发展智能交通系统是各大城市解决交通拥堵问题的重要战略。目前智能交通系统已经发展到中高级阶段，丰富的交通数据检测手段为交通数据分析、控制、决策提供很好的数据基础，这方面已经成为研究和工程应用的热点。传统的交通控制和交通诱导系统是基于实时交通流数据检测的，检测到交通流状态即通过既定的控制和诱导算法计算并实施控制，它存在以下问题：（1）由于缺乏历史交通数据分析和交通预测，交通控制和诱导缺乏预见性，只能根据最近的短时间内的交通参数选择控制方案进行交通控制。（2）交通控制系统和交通诱导系统的数据没有进行有效的融合，从而无法建立交通控制和诱导的协同模型。（3）现有的交通控制系统没有考虑突发的交通事件对于模型的影响，因而无法把握交通流变化的突发性特征，交通控制和诱导具有明显的滞后性。针对上述问题，为了提高交通控制的预见性、对于突发交通事件的快速反应能力以及建立交通控制与诱导协同，本文在动态交通预测、交通事件检测以及交通控制与诱导协同模型方面开展创新性研究，主要的研究内容和创新点包括以下四个方面：（1）研究提出一套交通流数据预处理的方法，包括错误数据的判别和修正方法、丢失数据的补齐方法以及冗余数据的约简方法，并将这些方法应用到广州市交通流检测系统中。良好的数据质量是交通流预测的基础。在工程实际中，交通流数据是充满噪声的，不可能直接利用。因此，必须先对原始数据进行预处理，也是所谓的数据清洗。本文总结提出的数据预处理方法是面向工程实用的，具有指导实践意义。（2）研究提出了一套实用的基于视频图像的交通事件检测方法，并将这些方法应用于广州市交通事件检测系统。如此一来，可以克服基于交通流检测器数据分析的交通事件检测方法的依赖性，视频检测的方法可以充分利用当前城市交通视频的丰富资源，大大减少工程投资，具有重要意义。（3）提出一种适用于城市智能交通控制和诱导的短时交通预测模型，包括基于支持向量机的交通预测模型，重点研究核函数的建立和参数的选择和优化方法，并在工程实践中进行验证。为提高交通控制系统对交通流变化的自动适应能力，文中提出了基于支持向量机（SVM）回归的短时交通流预测模型，总结出在工程应用中的建模流程，并采用广州市交通流检测系统的数据对模型进行实验和定量分析，验证了模型的可行性、有效性，为后续的工程应用提供基础。最后，研究如何采用粒子群算法对参数的选择进行优化。（4）提出基于融合交通动态的交通控制与诱导协同模型，建立基于交通预测的交通控制诱导协同平台，最后采用仿真方式验证了模型和平台的可行性和有效性。对于目前交通控制系统与交通诱导系统的交通流数据检测、分析和控制都相对独立的现状，本文首先研究了面向交通动态的信息融合技术，对包含历史数据的短时交通预测、交通事件检测结果和实时交通流数据进行有效的信息融合，同时结合神经网络算法对交通控制与诱导的协同优化进行研究，最后形成了融合交通动态的智能控制与诱导协同模型。在协同方面，该模型选择一种决策级融合的模式，提出一个具有中心协调系统（CCOS）的交通控制与诱导协同模型，并采用神经网络专家系统来确定模型中的参数。为了验证其有效性，本文选择了一个典型的路网进行仿真，同时利用实际数据通过带专家监督的神经网络进行训练，得出算法中的相关参数后，以此来实施基于交通预测和实时交通状态的交通诱导和控制，最后对使用诱导控制的前后交通实际流量数据进行实例分析对比，从而证明模型的可行性和有效性。综上所述，本文就交通流预测方法的应用进行研究，深入讨论了基于支持向量机回归的交通流预测模型，并应用到交通控制与诱导协同模型的改进，同时还考虑了突发的交通事件对于模型的影响。这些研究和实践对于解决当前ITS中的交通控制与交通诱导这一难点问题起到重要的参照作用，也为后续研究提供了重要而有益的参考。上述研究和实践将为理论研究和工程研究提供重要的参考价值。