随着我国社会经济的高速发展,城市化水平不断提升,机动车保有量急速增长,城市交通拥堵、交通安全和环境污染问题日益严重。作为解决城市交通问题最有效的方法之一,智能交通系统(Intelligent Traffic System,ITS)受到了世界范围内的广泛关注。交通控制和诱导作为ITS的核心应用,在缓解交通拥堵、提升交通安全和降低环境污染方面发挥着重要作用,而实现交通控制和诱导的基础在于实时准确的交通流预测。在交通流预测研究领域,国内外学者提出了大量具有开拓性和创新性的交通流预测方法。但由于研究重点多集中在模型和算法的优化上,较少考虑交通流数据自身特性,故难以在精度和稳定性上有所突破。因此本文在深入分析交通流数据的基础上,提出适应交通流特性的预测模型,实现实时准确的交通流预测,为交通控制和诱导提供基础。首先,在总结相关研究现状的基础上,对城市快速路的交通流特性进行分析。根据交通流的时空相关性,使用3D形函数时空插值方法进行缺失和错误数据的修复,以减小因异常数据产生的预测误差。根据交通流的混沌特性,使用相空间重构方法进行预测模型输入集的构造,以避免主观选择模型输入带来的误差。其次,在判别交通流混沌特性的基础上,引入回声状态神经网络,并使用相空间重构的数据建立了交通流预测模型。实验结果证明,与传统交通流预测模型相比,该模型精度更高。为解决模型超参数选择的难题,引入思维进化算法搜索回声状态网络的最优储备池参数组合。实验证明该算法不易陷入局部最优,通过该算法改进的回声状态网络具有更高预测精度。最后,针对交通流数据因剧烈波动而难以被准确预测的问题,在上述研究的基础上,建立了基于分解与重构的交通流预测模型。从数据结构的角度出发,将具有自适应分解能力的经验模式分解方法运用于交通流预测,从而将波动率大、非平稳的交通流序列转化为较为平稳的分解序列,增强其可预测性。实验证明该方法能够大幅提升交通流预测的精确度。同时,针对单一流量输入包含信息有限的问题,提出了基于多变量分解与重构的交通流预测模型。该模型根据交通流三参数的相关关系,将速度和占有率数据转换为理论流量数据,并将理论流量与实际流量进行分解与重构后共同作为预测模型输入,实验证明该方法可进一步提升交通流预测精度。图56幅,表20个,参考文献92篇。