随着部队现代化发展的进程,部队的各种出行越来越多的采取摩托化开进,尤其是在处置各种突发事件时,如果在出动之前能对交通网络未来的状况进行预测,可为出行选择通畅便利的路径,将能更加快速有效的处置突发事件。现代化的交通条件为我们提供了预测的便利条件,但是仅使用实时采集技术得到的交通信息难以完全覆盖一定区域的交通网络,而且不能反映较交通网络未来的状况。交通流量描述了通过特定路口的车辆数,是反映交通状况的重要信息。由于实时路况信息并不能反映未来的交通变化状况,需要通过对采集到的实时交通流量数据进行处理、建模、分析、预测,进而为出行指出合理的、便利通畅的路径,这也是智能交通系统(ITS, Intelligent Transportation System)中的短时交通流量预测问题,是交通系统信息化和智能化交通运输管理技术领域研究的关键问题之一针对短时交通流量预测的实时性和高效性要求,本文以贝叶斯网(BN,Bayesian network)这一重要的概率图模型作为交通流量数据中不确定性知识表示和推理的基本框架,考虑相邻时段各交通路口之间的时序依赖关系,研究实时高效的有效支持短时交通流量预测的BN构建及推理算法。本文的主要工作及贡献可概括如下：■为了构建反映交通路口之间依赖关系的BN,本文针对BN有向无环图(DAG, Directed Acyclic Graph)结构构建这一关键和难点,根据给定起始地和目的地,基于图的遍历算法,给出了带有时序条件依赖关系的交通贝叶斯网(TBN, Traffic BN)结构的构建算法,作为交通流量预测的基础。■基于构建得到的DAG,本文通过历史交通流量数据之上的似然估计,计算TBN中各结点的条件概率表(CPT, Conditional Probability Table),从而最终得到反映交通网络中路口间时序依赖关系的TBN。■为了实现实时和高效的交通流量预测,本文进一步基于Gibbs采样的基本思想,提出了TBN的近似概率推理算法,在给定当前时段交通流量情形下对下一时段的交通流量进行预测。■采用实际观测到的交通流量数据,我们实现并测试了本文提出的TBN的构建、推理及相应的流量预测方法,实验结果表明,本文提出的方法是高效的、准确的、可用的。