随着我国国民经济的快速发展,交通问题凸显,也引发了交通拥堵、交通事故、空气污染等社会问题。为了缓解城市道路的拥挤问题,智能交通系统应运而生,通过合理调控交通负荷,保证交通安全高效的运行。而智能交通系统中,交通速度预测是实现交通信号控制、交通诱导等关键应用的先决条件。当前,城市内出租车普遍安装了车载GPS装置,向以数据为驱动的智能交通系统提供全天候、大范围的时空信息。由于出租车是一种城市内居民出行的重要交通方式,能够更客观地体现交通状况,所以出租车GPS数据越发受到研究机构的重视,许多学者从海量的GPS数据出发,通过分析和挖掘数据中所蕴含的潜力和价值,为交通速度预测开辟了新途径。但是,已有工作对长时间尺度预测效果不佳,尤其当一些随机事件发生时(如恶劣天气、节假日等),预测精度将大大降低。因此,本文基于杭州市88000多条出租车GPS数据,结合天气、特殊时间等影响交通动态的随机因素,分析了交通速度数据在多个时间尺度的相关性以及不同随机事件对交通速度的影响,提出了一套融合多时间尺度历史数据和多维度随机因素的混杂交通速度预测建模框架。首先,本文搭建了数据分析平台,该平台利用Hadoop分布式计算框架,实现高效的海量GPS数据预处理。接着,基于该平台,本文计算得到了每个路段每小时的平均速度,并将其作为时间序列数据进行相关性分析,结果发现以小时和以天为周期的交通数据均存在一定规律特征；除此之外,本文也分析了天气、特殊时间等随机因素对交通速度的影响。进而,本文提出了基于系统辨识方法的多维多尺度交通速度预测建模框架,框架中包含了一个系统迭代辨识算法用于计算模型的阶次和参数,从而实现了将多个时间尺度的交通速度与天气、特殊时间等多维度随机因素作为系统输入,对交通速度进行建模与预测。最后,基于交通速度历史数据、天气数据和特殊时间数据,本文分别评估了各个维度的数据对模型的影响,结果发现考虑多个时间尺度的历史数据能够有效提高长时间尺度下的预测效果；而且,考虑随机因素对模型精度也有显著提升；此外,对比常用于交通速度预测的机器学习方法——支持向量回归,基于同等的先验知识,本文的算法具有更高的精度。