实时、准确、可靠的交通流预测是实现智能交通系统控制的关键内容.城市道路交通流容易受到周围因素影响,它具有高噪声、非线性、复杂网络等特点.传统的交通流预测方法,包括支持向量机、小波理论、神经网络以及时间序列分析等,一般起源于其它研究领域.直接使用这些预测方法进行交通流预测,而不充分考虑交通流的数据特征,往往使得预测结果不佳或者预测精度因路段不同而差异较大.由灰色系统理论和灰色模型建模机理入手,本文将数据级比概念扩大为广义数据级比.根据广义数据级比的性质,本文提出了一种极值点判断方法并用于交通流的数据挖掘,以及提出一种自适应步长的灰色模型用于交通流的预测.具体工作如下:1、提出广义数据级比的定义.灰色序列生成是灰色系统理论重要研究方法之一,其中,累加生成的灰指定律是灰色模型的建模基础,数据级比是判断数据序列是否呈现指数变换的重要指标之一.基于灰色理论中的数据级比概念,本文提出广义数据级比的定义,更有效地刻画时间序列数据的变化方向和变化速率.2、提出一种极值点判断方法,并用于交通流的数据挖掘.根据广义数据级比的性质,提出一种根据广义数据级比来判断时间序列极值点的方法,与传统极值点的判断方法相比:该方法判断使用过程简便,对极值点的判断精确度较高.使用该方法对美国Minnesota的道路交通流进行分段,并对交通流分段数据进行描述性统计分析、距离测量以及分类识别.3、提出了一种自适应步长的灰色模型预测方法,并用于短时交通流的预测.基于城市道路交通流按日呈现周期变化的数据特征,以及广义数据级比与灰色模型参数之间的近似关系,提出一种可自动选择步长的灰色模型算法.将其应用到美国Minnesota的两个道路交通流的预测,并和传统灰色模型、历史平均法以及滑动平均法对比.数值实验结果表明:改进的灰色模型能够大幅降低预测绝对误差,预测精度高,稳定性好,适用于城市道路短时交通流的实时预测.