随着城市经济的不断发展和私家车的急速增多，传统的交通模式在现代交通中遇到了越来越多的问题，如交通拥堵、空气污染、交通事故等。采用不断修建新道路的方法来缓解巨大的交通压力已不切实际。为了应对这些棘手问题，智能交通系统（Intelligent TransportationSystems，简称ITS）被引入到动态交通管理中，而且得到了快速发展。结合信息技术和交通理论，智能交通系统被用于道路交通控制、交通诱导等各个方面。经过近些年的应用，在缓解交通拥堵、提高出行效率等方面，ITS显示出巨大的潜力。作为ITS的一个分支，交通预测在智能化管理和动态控制中始终占有重要地位。对交通路网的动态控制，依赖于短时/中时交通状态预测的效果。对不同时间间隔的实时交通状态的连续预测能力是交通管理系统提供动态交通控制的必要需求。准确的交通预测模型对于更好地分析路网交通状况，规划交通网络和实现交通优化控制策略都有十分重要的作用。近几十年来，不同领域的研究者从各自的角度对交通预测的特性进行了分析，并建立了许多模型。本文以现有的交通预测模型为基础，分析了多种主要模型的优缺点，并提出了改进的预测模型。采用两种道路网络的真实交通数据，本文对各种模型进行了深入的分析，并比较其效果，初步探讨了交通预测建模在路网交通状态分析中的应用。一方面，城市道路交通分高速路网和城市主干道路网两种情况，本文对这两种路网分别进行了研究；另一方面，按照交通状态数据不同的时间间隔，本文同时检验了中时和短时预测两种情形，并对模型进行了对比研究。论文的主要工作如下：1.通过所获得的路网交通状态数据，充分利用空间-时间交通信息，可以对路网的交通运行状况作出准确的判断，给出更合理的预测。本研究通过美国高速公路评测系统（FreewayPerformance Measurement System，简称PeMS）网站获取了加利福尼亚洲际高速路网的行程时间指数（Travel Time Index，简称TTI）数据，对整合后的1-小时间隔的交通数据进行研究，实时分析了高速路网的整体运行状况。同时，本文还针对城市道路网络中的交通流数据进行了相关研究，利用悉尼交通自适应协调系统（Sydney Coordinated AdaptiveTraffic System，简称SCATS）所获取的上海市徐汇区衡山路、吴兴路路段15-分钟间隔交通流量数据，对城市主干道路网的交通状况建立了预测模型。2.选择时间间隔不同的两个交通数据源可以更全面地分析各种预测模型的性能，考虑到交通数据的不完备性问题，本研究提出两种不同的方法对路网交通状态作出分析。其一是对所获取的路网数据进行适当整合，对整个道路网络的交通状况进行宏观判断；其二是从微观角度出发，以路网中各路段的拓扑关系为基础，进行交通状态参数的相关性分析，运用时空信息进行交通预测。选择两种交通数据可以分别验证这两种分析方法，实验采用了绝对平均误差（Mean Absolute Error，简称MAE）、均方根误差（Root Mean SquareError，简称RMSE）、平均绝对百分误差（Mean Absolute Percentage Error，简称MAPE）和绝对百分方差（Variance of Absolute Percentage Error，简称VAPE）等对各种预测模型进行误差分析和比较。3.以源自两种路网的交通状态数据为基础，对基本预测模型进行分类研究，提出时空状态空间法与模型相结合的方法，验证了最小二乘支持向量机模型（Least Squares SupportVector Machines，简称LS-SVM）和T-S模糊预测模型（Fuzzy T-S）两种非参数预测模型的有效性。同时，分析了卡尔曼滤波预测模型（Kalman Filtering，简称KF）、自回归移动平均模型（Autoregressive MovingAverage，简称ARMA）、历史平均模型（Historical Mean，简称HM）、线性最小二乘回归模型（Linear Least Squares Regression，简称LLSR）、径向基函数神经网络模型（Radial Basis Function Neural Network，简称RBF-NN）和支持向量回归模型（Support Vector Regression，简称SVR）的预测性能，考察了多种模型参数，进行实验比较，并采用多种误差标准对其分析。4.以获取的两种交通数据和对基本预测模型的分析为基础，考虑到基本模型预测各自的特点具有优势互补性，以及组合预测模型能够有效减少单个模型预测过程中一些环境随机因素的影响等特点，并以交通信息发布、处理的实时性要求为依据，在交通领域改进并发展了线性组合预测的思想，并详细验证了六种线性组合方法：等权值预测法（EqualWeights，简称EW）、最优权值预测法（Optimal Weights，简称OW）、最小绝对值误差法（Minimum Error I&II，简称ME I&ME II）和最小方差法（Minimum Variance I&II，简称MV I&MV II）。通过多个误差标准对202种组合模型进行的误差分析和性能比较证明，2-模型线性组合预测的预测精度和稳定性都要优于基本预测模型。5.受变权值线性组合预测模型的启发，同时考虑到交互式多模型（Interacting Multiple Model，简称IMM）在混合系统估计中表现出的相似特点，本文提出了IMM组合预测模型。IMM算法的递归性、模块化、计算量固定这三个理想的特性决定了它可以用于实时交通状态预测。而且，使用IMM选择多个预测模型进行组合符合交通信息处理的要求。采用两种时间间隔不同的交通数据，实验通过排列组合研究了所有基本模型的各种IMM组合，并与基本模型和线性组合模型作出比较，其分析结果证明了2-模型IMM组合预测的有效性和鲁棒性。