城市公路智能交通控制和诱导,需要实时、准确、可靠的短时交通流信息。这是对短时交通流预测的要求。现有预测主要分为两类:根据某单一公路交通流历史数据的预测;考虑多路口关联交通流影响的预测。它们使用了传统的时间序列模型、各种智能模型、偏最小二乘回归、非参数回归模型以及组合预测模型等。“机理+辨识”预测策略是对“组合预测”策略的细化和深化。其中多模型预测结果灵活合成中样本容量对预测效果的影响,是本文的研究重点。预测样本容量的优选,是国际预测界还没有解决的困难问题。交通流预测中,只有一些数值仿真的经验结果。还没有见到样本容量优化的理论研究。本论文的主要研究内容和结果如下:(1)为交通流预测建立了数理统计学模型,使得样本容量优化研究有了初步的理论性基础。并对线性组合预报的最优性和稳健性进行了初步的证明。(2)采用先进的希尔伯特-黄变换(HHT)、功率谱、小波变换分析了某公路短时交通流的性质。采用人工神经网络模型、支持向量回归模型、时间序列模型,进行了样本容量对单一模型和组合预测模型预测准确率影响的数值仿真实验,发现预测准确率随样本容量的变化,基本服从t分布,且与样本容量的开方成反比。(3)提出了对输入样本进行非线性变换以提高信噪比,进而提高预测准确率的新思想。本文给出了数学证明,并在Matlab仿真实验中证实了这一结果。(4)作为对城市公路短时交通流统一预测模型的新探索,提出了预测的“电路模型”构想,即把公路中各影响因子映射到电路模型中去,通过求解电路的方法预测交通流。尚未在公开文献中见到相同或类似报道。