的原始因素入手进行分析,对城市路网中上下游道路间的流量转移进行建模。在本文中,我们将上下游道路间的流量转移定义为转移流量,并将转移流量与上游道路交通流量的比值记为转移率,从而得到上游道路交通流量和下游道路交通流量之间的关系。通过对道路交通流量转移的建模,我们就能够在事件发生时,量化发生的事件对道路交通流量所造成的影响,并利用上游道路交通流量的变化来对下游道路交通流量的变化进行预测。因此在本文中,我们提出了一种将转移率与道路相似度相结合的模型(Combination ofTransfer Ratio and Road Similarity,简称为 CoTRRS)。CoTRRS 模型的结构可以分成两个部分:(1)为了获取转移率的先验知识,我们利用连续词袋模型(Continuous Bag-of-Words,简称为CBOW)从车辆的轨迹数据中提取得到上下游道路间的道路相似度:(2)我们使用了一个利用反向传播算法(Back Propagation)训练的多层前馈神经网络(简称为BP神经网络)作为模型的基本结构,并将上下游道路间的转移率和道路相似度一并作为BP神经网络的输入来得到城市短期交通流量的预测值。最后,为了验证CoTRRS模型的表现,我们在一个真实的城市道路交通数据集上进行了大量的实验,实验结果也表明CoTRRS模型在城市短期交通流量预测上的表现要优于其他常见的几个交通流量预测方法。