交通流预测技术是智能交通管理系统的核心,是实现智能交通控制与诱导的基础。准确的交通预测信息对于指导人们进行路径选择,节约出行时间,缓解道路拥堵,减少尾气污染、节约能源等有重大意义。随着技术的发展,交通流预测模型已数量众多,研究的重点已从建立新模型转移到选择模型。本论文基于交通流基本理论和交通流预测方法,分别运用ARIMA模型、神经网络模型和非参数回归模型对两个不同路段的早高峰、午平峰和晚高峰的路况数据建立模型进行预测,最后,论文运用五种评价指标对比分析了三种模型的效果差异,得出了不同模型的优缺点和适用范围。本文的研究工作和结论如下：(1)对某城市快速路全年的路况数据进行分析,说明了交通流数据在波动趋势上具有周相似性,在时间序列上具有传承性,同时具有动态不确定性。(2)对样本进行丢失数据识别和错误数据修复。分别运用机理法和阈值法识别丢失数据和错误数据,并用相邻若干时段的平均值修复数据,建立样本数据库。(3)运用ARIMA模型对不同时段的路况数据建模预测。阐述了建模过程中的平稳性和随机性检验、差分平稳化、模型识别、参数估计、诊断检验等步骤,用软件实现了仿真。结果表明,ARIMA模型适用于平稳的路况预测。(4)运用神经网络方法进行预测。研究了建模过程中的数据归一化处理,选取激活函数、构造训练数据和测试数据等过程,实验确定了网络的拓扑结构,仿真实现了预测。结果表明,神经网络的预测效果取决于训练数据的大小。(5)运用非参数回归方法进行预测。阐述了建模过程中选取状态向量、设定相似机制的过程,实验确定了近邻值的个数,仿真实现了预测。结果表明,非参数回归方法在三种方法中的预测效果最好。(6)建立评价指标体系。定义五种评价指标：绝对误差、误差分布概率、模型可移植性、模型可操作性和其他误差来综合对比分析了不同模型的预测效果,在对于平稳性的路况进行预测时,三者差异不大,但对于波动剧烈的路况,非参数回归方法具有相对最优的预测效果。