智能交通系统对城市交通疏导、道路监控、车辆管理和交通流智能分析有着重要作用,是解决道路拥堵、提高通行效率、减少事故及降低环境污染的一种有效解决方案。构建智能交通系统的关键就是如何从被动的交通信息收集、发布,变为主动对交通信息进行分析、预测、管理与服务等。其中车辆行程时间预测是交通流预测方面的重要问题之一。当前交通流预测方法主要是从城市交通和交通流等系统的角度去研究城市整体车辆的道路行程时间问题,对城市的规划发展与路网建设起到积极的作用。但是,这些方法较少从人们有规律出行的角度去研究车辆的行程时间预测问题,难以从便民的角度为人们的出行提供个性化的短时行程时间预测服务。本文结合人们有规律出行的特点,研究城市路网中短时行程时间预测问题。主要工作包括:提出一种基于高斯过程回归的车辆短时行程时间预测算法。根据交通数据噪声高、非线性时变等特性,利用高斯过程回归对处理小样本、高维数和非线性等复杂问题具有很好的适应性的特点,建立基于高斯过程回归行程时间预测模型。模型基于城市居民有规律出行的特点,将工作日和休息日分开考虑。该模型与支持向量回归和自回归移动平均模型进行比较,表现出较高的准确性和稳定性。实验结果表明,在工作日和休息日,高斯过程回归算法比支持向量回归等算法精确度分别提高了 35%和13%以上。提出一种基于AdaBoost的高斯过程回归的车辆短时行程时间预测算法。高斯过程回归在平稳时段预测精度很高,但是在高峰期预测结果波动较大,原因在于高斯过程回归在获取超参数的过程中仍然可能陷入局部最优解,并且其预测效果直接依赖于核函数的选择。因此,通过AdaBoost集成高斯过程回归弱分类器以得到强预测机,以提高高斯过程回归的学习能力和泛化能力。实验结果表明,在行车高峰期,基于AdaBoost的高斯过程回归算法较于高斯过程回归算法,精确度提高了 34%。