本文对短时交通流预测模型及预测方法进行了大量研究,提出了多链路的交通流预测模型,研究了神经网络及高斯过程回归在交通流预测中的应用,最后利用图Lasso进行的稀疏图模型建立对多链路交通流预测进行了进一步的优化。短时交通流预测一直是智能交通系统研究中的一个热门话题。传统的预测模型采用的都是单链路预测模型,即在对一条链路上的未来时刻交通流进行预测时,使用的仅是该链路上的历史数据,而没有考虑到相邻链路上的交通流量提供的相关信息。事实上,在整个交通系统中,各条链路之间的交通流量是存在相关性的,特别是相邻路口,这种相关性体现的更为明显。在本文中,我们提出了多链路交通流预测模型,对相邻路口的交通流量进行了相关性考虑。通过大量实验,我们验证了多链路交通流预测模型的优越性。神经网络在机器学习中的应用备受熟知,其中,BP (Back-Propogation)神经网络更是被广泛用于如视觉场景分析、语音识别等多种具体的机器学习领域。由于具有出色的处理复杂问题的能力和高度的自学习自组织以及自适应能力,神经网络在机器学习应用中一直表现良好。在本文中,我们以神经网络预测方法为基础,对单链路交通流预测模型和多链路交通流预测模型进行了大量实验上的比较,并且结合了多任务学习和单任务学习,共构建出了四组预测模型。通过对实验结果进行整体和局部上的比较和分析,我们对神经网络在交通流预测中的应用有了一个更深入更全面的认识。高斯过程回归是基于贝叶斯理论的经典回归算法,由于具有实现容易、参数较少以及模型解释性强等特点,在机器学习领域具有广泛的研究。高斯过程是广义上的高斯概率分布,这里的随机过程指的是函数,不同于高斯概率分布中的随机变量是标量或者向量(多元概率分布情况下)。高斯过程回归中的相关推理均是在函数空间进行的,算法最终给出的是测试集上目标输出的后验分布。这个后验分布也是服从高斯分布的,高斯过程回归算法的输出为分布的均值和协方差两项。本文通过对高斯过程回归进行理论上学习和研究,并结合实际的实验,对其在交通流预测中的应用进行了分析,并指出了其在机器学习应用中中的巨大潜力。图lasso是建立在lasso回归上的稀疏图模型建构的一种算法。它基于的数据模型是假设服从多元高斯概率分布的,算法的核心是通过使用L1正则来使得逆协方差矩阵尽可能的稀疏,进而依据矩阵中元素是否为0来进行稀疏图模型的建立。协方差矩阵的每一行每一列都对应稀疏图模型中的一个结点,若矩阵中某行列元素为0,则认为对应的两个变量条件独立,进而在图模型中,对应的两个结点之间无连线。本文对图lasso建模进行了详细的理论上的学习和研究,并通过具体实验证实了其在具体应用上的优越性。通过使用图lasso算法对多链路交通流模型中相邻路口上的交通流信息进行进一步的信息筛选和提取,我们构建了一个更为优化的多链路交通流预测模型。